当前， 直接偏好优化 （ Direct Preference Optimization, DPO ）和 低秩适配 （ Low Rank Adaptation, LoRA ）几乎已成为大模型对齐与微调的“标准动作”。我们似乎默认，先用SFT做监督微调，再用DPO对齐偏好，同时用LoRA来节省资源，就是一套黄金组合拳。 ArXiv URL：http://arxiv.org/abs/2603.20100

普林斯顿大学的一项新研究，让一个大模型 Agent 真正当了一回“物理学家”，其成果不仅令人印象深刻，更对科研范式本身提出了深刻的挑战。这个由 Claude Opus 4.6 驱动的 AI Agent 自主完成了一个完整的“迷你科研循环” (mini research loop)：它能阅读一篇已发表的计算物理学论文，复现其核心计算，批判性地评估其结论，甚至在此基础上进行扩展，最终撰写出一篇足以发表

在人机对话的广阔世界里，除了我们熟悉的闲聊机器人和任务型助手，还存在一类特殊的对话智能体—— 非合作型对话代理 (non collaborative dialogue agents)。它们被设计用于处理那些双方利益存在冲突的场景，例如商业谈判、慈善募捐、债务催收等。在这些对话中，智能体需要运用精妙的策略，在多轮博弈中引导对话走向，以达成对自身有利的目标。 ArXiv URL：http://arxi

普林斯顿大学的一项新研究，让一个大模型 Agent 真正当了一回“物理学家”，其成果不仅令人印象深刻，更对科研范式本身提出了深刻的挑战。这个由 Claude Opus 4.6 驱动的 AI Agent 自主完成了一个完整的“迷你科研循环” (mini research loop)：它能阅读一篇已发表的计算物理学论文，复现其核心计算，批判性地评估其结论，甚至在此基础上进行扩展，最终撰写出一篇足以发表

对于许多科学与工程领域的开放式问题——例如，为复杂的物流系统找到最优调度启发式算法，或为特定硬件编写最高效的计算内核——我们往往没有标准答案。唯一的路径是通过不断的提出、测试、修正，在迭代循环中探索更好的解决方案。近年来，以 FunSearch、AlphaEvolve 为代表的、基于大语言模型（LLM）的进化式搜索方法在这一领域取得了显著进展。它们将 LLM 作为“变异算子”，嵌入到一个由评估器引

对于许多科学与工程领域的开放式问题——例如，为复杂的物流系统找到最优调度启发式算法，或为特定硬件编写最高效的计算内核——我们往往没有标准答案。唯一的路径是通过不断的提出、测试、修正，在迭代循环中探索更好的解决方案。近年来，以 FunSearch、AlphaEvolve 为代表的、基于大语言模型（LLM）的进化式搜索方法在这一领域取得了显著进展。它们将 LLM 作为“变异算子”，嵌入到一个由评估器引

大型语言模型（LLM）的推理能力，尤其是在数学这类需要严谨逻辑的任务上，一直是衡量其智能水平的关键标尺。为了提升模型的推理表现，研究者们普遍采用强化学习（RL）作为一种有效的“后训练”（post training）对齐手段。然而，强化学习的成败在很大程度上依赖于一个核心要素：奖励函数（reward function）。这个函数定义了什么是“好”的行为，什么又是“坏”的行为，从而引导模型的优化方向。

随着大型语言模型（LLM）的能力日益强大，它们正越来越多地被用作复杂智能系统（即 “Agent”）的核心大脑。从能够自主编码的 AI 程序员到执行多步骤推理任务的框架，这些 Agent 的智能涌现，很大程度上源于其精心设计的“上下文（Context）”。然而，这个至关重要的“上下文工程”（Context Engineering）过程，长期以来却像一门难以言传的“手艺”，缺乏一套标准的描述和沟通语言

随着大型语言模型（LLM）的能力日益强大，它们正越来越多地被用作复杂智能系统（即 “Agent”）的核心大脑。从能够自主编码的 AI 程序员到执行多步骤推理任务的框架，这些 Agent 的智能涌现，很大程度上源于其精心设计的“上下文（Context）”。然而，这个至关重要的“上下文工程”（Context Engineering）过程，长期以来却像一门难以言传的“手艺”，缺乏一套标准的描述和沟通语言

为 AI Agent 构建一个既聪明又敏捷的记忆系统，一直是业界追求的目标。理想的记忆系统应当能够长期存储关键信息、在多轮交互中保持一致性，并为个性化服务提供支持。然而，现实中的技术路径却常常陷入两难：要么选择基于检索的外部记忆，享受低延迟的优势，但要忍受因查询构建和候选筛选能力有限而导致的精度不稳；要么借助大语言模型（LLM）进行在线的记忆操作，以换取更高的准确性，但代价是随着交互的深入，延迟会