本文提出MemSkill框架，让AI智能体能够自主学习和进化记忆技能，而非依赖预设规则。该系统包含三个核心组件：Controller负责动态选择记忆技能，Executor执行多技能组合操作，Designer通过分析失败案例不断优化技能库。实验表明，在对话、问答和具身任务中，MemSkill均超越现有记忆系统。该研究突破了传统CRUD记忆模式的局限，使智能体能够根据不同场景需求自主发展专业化记忆策略

本文提出MemSkill框架，让AI智能体能够自主学习和进化记忆技能，而非依赖预设规则。该系统包含三个核心组件：Controller负责动态选择记忆技能，Executor执行多技能组合操作，Designer通过分析失败案例不断优化技能库。实验表明，在对话、问答和具身任务中，MemSkill均超越现有记忆系统。该研究突破了传统CRUD记忆模式的局限，使智能体能够根据不同场景需求自主发展专业化记忆策略

InternAgent-1.5：自主科学发现的新范式 上海人工智能实验室提出的InternAgent-1.5框架突破了传统AI智能体的局限，构建了一个"生成-验证-进化"的闭环系统，使AI能够像人类科学家一样进行长周期的自主研究。该框架包含三个核心子系统：生成子系统负责深度文献分析和假设构建；验证子系统实现实验设计与优化；进化子系统通过长视界记忆实现知识积累和经验迁移。在GPQ

AI2和华盛顿大学团队推出How2Everything框架，系统评估大模型"教人做事"的能力。该研究从98万网页中自动化挖掘出35万份高质量操作指南，覆盖14个主题领域。创新性地提出"关键失败"评估标准，通过二元判定（可用/不可用）取代传统评分，更精准识别步骤遗漏、危险动作等致命错误。研究还训练出8B参数的How2Judge评估模型，与GPT-5评估一致性达

研究人员构建了GISA基准测试，通过结构化答案格式评估AI搜索助手的真实能力。测试发现，即使最先进的Claude 4.5 Sonnet模型准确率仅19.3%，远低于人类专家的78%。GISA揭示了AI在复杂信息搜寻任务中的主要瓶颈：搜索层级错误占比近50%，表现为浅层浏览习惯和深度信息挖掘能力的不足。该研究强调当前AI在整合深度推理与广度聚合、网页导航策略以及信息验证等方面仍存在显著差距，为改进搜

摘要 最新研究DeR2揭示了一个反直觉现象：当大语言模型在RAG（检索增强生成）场景下获得完整参考文档时，其推理表现反而比闭卷测试更差。通过构建包含16个学科领域、严格校准难度的评测数据集，研究发现： 在四种控制设定（仅指令/仅概念/仅相关文档/完整文档集）下，14个前沿模型的平均得分呈现"开卷不如闭卷"现象（完整文档51.1% vs 仅指令55.9%） 主要归因于两大问题：推

本文提出了一种名为Composition-RL的创新方法，通过将简单数学题拼接组合成复杂题目来提升大模型的推理能力。该方法利用顺序提示词组合(SPC)技术，自动将两道独立数学题合并为一道新题，并保持答案可验证性。实验表明，这种组合显著降低了"全对"样本比例，使训练数据更具挑战性。在多种模型规模(1.5B-30B)的测试中，该方法平均提升8.3个点，在AIME24竞赛题上准确率提

Chain of Mindset (CoM) 提出了一种新型AI推理框架，通过解耦四种思维模式（空间/收敛/发散/算法）并由元代理动态调度，实现了免训练的步级自适应推理。该框架采用三层架构：Meta-Agent作为决策中心，Context Gate进行信息过滤，四种思维专家模块并行工作。实验表明，CoM在6个高难度基准上平均准确率达63.28%，比最优基线提升4.96%，尤其在需要多模态推理的任务

摘要（149字）： AWM提出了一种自动化生成代码驱动合成环境的方法，通过四阶段流程（场景生成→任务生成→环境合成→智能体训练）构建了1000个状态一致的POMDP环境。每个环境包含SQLite数据库、Python工具接口和双重验证模块，采用GRPO算法训练智能体。实验表明，在合成环境训练的智能体能有效泛化至真实场景，在BFCLv3、τ²-bench和MCP-Universe基准上分别提升12.1

SkillRL框架摘要 SkillRL提出了一种递归技能增强的强化学习方法，通过将原始交互轨迹蒸馏为可复用的技能卡片（10-20倍压缩率），构建分层技能库（通用+特定任务技能），并与GRPO强化学习协同进化。在ALFWorld和WebShop任务中，该方法超越GPT-4o达41.9%，关键创新在于：(1) 教师模型差异化处理成功/失败轨迹生成技能；(2) 冷启动SFT教会模型使用技能；(3) 训练