完整工作流：唯一覆盖"文献→想法→代码→论文"全流程的开源系统高质量代码：导师-学生迭代机制显著提升实现质量标准化评测：Scientist-Bench 提供了业界首个全面评测基准成本友好：开源免费，API 成本远低于商业方案。

持续学习不必驻留在模型权重中。一个不断增长的、自我改进的技能库可以作为任何冻结 LLM 都能调用的持久化智能层。这种"技能即记忆"的范式，将 Agent 的能力进化从昂贵的参数更新转移到了轻量级的文件操作上。但这也引发了更深层的问题：当 Agent 开始设计自己的技能，甚至设计新的 Agent 时，我们如何确保这个自进化过程不会脱离控制？论文中单元测试门控和回滚机制是初步的安全网，但距离生产级的安

论文《Learning to Self-Evolve》提出了一种创新框架LSE，通过强化学习训练小型语言模型（4B参数）在测试时自我进化的能力。与依赖模型固有推理能力的现有方法不同，LSE专门训练"自进化策略"，配合UCB树搜索机制防止优化路径塌缩。实验表明，LSE训练的Qwen3-4B在Text-to-SQL（BIRD）和MMLU-Redux任务上分别以67.3%和73.3%

当语言模型面对超长文本时，我们习惯性地认为"递归分解"是正确答案——把长文本切碎、递归调用自身来处理。但 Apple 的这篇论文给出了反直觉的结论：递归并不是 RLM 性能提升的主要驱动力。真

当前大语言模型的训练范式存在一个根本性矛盾：模型在部署后变成"静态制品"，无法从海量的真实用户交互中获益。微软研究院提出 **Online Experiential Learning（OEL）** 框架，让模型在部署阶段像人类一样"从经验中学习"——无需人工标注、无需奖励模型、无需在服务器端访问用户环境。该方法通过"经验知识提取 + 在策略上下文蒸馏"的迭代循环，在文本游戏环境中实现了 pass

MiroThinker-1.7 换了一条路：在预训练和 SFT 之间插入 Agentic Mid-Training 阶段，强化每一步的"原子决策"质量（规划、推理、工具使用、答案汇总）。MiroThinker-H1 再叠加一套 Local + Global 双重验证机制，让模型"做一步查一步、交卷前全局复审"。结果是 BrowseComp 88.2%、GAIA 88.5%——前者 OpenAI D

MetaClaw提出了一种双时间尺度的元学习框架，使部署后的AI智能体能够持续进化。该框架通过"技能驱动的快速适应"和"机会主义策略优化"两个互补机制，让智能体在使用过程中自动提升性能，无需停机或人工干预。实验表明，在44天的模拟测试中，MetaClaw将Kimi-K2.5的准确率从21.4%提升至40.6%，接近GPT-5.2的基线水平。关键创新包括技能代

持续学习不必驻留在模型权重中。一个不断增长的、自我改进的技能库可以作为任何冻结 LLM 都能调用的持久化智能层。这种"技能即记忆"的范式，将 Agent 的能力进化从昂贵的参数更新转移到了轻量级的文件操作上。但这也引发了更深层的问题：当 Agent 开始设计自己的技能，甚至设计新的 Agent 时，我们如何确保这个自进化过程不会脱离控制？论文中单元测试门控和回滚机制是初步的安全网，但距离生产级的安

AI Agent时代的工程革命：Harness Engineering深度解析 本文系统阐述了AI工程领域的最新范式——Harness Engineering，一种围绕AI Agent构建的约束与控制系统。通过OpenAI百万行代码实验等典型案例，揭示了当AI具备大规模代码生成能力时，人类工程师的角色从"代码编写者"转变为"环境架构师"的核心转变。 Harn

这篇论文系统比较了不同检索方法在AI深度研究任务中的表现。研究发现，传统的BM25算法在段落级检索中显著优于神经网络方法，但在文档级检索中表现较差。实验使用了5种检索器和3种重排序器，在固定语料库上测试了两个AI Agent的搜索性能。关键发现包括：段落级检索整体优于文档级检索；BM25的表现差异源于文档长度归一化问题；AI Agent的查询风格（含精确匹配和布尔运算）与人类不同，导致神经检索模型