1
LingBot-World 2.0：可无限互动、带 60 帧实时版的游戏世界模型
这个 2.0 版本把游戏世界模型的互动时长拉到无限而不掉质量，靠的是精心设计的因果预训练范式；蒸馏出的实时版足以驱动 720p、60 帧的视频流；动作种类也大幅扩展，新增攻击、射箭、施法、射击等，并有更丰富的文本驱动交互元素。
- 149 星/7日
- 17 引用
- 47 点赞
AI Agent 论文精选 · 2026-W37
2
FreeToken：把个人电脑当成弹性推理平台，本地跑大型 MoE 模型
开源大模型越来越重，但本地推理还按“把数据中心的办法缩小”的思路做。FreeToken 围绕本地 AI 的两个现实（智能体负载持续变化、每台机器的资源配比不同），联合设计模型加载、专家驻留、CPU-GPU 协同执行与内存管理，带宽允许时让个人机器也能流畅服务大 MoE 模型。
- 836 星/7日
- 2 引用
- 109 点赞
3
Prime Agent：带常驻 REPL 和跨任务记忆的开源长程智能体框架
Prime Agent 是一个开源的长程智能体框架：常驻 IPython 会话让模型用代码做测试时计算，历史、记忆、技能和子智能体配置可以跨任务保留，递归子智能体之间直接通信协作，人类还能随时查看和管理后台会话。
- 630 星/7日
- 2 引用
- 52 点赞
- #1 longbench-v2
4
LLM-as-a-Verifier：不问裁判式打分，直接从打分 token 读出连续验证分数
LLM-as-a-Verifier 让 LLM 当验证器：不再问模型“打分还是不打分”，而是直接从打分 token 的 logits 里算期望，得到免训练的连续反馈信号。作者称在 Terminal-Bench V2、SWE-Bench Verified 等智能体基准上取得当前最好成绩，还做成了 Claude Code 扩展，用于监控智能体并为强化学习提供稠密奖励。
- 134 星/7日
- 11 引用
- 19 点赞
5
ABot-World-0：单张台式机显卡实时流式运行的动作条件世界模型
ABot-World-0 是动作条件视频世界模型，用 3A 游戏、仿真引擎和互联网视频的多源数据训练，直接以原始键盘输入操控，并用参考角色记忆保证第三人称滚动的身份一致。作者称单张 RTX 5090 即可流式输出 720p、最高 16 FPS 的交互画面，动作到首帧延迟约 1.2 秒，目标是真正能玩的长程闭环交互。
- 11 星/7日
- 6 引用
- 313 点赞
6
OSWorld 2.0：108 个长程真实电脑操作任务，最强智能体也只完成两成
OSWorld 2.0 是 xlang-ai 团队推出的电脑操作智能体基准，用 108 个基于真实文件、带用户状态的长程工作流任务取代此前的短脚本任务，人类完成一道题的中位数约 1.6 小时。结果相当扎心：表现最好的 Claude Opus 4.8 也只能完成 20.6% 的任务，常常在跟踪约束和结果验证上掉链子。
- 19 星/7日
- 15 引用
- 25 点赞
7
Apodex 1.1：靠环境扩展与多智能体协同，把“能干活”训成模型能力
这篇报告把“持续、可验证地推进真实工作”作为训练目标：一方面扩大可执行文件、搜索、代码环境的多样性与可验证性（环境扩展），另一方面训练智能体拆解长任务、并行委派、整合异步结果并随时重规划（协同扩展）。
- 901 星/7日
- 0 引用
- 207 点赞
8
智能体自我改进综述：基础模型加脚手架，怎样把经验变成能力积累
这篇综述把自我改进的智能体拆成“基础模型 + 提示词、记忆、工具、控制逻辑组成的运行脚手架”，并把“改进”定义为一个自我触发的更新算子：把经验转化为能力积累，尽量少依赖人工。作者按更新对象和驱动信号梳理了大量工作，从改提示词、改记忆一直到权重级的自我修改。
- 24 星/7日
- 9 引用
- 35 点赞
9
WeMM-Embedding：微信团队的通用多模态向量模型，支持混排输入和可调维度
这是微信团队发布的通用多模态向量模型系列：2B/4B/9B 三个规格，支持文本、图像、视频、视觉文档及任意交错的多模态输入，输出维度可调，训练分两阶段，面向检索、推荐、分类和智能体等场景。
- 225 星/7日
- 1 引用
- 70 点赞
- #1 coco-captions-image-to-text
10
AutoResearch：先让多模型交叉评审选题，再用实验把结论钉死的自动科研系统
自动化跑通流程不等于结论可靠。AutoResearch 分两阶段：选题阶段持续融合最新研究信号与领域知识，多模型生成加交叉评审，产出可检验的研究计划；执行阶段由协作智能体把计划拆成实验并逐步验证，两头都奔着“有据可查”去。
- 2,947 星/7日
- 0 引用
- 22 点赞
11
LongHorizon-Harness：把长任务状态移出上下文窗口、只认环境验证过的事实
长程智能体常在膨胀的上下文里丢状态，还把错误的自我评估带进后续决策。该框架把任务状态显式维护在执行之外，只用环境里能独立核实的事实更新状态，配合 Manage-Execute-Audit 循环，让经理、执行、审计三角色互相制衡。
- 37 星/7日
- 2 引用
- 184 点赞
- #1 weavebench
12
AutoDesign：元优化器带着代码智能体递归自我改进，自动做出学术海报
AutoDesign 把多模态学术海报生成当成长程智能体过程：一个元优化器读取执行反馈、递归改写代码智能体所用的工具 harness。在作者提出的 100 篇论文 PosterBench 上得分超过 Claude Design，学到的 harness 还能迁移提升七种不同代码智能体；全自主循环跑 40 分钟、253 次工具调用，成本不到 3 美元。
- 21 星/7日
- 3 引用
- 63 点赞
13
SEED：把跑通的轨迹蒸馏成可复用技能，边强化学习边自我进化
SEED 让智能体在强化学习中自我进化：把跑通的轨迹改写成自然语言“事后技能”，再把技能带来的行为变化蒸馏回策略，与基于结果的强化学习联合训练，形成一个稠密的 token 级信号。作者称这同时提升了样本效率、最终成绩，以及面对没见过的文本和视觉智能体任务时的泛化能力。
- 7 星/7日
- 7 引用
- 107 点赞
14
Ouroboros：靠“经评审的提交”重写自身工具与核心代码的编程智能体
Ouroboros 是一个自我迭代的编程智能体框架：工具、提示词、上下文组装乃至核心实现都通过“经评审的提交”逐步进化，并成为后续运行的基础，支持递归自由进化和经验驱动核心进化两种模式。作者还报告了长达 161 天、横跨七个人类交流界面的真实部署，强调当智能体开始重写自己时，安全护栏必须始终保持最高权威。
- 32 星/7日
- 2 引用
- 92 点赞
- #1 osworld-verified
15
Show-Harness：给视觉语言模型一个“语义动作”接口，零样本直接操控机器人
Show-Harness 是一个开源机器人控制框架，把动作拆成视觉语言模型可以直接推理的离散“语义动作单元”，再由确定性的、按机型定制的解释器转成底层机器人指令。作者证明同一套接口既能让闭源前沿模型零样本直接操控机器人，也能让小模型只用几小时 GPU 微调就变成免规划器的策略；配套的 GUMI 浏览器界面还让人或 GUI 智能体无需遥操作硬件就能采集示教数据。
- 307 星/7日
- 0 引用
- 139 点赞