Research Papers
EN ZH

AI Agent 论文精选

AI Agent 论文精选 · 2026-W42

统计窗口: 2026-07-20 – 2026-10-17 冻结于 2026-10-18

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。

  • 221 星/7日
  • 2 引用
  • 109 点赞

arXiv · FlashML-org/FreeToken

3

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。

  • 6 星/7日
  • 6 引用
  • 313 点赞

arXiv · amap-cvlab/ABot-World

4

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。

  • 115 星/7日
  • 2 引用
  • 92 点赞
  • #1 osworld-verified

arXiv · razzant/ouroboros

6

nanoMuse：跑在你手机和电脑上的开源个人 agent，记忆以你能读懂的文件保存

Meta 闭源的 Muse 演示了「只属于一个人的 agent」长什么样之后，这篇报告先根据公开资料逐条拆解 Muse 的构建方式，再给出开源对应物 nanoMuse（GPL-3.0）：一个 agent 跑遍你名下的手机、电脑等设备，通过任何人都能自托管的中继共享同一段对话。每个动作执行前都要过 Sentinel 审批，记忆以用户可直接阅读的文件存放，底层模型也由用户自己选。

  • 597 星/7日
  • 0 引用
  • 98 点赞

arXiv · nano-muse/nanoMuse

7

ATAS：给视频生成 agent 配一份「世界观记忆」，让每条镜头都对得上同一个场景和同一条时间线

用视频生成 agent 拍长片，最容易崩的是镜头与镜头之间的连续性：单纯把提示词或几帧最近画面传给下一个镜头，模型既没有一个统一的「空间坐标系」来回到同一个场景，也没有一条按时间索引的事件记录来重演之前发生的事。ATAS 的做法是把剧本「编译」成带明确位置、机位和事件时间引用的镜头请求，并在生成回路背后维护两份记忆：一份登记静态场景几何的场景记忆，一份按场景、事件、时间索引动态观测的事件记忆。每个生成片段会被重建并登记回记忆，但要先通过审查与状态校验才被采纳。作者报告：该框架在四个视频生成底座上都提升了所有受测的跨镜头一致性指标，在空间重访和事件重演上优于对比 agent 和 3D 引导方法，并在全部六项人工评分标准上拿到最高分。

  • 258 星/7日
  • 0 引用
  • 338 点赞

arXiv · ziplab/ATAS

8

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。

  • 9 星/7日
  • 3 引用
  • 63 点赞

arXiv · Yaxin9Luo/AutoDesign

9

Raven：自动构建、进化和编排 agent 执行框架的开源多智能体生态

手动搭的 agent 执行框架往往绑死某个领域，撑不起跨领域的长程任务。Raven 把「模型 + 执行框架」的组合当成可拼接的智能单元：Host Agent 负责拆目标、调度各专业子 agent 并合并结果；host archive 和 EverOS 把任务经验沉淀下来，再由 Skill Forge 提炼成可复用的流程。论文还给出在统一资源预算下扩大可靠任务覆盖面的充分条件。

  • 142 星/7日
  • 0 引用
  • 493 点赞

arXiv · EverMind-AI/Raven

10

模型不动、脚手架自进化:让智能体自己改写提示词、记忆与工作流的框架

这篇 66 页的长文把「脚手架自进化」正式定义成一个问题：模型权重不动，智能体却持续改写自己的软件外壳，包括提示词、记忆、工作流、可执行组件和插件组合；被采纳的修改会跨次运行保留下来。作者把「改什么」与「谁来提案、谁来准入」分开刻画，用演化优化和 PAC 学习式分析给出泛化界与准入规则，并强调每次准入都要用新鲜的独立验证数据。论文同时讨论了这种方法对科研可信度和组织工作流的影响。

  • 178 星/7日
  • 0 引用
  • 193 点赞

arXiv · zgcagi/Harness-RSI

11

EvoOntology：以 MCP 服务器承载的自进化本体层，补上数据智能体与异构数据之间的语义鸿沟

数据智能体只能透过通用工具看到列名和文件路径，看不到数据本身的含义，这就是 agent-data 鸿沟。EvoOntology 把本体（schema、内容、工具三层）封装成一个 MCP 服务器，让智能体运行时可以主动查询；构建由 builder 智能体自动完成，之后通过归因引导的编辑持续进化，每处修改都要经过与 backbone 对照的成对评估才被接受。论文称在三个数据智能体基准、四个 LLM backbone 上稳定优于强基线和手工语义层方案。

  • 187 星/7日
  • 0 引用
  • 126 点赞

arXiv · ruc-datalab/EvoOntology

13

通用电脑操作智能体的全开源技术栈：让模型自己决定什么时候点鼠标、什么时候写代码，评测轨迹全部公开

OpenGCUA 把通用电脑操作智能体（GCUA）的技术栈整个开源重建，动机是 GPT-6 Astra 等前沿系统的 computer use 实现大多闭源、无法系统研究。核心思路是：模型在「视觉点鼠标」和「直接写代码执行」之间自由选择，中间结果可以反过来决定后续操作；同时提出 harness-to-model 决策转移，把部分观察与任务状态判断从写死的 harness 规则挪进模型自己手里。作者报告称，在 OSWorld-v2 上整套配置对全部 8 个受测模型（含 GPT-6 Astra 和 Claude Opus 5）都有提升，平均 partial score 提高 19.6 分，相对纯 GUI 批量执行平均每任务报告的步数减少 53.0%。除实现与 prompt 外，团队还公开了 8 个模型的全部评测轨迹，以及真机 harness 和跨设备 SDK 的早期版本（覆盖电脑、手机与浏览器）；在真机 harness 的 4 个 macOS 任务上，其数据显示部分 Qwen3.8-Max 运行报告的推理 token 用量是 GPT-6 Astra 的 19.4 倍，提示各模型在真机执行效率上差异很大。

  • 99 星/7日
  • 0 引用
  • 315 点赞

arXiv · Tongyi-MAI/OpenGCUA

15

让智能体扮演驻场工程师：需求模糊、要现挖隐藏约束，最后按客户业务指标打分

FDE-Gym 考的不是「按工单修 bug」，而是 AI 交付的最后一公里：需求模糊、约束没说透。基准含 95 个端到端交付任务，来自 18 个行业的 20 个客户场景，每个都由行业专家从真实交付项目改编；智能体要和有脚本的干系人对话、改动仿真的客户生产系统，最后按客户自己的业务指标提升了多少打分（0 分=系统没变化，1 分=参考方案），消息过多、反复试跑、等待过久都会扣分。作者评测了 7 家厂商的 13 种配置，报告最强配置平均分只有 0.56，95 个任务只完整解决 14 个；瓶颈在于发现「没人明说的约束」。更值得注意的是，即使在智能体问齐了全部关键事实的那 23 个任务上，达到 0.8 业务提升的也只有 10 个。

  • 99 星/7日
  • 0 引用
  • 280 点赞

arXiv · deeplethe/fde-gym

本周 · AI Agent 论文精选