Apple Research最新论文 | Agent Seer：MCP规范零标注变评估集，7套件全覆盖
咱们直接进入正题。当下做企业级AI Agent，说白了就是在跟各种API打交道：日历、项目管理、数据库、通信软件……Agent要干活，就得学会调用这些外部工具。
标签：Agent
共 137 篇
哈佛MIT新工具：多智能体24%新边界指向反自我欺骗
多智能体语言模型模拟在社会行为研究中越来越流行。但绝大多数评估只问：智能体有没有坚持扮演分配的角色？却很少有人系统跟踪另一个问题： 智能体用来描述自己的身份设定，会不会被它自己在运行中改掉？
Vibe Coding实测翻车？独立试验减速19%，代码审查时间暴涨441%
Vibe Coding从Karpathy一条推文变成柯林斯年度词汇，只用了一年。这篇综述把123份证据摊开：+26%的同行实验、-19%的独立实测、+441%的审查时间，三组数字互相打架。想搞清楚AI写代码到底是效率革命还是烂摊子制造机，这篇是目前最全面的地图。
阿里USB基准发布：5274条真实购物轨迹，支持多轮强化学习
电商推荐系统想离线做策略评估，最缺的就是一个“真实买家”。阿里和人大等团队提出的RecVerse，让模型真的去看截图“逛街”，还配了套三层记忆和轨迹级奖励，模拟出来的购物行为既像真人一样会犹豫比较，又能买到用户真想买的东西，顺手开源了5千多条真实轨迹的交互式基准。做推荐、做用户增长的同学值得一读。
抛弃端到端！这个医学影像智能体让AI终于分清肝脏脾脏左右
先问大家一个问题：如果你是一个放射科医生，看到一张腹部CT片子，有人问你“肝脏在脾脏的左边还是右边？”，你会怎么回答？
AI只会输出不懂过程？七个特征看穿真假智能
先问大家一个问题：如果你是一个放射科医生，看到一张腹部CT片子，有人问你“肝脏在脾脏的左边还是右边？”，你会怎么回答？
告别“绕路成功”！厦大&南洋理工PlanPO：多轮智能体强化学习效率暴涨27.2%
继8月推过单次采样SAPO之后，强化学习训练多轮智能体又有新活。这次厦大和南洋理工的合作工作，只靠“成功轨迹的长度”这一个几乎零成本的信号，就把GRPO平均拔高27.2%，还顺带解决了成功轨迹之间的“优势坍缩”难题，值得一读。
让AI学会货比三家？普林斯顿这个基准至今无人超越
这篇被引1300+次的开创性工作，来自普林斯顿大学。WebShop用118万件真实商品和1.2万条人工指令，把“语言智能体”的评测从玩具级任务搬进接近真实的电商场景——AI要自己读懂需求、搜索商品、挑选项、下单。更难得的是，训练好的智能体能零样本迁移到真实Amazon和eBay，是语言grounding方向绕不开的经典基准。
单次采样效果优于PPO/GRPO厦大&南洋理工新方法大涨15个点
智能体强化学习正处在大模型后训练的核心位置，但PPO太贵、GRPO又存在信用分配短板。本文提出SAPO，用一条自回归流同时搞定策略与价值估计，在ALFWorld和WebShop上比PPO/GRPO平均涨15.1/12.1个百分点，还省掉独立critic、提速33.2%。一句话：值估计的便宜和单采样的高效，这次全都要。
CVPR 2026南大&字节新作：AI终于记住你会变的口味，个性化暴涨22.4%
你的AI助手能记住你三个月前说过"最近改喝零度可乐"这种小事吗？还能看出你最近压力大、回答时自动把语气调到安静模式？南京大学和字节跳动这篇CVPR 2026工作，把"长期记忆+动态人格对齐"做成了完整框架，在自建基准上把GPT-4o都赢了，值得一看。
给LLM“乱打分”上保险！混合RL框架证明：奖励塑形不改变最优策略
这篇论文干了一件很“较真”的事：当大家都在用LLM给强化学习当“教练”时，它用数学证明了只要奖励塑形方式得当，教练再怎么“瞎指挥”，也改变不了最终的最优策略。不管是做LLM Agent还是RL的读者，都值得看看这份理论保障。
3B模型苹果芯片连挂5个bug，修复后agent任务完成率0%→30%
这年头能见到一篇"把大模型跑不起来的原因逐条列清楚"的论文，真不容易。研究者把Nanbeige4.2-3B在Apple Silicon上五个独立bug连根拔起，还顺手给出分块预填充方案让上下文扩展2.7倍，干货密度极高。想在Mac上玩agent模型的同学，这份排雷报告必须收藏。
