Anthropic最新研究：Claude Opus 4.7安全与能力双线升级
Anthropic这份系统卡很像一份“体检报告”：一边告诉读者 Claude Opus 4.7 在软件工程、长上下文、代理搜索上更能打，另一边把生物、网络、对齐风险也摊开讲清楚。好看的不是口号，是它把“能力提升”和“安全边界”一起量化了。
标签：Agent
共 137 篇
LLM开上太阳望远镜？JW-ASTClaw让自主观测真落地了
这篇论文最有意思的地方，不是“又一个大模型接了个工具”，而是它真的把大语言模型塞进了太阳望远镜的实时控制链路里，还跑在了中国日地空间环境监测网的实际设备上。它解决的不是玩具问题，而是云、风抖、活动区、快速耀斑响应这些会直接影响观测价值的真麻烦。
Apple Research新论文：遗忘前先删低影响点，最高省50%
这篇论文最有意思的地方，不是“能不能遗忘”，而是“遗忘前能不能先把没必要遗忘的删掉”。Apple Research 直接把机器遗忘做成了省算力工程，最高能省下约50%执行时间，思路很实在。
Qwen3.5-4B实证：RLVR界不再是空话
这篇论文最狠的地方，不是把RLVR讲明白了，而是第一次把“训练得不错”推进到“理论上也站得住”。更有意思的是，它不是空谈定理，而是拿出一条Progressive RLVR流水线，把压缩、蒸馏、量化一起拧上，真把泛化界做到了能看、能算、还能落地。
Qwen3-VL上新方法：技能库让多模态推理更稳更省
多模态Agent最尴尬的不是不会做题，而是做对一次后，下一次还得从头学一遍。SPyCE直接把成功轨迹蒸馏成可复用技能，并让技能和策略在训练中一起进化，思路很顺，实验也够硬。
PhysClaw-0：语言纠错让机器人采数据省84%人力
机器人采数据最怕“同一个坑反复踩”。PhysClaw-0把一次纠错变成后面都能复用的规则，省人力还不丢数据质量，属于很会过日子的机器人系统。
微软TRACE新作：Qwen3-4B长程搜索飙到35.6
长程智能体最怕的不是不会搜，而是搜了半天，最后谁也没记功。TRACE把这件事掰开揉碎，逐轮算账，适合想搞懂长程RL怎么训得更稳、更快的人。
清华SCALECUA把电脑智能体拉到68.7%，开源模型新纪录
这篇论文最值钱的不是单点技巧，而是把电脑智能体最卡脖子的三件事一次打通：题不够、采样不准、训练太慢。清华团队把可验证任务合成、前沿采样和视觉上下文分割拼成一条流水线，直接把开源模型推到 68.7%。
先锁模块再找代码：Apollo新方法把故障定位做细了
自动驾驶的故障定位，最烦的不是“系统报错”，而是“系统没报错但就是跑歪了”。这篇 HINT 直接把问题拆成两步：先锁模块，再找代码，思路很工程，也很实用。
中山大学新方法：设计知识图谱让前端代码更稳
前端仓库级代码生成最怕的不是“写不出来”，而是“写出来后把旧功能顺手搞坏”。这篇论文把设计知识、知识图谱和补丁式生成串成闭环，结果是更稳、更省 Token，也更像真正的工程开发。
反事实测试100%忠实：EG-VAR把幻觉拦在内核外
LLM会调用工具，不代表它就会老老实实认账。EG-VAR最狠的地方，不是“又接了个工具”，而是把证据、形式化、内核检查绑死，能证才给VERIFIED，证不出来就ABSTAIN。TableBench、反事实压力测试、端到端形式化误差，这套结果够硬。
反事实压力下仍100%忠实，LLM事实核验新范式
这篇论文最狠的地方，不是“答对了”，而是把“为什么答对”也一起钉死了。工具调用、逐源提升、Lean 4 内核三件套一上，LLM 的经验性胡说就不再是“看起来像对”，而是必须拿出可回放的证明。
