寻行业之脉
接真实之需

StepSafe: Learning Timely Intervention with Context-Aware Safety Reasoning

StepSafe 提出 ASPO 训练框架，将智能体安全护栏从轨迹级事后评估转为步级实时干预，通过前缀阶段对齐与自适应反馈自蒸馏，让模型判断风险何时累积到足以介入。在五个智能体安全基准上，4B 模型取得开源护栏最优的 Youden's J 53.0，兼顾安全与效用。

LEV: Thinking Fast and Deep with Looped Decision Models

LEV 是一种循环决策模型，通过重复运行层而非生成 token 来加深推理，单次前向即可对选项打分。同一权重下精度随循环深度提升，2.6B 模型在 JevBench 上从深度1的63.2%升至深度4的76.2%，并用小型停止器按需分配深度，节省15%-24%算力。

MAI-Gym: An Open All-in-One Platform for GUI Agent Evaluation and RL Training across Mobile and Computer Environments

MAI-Gym 是面向 GUI 智能体的开源一体化平台，统一移动端、桌面与网页环境的评测、数据采集和在线 RL 训练，支持万级并行环境与自动合成可验证任务。其训练的 9B 模型在 MobileWorld 与 OSWorld 上达开源同规模最优，且模拟应用训练可迁移到真机，显著降低 GUI 智能体训练成本。

RAC: A Relational Agent Contract for Constraint-Governed Engineering Tasks

RAC 提出一种与框架无关的工程智能体契约，将语义决策与机械推导分离：智能体只决定工件应满足的关系，具体几何/时序后果由专用工具推导并独立验证。在 PCB 布局布线、作业车间调度和嵌入式代码任务上，干净通过率显著优于基线，为约束驱动的工程智能体提供更可靠的行动与反馈层设计。

SkillNEO: Non-Elitist Evolutionary Optimization of Agent Skills

SkillNEO 提出非精英式进化优化方法，用于 LLM 智能体的技能迭代：允许低分版本继续被编辑，通过对比相关版本在同一任务上的表现，识别需保留的有效步骤与待修复的失败点，并可回溯修订旧版本。在 86 个 SkillsBench 任务上，将 GPT-5.4 Mini 平均奖励从 49.1% 提升至 66.4%，且生成的技能可迁移提升更强模型。

Defining and Generating Compositional Structure

该论文用算法信息论形式化定义组合结构：当部分合在一起时显现出单独建模无法捕捉的共享结构，即为组合性。作者用可计算近似反推该框架，直接优化字符串与图像以生成具有层级复用和部分-整体组织的对象，并讨论其对神经网络深度和组合数据课程设计的启示。

A Multi-Tiered AI Accessibility Model (MAIAM): Proportionate Access and Capability Limits for Comprehensive Frontier AI Safety

论文提出多层次AI可及性模型（MAIAM），主张按用途、安全与能力分级开放AI，而非简单二选一（API或开源权重）。分为学习、探索、全规模前沿三层，强调可及性应与能力、风险成比例，并指出开源前沿权重会丧失发布后的所有安全控制手段。

Anticipatory Commonsense with Moving Objects: An ASP-Based Framework for Predictive Reasoning with Interacting Trajectories

提出基于ASP的声明式框架，对动态环境中交互运动轨迹进行可解释的预期推理，融合ASP动力学建模、语义引导的分支轨迹预测与能量优化排序，在Argoverse 2上验证，相比端到端随机预测可给出可检查的事件级假设。

Evolving Together, Failing Apart: The Skill-Policy Co-evolution Trap in Self-Improving Agents

论文揭示自改进智能体的技能-策略协同演化陷阱：现有方法仅在训练所用技能库上评估，部署后技能漂移会导致策略失效。作者提出CODA评估协议，模拟技能漂移并引入一致性率与抗损坏率指标，实验显示最坏情况成功率比峰值低5-13分，抹去52-93%增益。

Confidence-Calibrated Inference Expansion for Evaluator-Guided Test-Time Reasoning

该论文将评估器引导的推理建模为计算感知的三动作控制器（信任答案、回退、继续扩展），通过预测答案成功率与基于 rollout 的续推成功率来打分，并显式计入算力成本。方法学习并校准动作级置信度，在宽度扩展与修订任务上提升效用，同时将在线算力分别降低约 30% 和 16%。

Temporal Specification Guidance for Text-to-Video Generation

该论文提出时序规范引导（TSG），将文本到视频生成中的顺序、时序与持续要求形式化为时序逻辑规范，在推理阶段无需训练即可将规范转化为可微目标，通过视频-文本注意力轨迹的梯度构造去噪方向，增强CFG。在220条提示上，五个模型的规范满足准确率提升9.5-20个百分点，内存开销极小。

A Self-Improving Agent that Grows its Own DSL: Oracle-Free Operator Induction for Exact Question Answering

该论文提出一种无需奖励、评判模型或答案键的自改进智能体：在精确DSL上运行内外双循环，内循环靠两个独立表达式一致才作答，外循环自主发现缺失能力并编写算子，仅当独立第二实现一致且满足守恒律时才接纳。实验显示其可三倍扩大可答问题集，并拒绝138/138个有缺陷算子变体，在业务账本与临床问答等新领域可自扩展十倍以上。

When Reasoning Traces Conflict with Evidence: How Answer Configuration Shapes Evidence Following

EvolvingBrain: An Adaptive Skill System for Multi-modal Agents Self-Evolution in Open Worlds

EvolvingBrain 提出自适应技能系统，让多模态智能体在开放世界中自我进化。它从轨迹中提取程序性与问题性模式，生成分层技能架构（领域、规划、动作/陷阱技能），并用结构化抽象记忆引导状态感知的技能融合。在 VAB-Minecraft 和 DiscoveryWorld 上提升成功率并展现泛化能力。

Open-world AI: a Tale of Three Requirements

论文提出开放世界AI的三项要求：推理时学习、丰富表征、预测性解耦，并预测需要一致的内学习器与长上下文。在8B语言模型上验证：满足要求的模型随相关任务数据积累而提升，其余则退化，规模与层交错无法修复。

ARIA: Runtime Inspection and Amendment for Multi-Agent Systems

ARIA 提出面向 LLM 多智能体系统的运行时检查与修正框架，将执行验证过的修复转化为可复用监督数据，训练小模型在任务执行中途识别错误并介入修正，避免事后诊断或反复重跑。构建了首个大规模失败轨迹与验证修复配对数据集（3953 对），可跨框架与宿主模型泛化。

When Reality Outpaces Cognition: A New Scaling Principle for Reliable Intelligence

论文提出「有效连贯认知速度」S_C^eff 这一新指标，衡量现实变化速度超过系统认知能力时智能体能否保持可靠行为。作者在固定算力下将现实速度提升至50倍测试强化学习智能体，发现受细胞机制启发的 Co^4 架构显著优于 Transformer 和门控 MLP 基线，为可靠 AI 提供新基准与扩展原则。

L2G-SR: Learning to Guide LLM-based Symbolic Regression

L2G-SR 提出用学习到的结构验证器引导基于 LLM 的符号回归搜索，利用树编辑距离构建结构监督信号，弥补纯数值误差偏好近似解而非正确结构的问题。在 LLM-SRBench 上取得数值拟合、方程级准确率和 TED 的最优结果，展示了结构引导对 LLM 符号回归的价值。