Beakpoint-Insights/roost
【GitHub】从规范出发贯穿整个开发流程：编程 Agent 将想法推进到发布，关键决策由用户掌握，而不只是生成代码。 当前 4 星；创建时间：2026-10-26T13:55:37Z。
EvalResearchBench: Can AI Agents Build Their Own Feedback for Recursive Self-Improvement?
递归自我改善（ RSI ）依赖于评估反馈来评估进展并指导进一步的研究，但反复运行复杂的基准代价高昂，并降低了迭代速度。人类专家通过选择基准子集或设计紧凑型套件来降低成本。我们询问AI 智能体是否可以自动化此设计过程，并引入EvalResearchBench （ ERB ） ，这是自主评估研究的基准。
ToM2Vec: Continuous Theory-of-Mind Tokens for Multi-Agent Coordination
形成准确的心智理论（ ToM ）是多智能体协作成功的关键，需要在不确定性下进行推理，以捕捉多个可能的合作伙伴状态。这在大型语言模型（ LLM ）代理的原生文本表示空间中很难做到，因为它们更容易描述单个合作伙伴状态。
GBClaw: An agentic AI framework for atomistic grain boundary research and mechanistic discovery
【arXiv】代理人工智能（ AI ）系统在材料发现和设计的复杂工作流程自动化方面拥有巨大的潜力，但将其扩展到领域密集型机械研究仍然具有挑战性。在这里，我们展示GBClaw ，一个
Into the Unknown: Benchmarking AI agents on open scientific research problems
人工智能代理能否对开放的科学问题进行研究？我们介绍了Into the Unknown ，这是一个基准，它为智能体提供了一篇科学论文以及要追求的研究方向，并要求其撰写后续论文。我们与美国能源部（ DOE ）国家实验室的科学家合作，他们每个人都从自己的工作中贡献了一个未发表的后续指导，以及提交必须满足的必要条件。
JevAgentHarness: Benchmarking, Deploying and Training Decision Models That Share Control with LLMs
大型语言模型（ LLM ）代理现在修复软件，操作计算机和服务客户，但它们的 harness，运行它们的程序，在每一步都会调用大型LLM ，这使得长时间的任务变得缓慢而昂贵。大多数调用以多项选择决策结束，例如接下来调用哪个工具。
SoftwareGym: Scaling Computer-Use Agent Training with Diverse Synthesized Software Environments
计算机使用代理（ CUA ）正在迅速改进，但大规模合成多样化和可靠的软件环境仍然具有挑战性。本机应用程序环境需要大量的构建和集成工作，这限制了应用程序的覆盖范围，并增加了特定于应用程序的过度拟合的风险。
Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning
【arXiv】随着代理处理更长、更复杂的问题，控制执行本身就成为一项任务。运行中的每一步都会带来新的控制选择，例如在哪些部分工作的基础上进行，是否重新开始，或何时停止。我们介绍
AgentWorld: Benchmarking Long-Horizon Collaboration of Multi-agent LLMs
现有的多代理基准主要在竞争环境中进行测试，在20个步骤下进行短期互动，或者只是汇总个人绩效，未能隔离和突出基于LLM的代理的真正协作能力。我们引入了AgentWorld ，这是一个包含100个人工注释任务（包含100个增强变体）的基准，用于评估长期多Agent协作。
AgentKernel: The Trust-Native Agentic Operating System
Modern AI agents routinely cross trust boundaries: they ingest untrusted content, combine it with privileged instructions, persist intermediate beliefs in long-term memory, and invoke privileged tools. This creates an attack surface in which malicious payloads can enter through model inputs and cause harmful tool actions.