为了使代理能够在测试时持续地通过与世界的交互学习，它们必须有效探索、获取新知识与技能、保留相关经历并进行长时域规划。AgentOdyssey提出了一种新颖评估框架，程序化生成包含丰富实体和世界动态的开放式长时域文本游戏。此框架打破传统机器学习测试时不学习的假设，将学习与推理交错进行。评估方法不仅测量游戏进展，还涵盖世界知识获取、情节记忆、探索及动作多样性等诊断测试。实验显示代理存在关键能力限制，尽管性能随基础模型增强提升，但仍远低于人类水平。短期记忆被证明是多种代理范式的重要测试时训练组成部分。
这条 研究论文 信号说明，来自 arXiv cs.CL 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CL 发布了这条关于 研究论文 的更新：为了使代理能够在测试时持续地通过与世界的交互学习，它们必须有效探索、获取新知识与技能、保留相关经历并进行长时域规划。AgentOdyssey提出了一种新颖评估框架，程序化生成包含丰富实体和世界动态的开放式长时域文本游戏。此框架打破传统机器学习测试时不学习的假设，将学习与推理交错进行。评估方法不仅测量游戏进展，还涵盖世界知识获取、情节记忆、探索及动作多样性等诊断测试。实验显示代理存在关键能力限制，尽管性能随基础模型增强提升，但仍远低于人类水平。短期记忆被证明是多种代理范式的重要测试时训练组成部分。
AgentOdyssey为持续学习代理提供了一个极具挑战性的长时域、动态交互环境，突破传统评估框架的限制，更真实地反映了代理在实际环境中实时学习和适应能力。这有助于推动人工智能在长期规划和持续学习能力上的发展。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、agents 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
RIFT-Bench是一种基于图表示的新方法，针对自主决策的AI系统（由大型语言模型驱动），提供统一的安全评估框架。其分为发现系统结构和扫描自适应攻击两个自动化阶段，能够跨45个不同架构和实现的系统进行效果验证，并支持评估防御策略。该方法解决了传统安全评估局限于特定实现或领域的问题，实现了对异构自主AI系统的全面动态安全检测。
本文提出Neuro-Symbolic Drive，一种结合经典基于规则规划器推理轨迹与视觉语言代理（VLA）的驾驶框架。该方法利用规则规划器的执行轨迹和决策痕迹作为结构化监督，微调Qwen3.5-4B模型，使推理过程与运动规划因果连接。实验表明，该方法显著降低了平均距离误差和目标漏检率，提升了多摄像头感知下的驾驶性能。
本文探讨了“代理”及其构成，特别是在大型语言模型（LLM）兴起、被称为“编码代理”“AI共同科学家”等工具背景下的代理定义。文章梳理了AI代理的现状，从目标、身份、决策、自我调节和学习五个维度分析代理架构，强调真正的代理性需要这些结构内化于系统自身，而非依赖外部组成。区分了“代理性”系统（依赖外部工程流程）与“代理化”系统（内生能力包括社会交互），界定了自动化与自主性的边界。基于此，提出了通用代理模型——目标-身份-配置器（GIC）架构，融合分层目标分解、身份演进、基于世界模型的模拟推理、自我调节与自主学习。并讨论了拥有更大自主性的系统在审计、控制和安全方面的见解。