深度精读 AMD 与南方科技大学合作的 arXiv 2026 论文 AsmEvo：当 GPU 内核源码不可得、部署二进制是唯一行为基准时，用智能体直接在汇编级优化已编译的 AMDGPU code object。恢复可重汇编表示、profiling 定位热窗编辑、ABI 保持重建、差分验证门控接受，在 MI308X 上让 30 个 KernelBench 内核中的 29 个提速，几何均值 1.35 倍、最大 3.88 倍；MI300X 生产负载（AITer、vLLM、SGLang）全部提升且全程保持功能等价。
深度精读 AUSO 论文——中科大 × UNSW × 国科大 × 西交利物浦跨国合作提出的动作级统一技能优化框架。从技能角色随策略演化而变化的洞察出发，拆解任务级路由的噪声困境与轨迹内技能效应异质性问题，详解三阶段渐进优化（师从内化 → 结果探索 → 双上下文动作级利用）、JSD 信息增益信号与不确定性门控的设计逻辑，结合 ALFWorld / WebShop / SearchQA 三基准与五组件消融的证据链，反推出干预粒度下沉、生命周期感知训练、双上下文自对照三条通用性灵感。
AutoSaddler（Microsoft × POSTECH × KAIST × 南方科技大学）把 Agent harness（提示词/工具/中间件）的优化形式化为离线 mini-batch 学习问题：深度诊断 Agent 读执行轨迹定位根因、生成结构化 patch（Prompt/Tool/Middleware 三类九子型）、Reflection 提炼经验存入 EvoDAG 进化图、泛化感知选择防过拟合。GAIA2 +9.0pp、SWE-Bench Pro +9.6pp、Terminal-Bench 2.0 +10.0pp 全面超越人工与自动基线，且学习轨迹只需最强基线的 1/10。
深度精读港中深与西安交大团队的微服务根因分析（RCA）轨迹级研究。指出现有评测只看“是否定位到责任服务”的终点指标，无法揭示诊断证据与故障传播路径。作者人工标注服务级故障传播路径，对齐分析3500条智能体诊断轨迹，发现答案正确性与诊断质量脱节，并将错误诊断归结为三类证据处理失败，进而设计DIAGGUARD两段防御（前置grounding+后置verification），在跨模型、跨基准、跨拓扑的独立验证集上把Acc@1从43.5%提升到52.5%。
ERPO（阿里 AMAP × 西安交大 × 京东 × 北师大 × NUS 五机构产学研）重新定位了 LLM 强化学习训练崩溃的根源：不是策略（动作）分布漂移，而是策略诱导的查询分布漂移改变了有效训练环境。它把 KL 正则化从动作侧移到输入侧，Query-KL 的梯度严格不流经响应分布，从而在不牺牲探索的前提下根治高温解码崩溃——32B 模型在 T=1.5 下 GRPO 只剩 25.2%，ERPO 保持 80.8%。
CatchBench（USC，PyOD 作者 Yue Zhao）构建了首个在 PRE（运行前声明配置）/LIVE（运行中轨迹前缀）/POST（运行后完整轨迹）三种信息状态下统一评分 Agent 审计方法的竞技场：9 个计分板、72 个方法。它最大的贡献是方法学自律——公开每条标签的生成方式从而暴露自身语料的捷径（injecagent 源仅凭声明顺序即 F1=1.000）、给注入故障设’可采性门槛’、并如实发表 71/118 个无法分离的对比。‘分数在标签过程公开并检验其捷径之前不可解释’，这是对所有基准的警世恒言。
北大×BIGAI 提出 ContinualSkillBench，首次系统回答「Agent 技能库能否自主进化」：五个领域各 100 个按难度与技能依赖排序的关联子任务，三回合协议让 Codex CLI 与 Claude Code 在执行-反馈-反思中自建技能。15 组模型-领域设置中 14 组顺序执行提升归一化奖励（整体相对 +16.9%），但关键对照实验揭示：纯 ICL（不维护显式技能）平均 0.605 vs 显式技能 0.602，几乎无差异——顺序收益大部分来自保留上下文与反馈适应而非可复用技能抽象；且弱模型（GPT-4o）堆积 384 个碎片化技能，远多于强模型（GPT-5.3-Codex）的 205 个。
深度精读HKUST(GZ)与清华大学合著的DataSpace基准：把数据智能体放进散落着数据库、CSV、长PDF与视频的异构工作区，要求其返回完整表格并通过确定性评测。410个跨语言任务、7439个工件、15.01GB规模下，六前沿模型×五智能体框架的最好成绩仅66.34%，换框架即拉差15.36点，视频证据与join是所有模型的共同短板。该基准同时是KDD Cup 2026数据智能体赛道的官方评测。
Risa（复旦大学）首次把稀疏 MoE 模型的原生路由轨迹用作软件 Agent 测试时扩展的’行为坐标系’：把每层每 token 的专家路由权重积分成路由指纹，探索阶段选与历史最不相似的候选（disagree to explore），写补丁阶段在同伴收敛处提交，跨尝试仲裁取’决策 token’上一致性最高者（agree to commit）。SWE-bench Verified 宏平均 44.9%→48.2%，跨家族迁移到 Qwen3.6 仍 +3.5pp——全程无需外部 judge、无需测试执行。
深度精读新加坡国立大学 COTA 论文——用一个 0.5B 的微型比较器干预 8B 到 284B 的 LLM Agent。核心思想是把干预任务从「评估动作绝对价值」降维成「判断两个动作哪个更好」：配对比较加上建设性建议，九组实验全部提升，Qwen3-8B 在 WebShop 上从 0.3960 涨到 0.5630；而绝对 Q 评分加强制执行的组合只有 2%-9%，两要素缺一不可。