★ 3
SolveBind 框架助 GUI 智能体突破验证码验证壁垒
研究提出受保护 GUI 环境概念，指出正确解出验证码不等于端到端完成任务。SolveBind 将验证拆解为感知、定位、求解、执行、核验五级求解树，并加入运行时监督与恢复预算。在九类验证码任务与九个骨干模型上，八个骨干取得最高成功率，较最强基线高 13.3 至 34.5 个百分点。
arXiv cs.AI6 天前
#智能体框架
共 21 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
研究：前沿模型自建 ARC-AGI-3 智能体框架，两次修订仅提升 2.8 分
论文让前沿模型自行构建并两次改写任务 harness，在 ARC-AGI-3 的 20 个留出游戏上评估。27 条谱系中性能从零到接近满分，但两次修订平均仅提升 2.80 点 RHAE，开发集增益明显高估留出表现。结果表明自主构建 harness 与可靠自适应之间仍有明显差距。
arXiv cs.AI9 天前
★ 3
Harness-Delta 归因：智能体框架进化增益中 54% 来自过拟合
论文提出 Harness-Delta Attribution（HDA）评估协议，将智能体框架进化的性能增益拆分为过拟合、测试时扩展与残余可泛化部分。在 11 个执行模型与 3 个框架、21 个显著提升设置中，过拟合与测试时扩展平均分别占增益 54% 和 14%，且搜索集增益常无法迁移到留出任务。
arXiv cs.AI12 天前
★ 3
Self-HPO：编码智能体通过框架与策略协同自进化
论文提出 Self-HPO 递归自改进框架，交替优化编码智能体的 harness（交互框架）与策略模型，由当前策略分析自身失败并提出新 harness 候选，再在选定 harness 下用强化学习更新策略。在三个编码基准上均优于仅优化 harness 或仅优化策略的基线，将 Qwen3.5-35B…
arXiv NLP13 天前
★ 3
PANINI-DR：基于生成语义工作区的可控深度研究框架
研究者提出 PANINI-DR 多智能体框架，将整体研究协调与单个子问题的研究与验证分离，用基于生成语义工作区的共享空间记录子问题、依赖、发现与证据。在 BrowseComp-Plus、FRAMES、MoNaCo 上平均表现最佳，BrowseComp-Plus 准确率 73.3%，领先次优框架 1…
arXiv NLP18 天前
★ 3
Evo² 框架发布：权重与 Harness 协同自进化智能体
研究者提出 Evo²，一个让智能体模型权重与 Harness（提示、工具、上下文、执行反馈）协同自进化的框架。Harness 更新采用单一策略兼任 Proposer 与 Reflector 的双角色流水线，权重更新则由 Harness 修改及其执行结果驱动，并配套 EvoTIDE 训练流程（SFT…
arXiv NLP20 天前
★ 3
论文提出LongHarness：状态化证据管理实现亿级Token语料推理
arXiv论文提出LongHarness，一个模型无关的智能体框架，通过证据-结论协同演化与证据生命周期管理，解决无界探索与证据状态漂移问题。在OfficeQA Pro V1/V2等基准上，GLM-5.3-Flash精确匹配从15.8%提升至60.2%，超越Claude Code与Codex。
arXiv cs.AI20 天前
★ 3
CUAWright：面向数字智能体的极简统一接口
论文提出CUAWright，一个约3000行代码的极简终端框架，以bash命令作为唯一动作接口，用文件系统作为动态创建工具和管理上下文的可演化空间。在OSWorld 2.0上相比GPT-5.5基线部分奖励相对提升33.2%、成本降低37.5%；在Online-Mind2Web和长程Odysseys…
arXiv cs.AI26 天前
★ 3
VERSE：面向智能体框架的验证式自进化优化器
论文提出 VERSE，一种面向 LLM 智能体框架（harness）的验证式自进化优化器。研究发现，优化器自进化若缺乏基于执行的验证反而无益，而加入验证后效果最佳。VERSE 允许优化器在提交前测试草稿修改、回放失败案例并扰动可疑步骤，同时追踪修复与回归。在 SWE-rebench 及五种语言的分…
arXiv cs.AI27 天前
★ 3
最佳智能体框架榜单收录167个项目
一份收录167个AI智能体框架与编排工具的榜单发布，按框架关注度与活跃度每周重新评分。榜单强调框架质量对智能体落地的影响，并引用SWE-bench Pro数据显示更换框架对通过率的提升可超过模型升级。
Hacker News – AI31 天前
★ 3
MILO：多智能体进化自动发现智能体框架
论文提出MILO框架，通过岛屿式元进化编排协同进化智能体执行框架与其搜索策略，利用层级谱系记忆、岛屿变异智能体和编排器自适应调整搜索。在Terminal-Bench 2.1、PaperBench和DeepSWE上超越八个先进框架与六种搜索方法，并在EinsteinArena开放问题上改进多个已知上…
arXiv cs.LG31 天前
★ 3
Hermes：学习上下文推理解锁测试时扩展
论文提出 Hermes 系列可配置测试框架，逐步将上下文分配与复用决策权交给模型，并配套 Hermes-Learn 两阶段学习框架。研究发现强模型可利用该灵活性随推理算力扩展，而小型开源模型初期难以做到，经 Hermes-Learn 训练后可缩小差距。所得自适应上下文推理策略可跨基准与模型泛化，并…
arXiv cs.LG31 天前
★ 3
反思-修订-复用：GUI智能体的免训练技能进化
论文提出EvoSkill-GUI，让GUI智能体在部署时无需额外训练即可根据执行反馈修订技能。技能以结构化多文件包形式存在，通过反思-修订-复用循环迭代。在MobileWorld、AndroidWorld、OSWorld三大基准上分别最高提升16.2%、6.0%、10.5%。
arXiv cs.LG45 天前
★ 3
HarnessTax：脚手架对编程智能体影响几何
一项研究探讨智能体运行框架（harness）对编程智能体性能的实际影响，量化不同脚手架带来的成本与效果差异。结论有助于开发者理解框架选型对编码任务表现的关键作用。
Hacker News46 天前
★ 3
字节Seed发布HarnessDev基准：LLM自建智能体框架仅半数改进可泛化
字节Seed联合SUTD、佐治亚理工等推出HarnessDev基准，评估模型自建的智能体运行框架而非最终答案。6个模型在5个基准、2207个任务上从零分种子出发构建并迭代框架，自建框架在写作和ML实验上追平人类参考，但在代码与搜索上落后，且64项演化改动中仅34项在留出任务上方向一致。
MarkTechPost51 天前
★ 2
DiscernMem：多智能体记忆精炼与使用时机框架
研究者提出 DiscernMem，一个免训练框架，用于提升 LLM 多智能体系统的记忆质量与使用判断。其中缺陷感知记忆精炼（DMR）诊断并修复记忆规则缺陷，边界学习元记忆（BLM）学习何时该用或避开某条记忆。在 Qwen3-4B-Instruct-2507 上于 AutoGen、CAMEL、Mac…
arXiv cs.AI4 天前
★ 2
RAC：面向约束工程任务的智能体关系契约
论文提出 RAC，一种与执行框架无关的工程智能体动作与反馈契约，规定权威观测、语义动作、工具实现、独立验证与修复证据。在 PCB 布局、布线与修复任务上，RAC 在九个模型上平均清洁通过率达 90.9%，优于最强基线 74.0%；在作业车间调度中直接关系动作质量通过率 96.3%，远高于代码中介的…
arXiv cs.AI16 天前
★ 2
Golem：纯Go智能体框架
开发者发布Golem，一个零依赖、类型安全的纯Go AI智能体框架。它提供编译期类型安全、显式执行控制与深度MCP集成，支持OpenAI、Anthropic、Gemini、Bedrock及本地模型，面向生产级Go工程场景。
Hacker News – AI26 天前
★ 2
SHarP：基于显著性的智能体框架剪枝
论文将神经网络剪枝思想引入智能体框架，提出SHarP（基于显著性的框架剪枝），通过逐个禁用工具、指令与支撑机制模块，评估其对任务性能与token成本的影响，剪除贡献最小或开销最大的模块。在多个框架的留出验证集上发现，多数框架高度冗余，剪除相当比例模块后仍能维持相近的性能与效率，为智能体框架设计提供…
arXiv cs.AI26 天前
★ 2
Plurnk：面向本地AI智能体的轻量框架
开发者发布自研AI智能体框架Plurnk，主打在16GB显存的RTX 5070Ti等弱硬件上运行。其特色包括模型自主策展上下文、ANTLR语法驱动的动词集、伪URI资源寻址、基于tree-sitter的代码图检索，以及MCP2、AG-UI、A2A等标准接口。
Hacker News – AI47 天前
★ 2
RobustSGPO：面向智能体框架演化的搜索空间控制
论文针对语义梯度提示优化（SGPO）在编辑范围与操作选择上缺乏明确规则的问题，提出 RobustSGPO，明确请求的编辑、构建并检查补丁，并从当前方案或保留快照继续搜索。在 AgentX 头脑风暴工作流上以120个任务、95次运行、7350次候选尝试评估权限调度、累积控制与任务族迁移。结果显示周期…
arXiv cs.AI52 天前