← 最新论文日报
10月2日· 周五
arXiv 论文日报
智能体长跑与评测
今天最值得关注的是智能体长期运行与评测可靠性：ReLiveGym 和 DAYJOB 分别从数周重放和长周期专业任务检验智能体耐力，而 Agent 评测可靠性研究揭示排行榜受脚手架影响，增加任务未必可靠。此外，记忆系统 LabBook 与 MemFit 为长程智能体提供高效历史利用方案。
📄 10 篇精选</> 6 篇带代码🏆 1 篇 SOTA
📈 趋势速览智能体研究正从短任务转向长周期、真实场景的持久运行，ReLiveGym、DAYJOB 等基准强调数周级自主性；同时评测可靠性争议升温，模型-框架交互和脚手架效应被系统审视；记忆系统 LabBook、MemFit 聚焦高效历史利用，支撑长期智能体。
1
Kepler: Auditable World Models for ARC-AGI-3
💡 可执行世界模型满分通关ARC-AGI-3，可审计性突出。
智能体
2
FutureWorlds: Learning Robotic World Models from Alternative Futures
💡 多未来预测学习提升机器人世界模型泛化。
机器人
3
4
GUI-HARVEST: Self-Improving GUI Agents through Evidence-Driven Harness Evolution
💡 证据驱动框架进化让GUI智能体自我改进。
智能体
5
Finding the Right Fit: Model-Harness Interactions across Agent Tasks
💡 揭示模型排名因框架反转，选型需看组合。
智能体
6
ReLiveGym: Evaluating Long-Lived Agents over Weeks of Replayed Reality
💡 数周重放现实评测长期存活智能体，填补空白。
智能体
7
LabBook: Harnessing Experimental History for Efficient LLM-Driven Discovery
💡 实验历史记忆机制避免上下文冗余，加速科学发现。
智能体
8
9
DAYJOB：长周期专业工作基准测试
专业工作基准
DAYJOB: A Benchmark for Long-Horizon Professional Work
💡 130个医疗金融长任务考验专业工作能力。
智能体
10
Agent Evaluation Reliability: More Tasks Won't (Always) Fix An Agent Leaderboard
💡 指出增加任务未必提升评测可靠性，需区分模型与部署。
智能体
生成于 09:31 · 来源 arXiv · AI 编排
往期日报
2026 年 10 月
9 日扩散蒸馏与智能体自进化（10 篇）8 日智能体与极低比特量化双热（10 篇）7 日智能体安全与效率并进（10 篇）6 日智能体与生成新突破（10 篇）2 日智能体长跑与评测（10 篇）1 日智能体重构系统底座（2 篇）2026 年 9 月
19 日智能体安全与记忆升温（10 篇）18 日多模态与机器人学习升温（6 篇）16 日智能体安全与推理优化（7 篇）11 日世界模型与智能体双线升温（9 篇）10 日智能体与机器人新突破（10 篇）5 日基准革新与智能体评测（10 篇）4 日网页智能体与视频世界模型双突破（2 篇）3 日智能体学习与多模态协同升温（10 篇）2 日智能体、扩散与语音新突破（3 篇）