ServiceNow CoreAI 介绍 AutoSynthData，通过目标模型的失败和更强教师模型的成功，生成、验证并迭代企业智能体训练任务。该流程在 EnterpriseOps Gym Hybrid 环境中生成 2,000 个合成样本，使 Gemma-4-26B-A4B-it 的平均 Pass@1 提升 7.2 个百分点，验证器成功率从 63.01% 升至 68.55%。
推荐理由：文章给出了从模型失败中生成、验证并迭代训练任务的完整流程，并用 EnterpriseOps Gym 实验展示了合成数据对智能体训练的影响。
ProvenanceGuard 面向使用 MCP 多工具的 LLM 智能体，逐条检查回答中的事实是否由回答所指向的正确来源支持，而不是只判断事实是否存在于汇总证据中。
推荐理由：论文展示了在 MCP 多源场景中保留来源身份的验证方法，并用医疗智能体数据说明它如何减少错引来源，同时暴露相似来源区分的难点。
Google Research 介绍了一套基于 Gemini 和 Veo 的 AI 视频联合导演多智能体框架，用于自动规划多镜头叙事并减少角色、场景和物体状态漂移。框架包含 Co-Director、CANVAS、A²RD 和 VQQA，分别覆盖创意编排、视觉连续性、分钟级视频生成和闭环提示词优化，并在多个视频基准上报告了质量与一致性提升。
推荐理由：Google 将长视频生成拆解为创意编排、视觉记忆、时间扩展和闭环优化四个环节，展示了缓解跨镜头一致性问题的系统化路径。
Google Research 发布一项研究实验，利用面向学习优化的生成式 UI，帮助教师按课程目标创建定制的互动教育模拟。研究同时发布了 30 多个英文 STEM 学习互动内容，涵盖物理、化学、生物和数学，并由教师审核。实验包含迭代式生成、自我纠错和 Agent 式自动评估；一项涉及 12 名美国教师的初步研究中，互动内容质量平均评分为 8/10。
推荐理由：Google 以教师审核和教学护栏为核心，展示了 GenUI 如何生成可定制的 STEM 互动练习及其早期教师反馈。
Hugging Face Blog 介绍 ALTK-Evolve 的一致性指南，通过对已有轨迹的决策步骤进行重采样，定位容易翻转的决策点并生成可复用指南。
推荐理由：文章将平均成功率与重复运行的一致性区分开，并给出无需重跑任务即可定位不稳定决策点的方法与实测改进。
Google Research 在 ACL 2026 介绍 ToolGrad，通过先生成经验证的 API 工具链、再标注对应用户查询的 answer-first 范式生成工具使用数据。
推荐理由：ToolGrad 将工具链生成与用户查询标注拆开，并用文本反馈迭代 API 工作流，为降低工具使用数据的生成成本提供了可复用思路。
Google Research 介绍发表于 CHI 2026 的研究原型 AgentHands，它将 LLM 生成的 GestureEvents 与用户的 XR 环境、TTS 和手部动画同步，把语音指令转化为空间中的交互式手势。
METR 研究显示，AI 对网络安全漏洞发现带来显著加速，对数学研究仅有有限加速，而 AI 研究算法进展尚无可测量加速。SPADE 通过 LLM 自博弈交替生成可执行环境和解决任务，使用 Qwen3-4B-Instruct-2507、Qwen3-8B 与 Qwen3-30B-A3B-Instruct-2507 测试，在游戏环境中取得 58.3 的套件平均分，较基础模型高 8.1。
Google Research 介绍 Biomarker Discovery Framework，这是一个在人工监督下运行的多智能体系统，用于从可穿戴设备数据中迭代生成、分析和验证候选生物标志物。
推荐理由：文章展示了如何将多智能体协作、确定性统计计算与对抗验证结合，用于在可穿戴传感器数据中筛选候选生物标志物。
Hugging Face Blog 介绍 ALTK-Evolve 在八个模型上的评估，发现智能体记忆需要按模型能力校准，而不是一味累积。gpt-oss-120b 使用精选检索后任务完成率提升 +16.1pp，token 开销仅增加 +5%；DeepSeek-V3.2 使用完整指南集后任务完成率提升 +9.5pp，GLM-5 则未见可测增益。
推荐理由：文章用八个模型和 AppWorld 结果比较记忆注入策略，具体展示了不同能力模型如何校准记忆规模与推理成本。
Hugging Face 组织 1,221 名社区成员，在 19 天内用 coding agents 尝试复现 2,226 篇 ICML 2026 论文，发布 6,816 份 Trackio logbook，并由 GLM-5.2 对 35,908 条 claims 判定。
推荐理由：Hugging Face 公开了大规模论文复现实验的逐条判定与案例，具体呈现了智能体审计的边界及人工介入的作用。
Hugging Face Blog 介绍 ALTK-Evolve，并将其与 ACE 在 AppWorld 上进行对比。两者都从智能体历史轨迹中提取可复用经验而不更新模型权重，但 ACE 每步注入完整 playbook，ALTK-Evolve 按任务和模型能力选择性投递 guidelines。
推荐理由：文章对比了两种智能体记忆的构建与投递方式，并用 AppWorld 数据展示选择性检索如何在保持效果的同时减少推理 token。
Google Research 介绍 Science One Framework 和 Chain-of-Evidence（CoE）框架，通过证据链记录研究声明与论文、代码及实验结果的对应关系。
推荐理由：文章将自主科研系统的可验证性拆解为证据链完整性与正确性，并用统一审计比较了引用、代码和实验分数的一致性。
Berkeley AI Research 提出 ABBEL，通过自然语言信念状态替代完整交互历史，并用 belief grading 监督信念内容，以降低长时交互的上下文记忆开销。
推荐理由：ABBEL 将长交互中的摘要建模为可监督的自然语言信念状态，并用重构评分提升记忆效率，为协作编码等低数据场景提供了可迁移的训练思路。
Google Research 介绍 SymptomAI，一组用于日常症状访谈和鉴别诊断的实验性对话式 AI 智能体，并在 n=13,917 的随机研究中与临床专家评估进行比较。
推荐理由：这项大规模研究把日常症状对话、临床专家评估与 Fitbit 生理信号结合起来，呈现了 SymptomAI 在真实场景中的评估方法与边界。
Google Research 介绍 SensorFM，这一 Large Sensor Foundation Model 在五百万名参与者、超过一万亿分钟的多模态可穿戴传感器数据上预训练。
推荐理由：文章展示了 SensorFM 如何以大规模无标签可穿戴数据学习通用生理表征，并通过多任务评估和 Personal Health Agent 验证其适配价值。
Google DeepMind 介绍了研究人员如何使用 Co-Scientist 研究逆转细胞衰老的遗传因素。Co-Scientist 扫描数万篇论文，提出了 20 多个可测试的遗传因素，其中部分假设经实验验证可使细胞进入更年轻且整体功能改善的状态；它还将筛选数据结合文献的分析工作从最多六个月缩短至几天。
推荐理由：文章展示了 Co-Scientist 如何从文献中生成可测试的遗传因素，并将筛选数据分析从数月压缩到数天。
Stanford University School of Medicine 的 Gary Peltz 团队使用 Co-Scientist，从既有药物文献中提出三种肝纤维化候选药物，并与两种人工选药一同进行活体人类肝细胞实验。Co-Scientist 选出的三种药物中有两种阻断了纤维化并促进肝细胞再生，其中抗癌药 vorinostat 阻断了 91% 的相关损伤反应。
推荐理由：研究展示了 Co-Scientist 如何从既有药物文献中筛选候选，并通过人类肝细胞实验验证其发现。
Google Research介绍ReasoningBank，一种从Agent成功与失败经验中提炼结构化推理记忆、支持测试时自我演化的框架。
推荐理由：ReasoningBank同时利用成功与失败轨迹提炼可迁移的推理记忆，并用MaTTS连接记忆与探索，为持续改进Agent提供了具体框架。
Google Research 在 Transactions on Machine Learning Research 发表论文“Reasoning-Driven Synthetic Data Generation and Evaluation”，提出推理优先的 Simula 框架，从第一原则构建无需种子数据的合成数据集。
推荐理由：文章将合成数据生成重构为机制设计问题，展示如何分别控制覆盖度、多样性、复杂度与质量，为构建专业领域数据集提供可迁移框架。
Google Research 推出研究实验 Vantage，通过 AI avatars 模拟多方对话，帮助高中生和大学生练习并评估批判性思维、协作和创造性思维等未来技能。Vantage 使用 Executive LLM 动态引导对话，再由 AI Evaluator 按教育评估量规分析表现并生成技能图谱；与纽约大学专家评分的比较显示，其一致性接近专家评分之间的一致性。
推荐理由：Vantage把难以量化的协作与创造力置于可控对话中评估，并用人类专家对照验证了自动评分方法。
Google Research 介绍 ConvApparel 数据集与评估框架，用于衡量 LLM 用户模拟器与真实人类交互之间的现实性差距。该数据集包含超过 4,000 段人类与 AI 的多轮服饰购物对话，总计近 15,000 轮，并通过“Good”和“Bad”两个推荐智能体收集不同用户体验。
推荐理由：研究用双智能体数据和反事实验证评估用户模拟器，展示了统计拟合与面对未见挫折场景时适应能力之间的差异。