行业趋势

网页会搜、SQL会写，顶级AI合起来却只过一半

Snowflake AI Research、休斯敦大学、加州大学洛杉矶分校、香港大学等机构的研究团队制作HybridDeepResearch，让AI必须同时查网页和SQL数据库才能回答380道题。GLM-5.2、Claude Sonnet

阿里等把智能体记忆砍半，性能还留99.7%、检索快2.24倍

上海交通大学、上海人工智能实验室、阿里巴巴、清华大学联合提出MemForest，把智能体历史记忆按事件组织成树，再逐步合并重复节点。M3-Agent在两项多模态基准上压缩50%记忆后保留99.7%表现，检索加速2.24倍。比例是论文五套基准

测试写错还不如不测：微软等让代码智能体修复率冲到72.6%

威斯康星大学麦迪逊分校、微软研究院、佐治亚理工学院联合提出ExecCritic，把代码测试和源码修复交给两个分别训练的Qwen角色。两者组合在SWE-bench Verified解决72.6%的任务，比原始无测试基线高11.4个百分点；但质

只花27.72美元，AI在15轮内打破10项圆堆积纪录

Practical Systems团队用一个可验证的LLM程序进化循环改写圆堆积求解器，在15轮内以27.72美元模型调用成本，改进Packomania中N=101至114范围的10项已知纪录。结果由零容差检查并被数据库接受，但只针对可变半

24小时视频压缩26.1倍，南大华为让机器人记住物体去向

南京大学、华为、天津大学与不列颠哥伦比亚大学团队提出语言轨迹编码LTE，把长视频中的物体位置、状态与语义压成可查询记忆。论文报告8.7至26.1倍压缩，24小时视频查询低于1秒；但在SMB上的两类成功率只有45.3%和48.7%，长时记忆远

电脑智能体少点57%步骤，交大浙大让GUI和命令行一起干活

上海交通大学与浙江大学团队提出CUA-Universe，让同一个电脑智能体在图形界面与命令行之间选择操作。9B模型在OSWorld上的成功率提升16.8个百分点，同时步骤减少57%。结果来自特定虚拟机应用和基准任务，说明混合工具有效，但不等

阿里通义把代码智能体轨迹还原成3.73万个环境，多轮成绩提升13.8分

阿里通义、清华大学提出Terminal-Universe，把代码智能体留下的一次性操作轨迹还原成可重复运行的终端环境。系统从公开轨迹构建3.73万个环境，训练Qwen3.5-27B后，单轮与多轮基准分别提升11.9和13.8分；恢复过程包含

Adobe等让AI给生成视频查物理错误，304条缺陷解释了228条

Adobe Research、卡内基梅隆大学、佐治亚理工学院、东北大学等机构提出VeriPhy，逐条检查生成视频违反了哪项物理要求、错误出现在何时。149段核心视频含304条人工缺陷，它解释了228条，对比评测器为164条；同骨干直接提示也

北大联合MemoraX推出GraphMemix：以"证据森林"重塑多模态Agent的长期记忆架构

北京大学王选计算机研究所与MemoraX AI联合提出GraphMemix，将长期多模态记忆检索重构为查询驱动的“证据森林”组合优化，在四项基准上取得61.55%的平均Judge Accuracy。

百度让网页AI边运行边改：9B模型做到57.52%，超过万亿参数方案

百度、华中科技大学联合提出RILA，让网页生成智能体把代码放进真实浏览器运行，重放参考操作后再按错误反馈修改。配套训练流程把Qwen3.5-9B在IWR-Bench上的得分从40.40%提高到57.52%，高于论文所测的Kimi-K2.6和

AI看一遍折纸视频，生成可执行程序，完整序列完成率100%

魏茨曼科学研究所、麻省理工学院提出FoldingAgent，让视觉语言模型从折纸演示视频反推出可执行的参数化折叠程序。在PurelandFold基准上，完整序列完成率为100%，已完成步骤的编译成功率为96%。

腾讯微信AI测试7款前沿模型：方案大多可行，最优率最高仅38.61%

腾讯微信AI与南加州大学提出AlgoWorlds，用240个可验证环境测试工具智能体能否做出全局最优决策。七款前沿模型大多能提交可行方案，但表现最好的Claude Opus 4.8精确最优率也只有38.61%。

快手等让长视频智能体从制作记录里自我改进，复审调用降37%

同济大学、快手科技和复旦大学提出CineForge，让长视频制作智能体从一次次完整制作记录中提炼可复用策略。经过跨故事演化后，CineScope-Metric由4.024提高到4.380，在新故事上的复审大模型调用减少37.0%。

浙大、苹果把2万篇论文变成训练场，8B模型一项测试超过Kimi K2.6

浙江大学和苹果提出PaperGym，把每篇论文转成一套研究计划训练环境，并发布2万条实例。按同一训练方案得到的Qwen3-8B在ResearchQA上达到73.48，高于论文所列的更大模型Kimi K2.6；这一比较只对应单项评测，不代表综

阿里让18款大模型经营一年网店，10万启动金最高变143万

阿里巴巴通义千问团队、香港科技大学和淘宝天猫集团推出E-Commerce Bench，让18款前沿大模型从10万元启动资金出发，连续经营365天线上商店。GPT-5.6 Sol的年末资产最高，均值达到1431425元，但它在欺诈规避维度只排

谷歌等让AI反复改论文图，质量提升最高18.6分

谷歌、北京大学、加州大学洛杉矶分校和伊利诺伊大学厄巴纳-香槟分校联合提出PaperBanana-Interact，让AI像设计协作者一样根据作者反馈反复修改论文图。与多轮基线相比，系统的质量分提高11.9至18.6分，遗忘旧要求的分数下降3

阿里让AI直接写出可编辑电商广告，设计图变成可执行代码

输入商品图、卖点文案和尺寸要求，模型不再输出一张难修改的扁平图片，而是直接写出可渲染的HTML/CSS广告。阿里巴巴、同济大学等机构提出CommerceVibe，让商品图片保持原样引用，文字以原生元素存在，运营人员可以继续换图、改字和调整布

75.9%真实任务不是一句话说完，小米北大让智能体学会追问

智能体训练常把任务写成一条信息完整的指令，真实用户却会追加条件、改变方向，看到工具结果后再指出错误。对1.6万条真实会话的分析显示，75.9%包含两轮或更多用户发言，多轮会话的用户发言中位数达到10轮。

上交&BIGAI提出ASIL：软件智能体从截图点击转向结构化操作

软件智能体常靠截图理解界面，再模拟鼠标点击和键盘输入。上海交通大学、北京通用人工智能研究院提出Agent-Software Interaction Layer，即ASIL，用结构化JSON状态替代像素观察，用可执行语义动作替代坐标点击。

北理工提出ESRP：让机器人只看第一视角重排5400组房间

给机器人一张目标房间的俯视布局，它需要从第一视角找到家具、抓起、搬运并摆到正确位置。北京理工大学提出具身场景重排规划ESRP，并构建ESRP-Bench，包含超过5400组初始—目标场景和8200个物体。