行业趋势

微软等发布Agent Lightning 1.0：6000条样本把编程智能体提升14.6个百分点

训练编程智能体时，真正执行工具、保存上下文和控制循环的往往是Agent框架，强化学习训练器却希望接管整条交互。微软、复旦大学、浙江大学、爱丁堡大学等机构发布Agent Lightning 1.0，让现有智能体继续掌管运行过程，训练侧通过模型

浙大&上交提出DAS：让智能体闭环写综述，30个主题总分拿下4.34

自动生成综述最容易出现的不是少写一篇论文，而是分类、论点、引用和段落之间彼此脱节。浙江大学、上海交通大学提出Deep Academic Survey（DAS），把论文分析与专题写作拆开，并用可回退的状态记录组织、写作和审校过程。

腾讯港科广等让AI从一句话搭3D世界，GPT-5.5等成功率仍低于60%

香港科技大学（广州）和腾讯联合提出VibeWorlding：用户用文字或图片描述场景，智能体自行理解意图、检索3D资产、调整布局，并根据多视角渲染结果继续修改。论文的6828条查询中，GPT-5.5和Qwen3.8-Max成功率都低于60%

北大京东等让机器人读说明书操作家电，7B模型开放规划超过最佳基线10倍

北京大学、北京航空航天大学和京东科技联合提出AppliancePlan，让机器人结合说明书、当前画面和操作状态规划家电任务。团队构建覆盖22类家电的数据集；论文报告，7B模型在RealAppliance-Bench开放规划上超过最佳基线10

蚂蚁清华等发布VideoGAIA：GPT-5.5等前沿模型看视频答题仍低于60%

香港中文大学、蚂蚁集团和清华大学等机构联合发布VideoGAIA，把视频问答从“看完选答案”改成多轮调查：模型要反复观察视频、调用外部工具、搜索开放世界信息并整合证据。271项任务中，包括GPT-5.5和Kimi-K3在内的所有受测模型准确

腾讯UI-Mate学会看一遍再操作电脑，一次示范让任务成功率从17.2%升至35.4%

腾讯Hy Frontier团队提出开源GUI智能体UI-Mate：用户先录一遍操作，它把录像整理成可复用的子任务流程，再对着实时屏幕执行。论文在OSWorkerBench的33项同任务示范子集中报告，一次示范将严格成功率从17.2%提高到3

Meta&牛津给AI科学家配“选题编辑”：15小时追平原本24小时研究进度

AI科研Agent可以一口气提出很多实验，但算力真正花在哪里，往往比想法数量更决定最终成绩。Meta FAIR、牛津大学、伦敦大学学院等团队提出Research Preference Models（RPM），专门比较候选研究动作并挑选更有希

华为推出ScienceFlow：AI科研Agent会回退重走，24小时拿下70.22%奖牌率

让AI连续研究24小时，真正棘手的不是多写几段代码，而是路线走偏后能否及时止损、保留好结果并从可靠节点重新出发。华为诺亚方舟实验室推出ScienceFlow，通过可执行状态快照、证据驱动回退和资源感知调度组织长时程科研Agent，在完整ML

AI边玩边写游戏规则：Twin通关179/183关，基础模型得分从7.8%升至93.3%

斯坦福大学、康奈尔大学等机构的研究者提出Twin。面对从未见过规则的小游戏，它让AI一边试玩、一边把观察到的状态变化写成可执行代码，为每个游戏建立“数字孪生”，先在内存中验证路线，再提交真正计分的动作。在ARC-AGI-3中，Twin总得分

星尘智能&清华等提出ART：机器人现场调用视觉工具，成功率提升20%

机器人遇到昏暗环境、透明物体或精细几何关系时，不一定要让一个大模型硬扛所有视觉难题。星尘智能、清华大学、香港中文大学等团队提出ART，让视觉—语言—动作模型在执行过程中按需调用分割、深度等外部视觉工具。基于3万条工具增强轨迹训练后，ART在

快手港中文推出PlayWorld：让AI亲自玩9个世界模型，长时空间一致性仍频频翻车

世界模型生成的视频可能每一帧都很漂亮，但让AI玩家转身、开门、绕一圈再回来，房间结构和物体状态还能对得上吗？快手、香港中文大学、香港大学和浙江大学推出PlayWorld，用Agent玩家在171个交互场景里实测9个世界模型，把评估从“看视频

牛津NUS提出OmniScientist：AI直接看图听音频做实验，36个案例全部写成论文

把胸片、鸟鸣、显微图、3D结构和运动轨迹交给AI，它能否不靠人类先整理成表格，直接提出假设、运行分析并写成论文？牛津大学与新加坡国立大学提出OmniScientist，在5个学科的36组真实数据上完成从感知到论文的全流程，直接读取原始模态的

美团北大清华等开源AutoDesign：40分钟把论文做成会议海报，成本不到3美元

把一篇长论文交给AI，它不仅能排出一张会议海报，还会像设计团队一样反复预览、找错、局部修改。美团、北京大学、清华大学、上海交通大学、香港中文大学等团队开源AutoDesign：一次完整运行约40分钟，调用工具253次、完成11次有效编辑，A

阿里通义等提出AVA-Encoder：把电影拆成知识图谱，视频Agent可直接查询和编辑

阿里通义、上海科技大学、香港科技大学等团队提出AVA-Encoder，把视频编码成知识图谱，再从图谱重建回视频。图中的文本节点记录镜头层级、状态和剧情信息，资产层链接图像、音频与视频，Agent可以查询人物、定位片段或修改关系，而不必每次重

快手开源TRACE Bench：测角色扮演AI不再只给总分，99.91%设定逐条核验

一个模型扮演游戏角色得82分，究竟是忘了世界观、说错人物关系，还是没有完成玩家交代的目标？快手GameMind Lab开源TRACE Bench，把角色设定提前拆成固定检查表，再用用户Agent对话并保存逐轮证据。它在更少对话轮次中覆盖99

东大把秋叶原85条街搬进360CityArena，Gemini导航得分仅17.1%

东京大学团队提出360CityArena，用602段360度视频重建东京秋叶原的85条街道，为具身Agent准备了175项城市探索任务。环境保留商店招牌、路口、楼宇和密集街景，不是用简化3D模型搭的规整迷宫。

清华等提出CAP：420项跨站任务，最强商用浏览器Agent完整成功率仅6%

清华大学、澳门科技大学、东南大学、爱丁堡大学和FellouAI等团队提出浏览器Agent基准CAP。它不只检查Agent能否打开页面并点击按钮，而是要求跨多个网站完成长流程，处理复杂控件和动态视觉内容。

Google DeepMind发表ResidencyRL，临床AI在模拟问诊中获87.6%医生偏好

医疗AI在一道选择题上答对，不代表它能完成一次真正的接诊。Google DeepMind联合多家医院提出ResidencyRL，让模型在最长60轮对话、最多8次工具调用的模拟门诊中练习问诊、检查、诊断、治疗和记录。在97个病例的医生盲评中，

谷歌WebRider揭开网页智能体假完成：99.2%交差，只有38.8%守规矩

网页智能体点完几下按钮，再返回一句“任务完成”，并不代表它真的按用户要求做对了。谷歌与加州大学洛杉矶分校推出WebRider，在42个真实网站上构造4096份可检查的“意图合同”。最强配置有99.2%的任务能够正常停机，但同时满足全部合同门

智能体走对100步，奖励该算给哪一步？AgentOPSD把信用分到每轮

智能体完成一段几十轮任务后只得到成功或失败总分，训练算法往往把同一奖励广播给每一步，难以区分真正扭转结果的动作。清华大学、浙江大学和美团提出AgentOPSD，把信用重新分配到每一轮。