PAPER 01
Gym-Anything-RT：面向视觉语言智能体的实时交互环境扩展
Gym-Anything-RT: Scaling Real-Time Environments for Vision-Language Agents
作者： Pranjal Aggarwal, Sean Welleck
研究方向： Agent 基准评测与实时动态环境交互
核心问题： 现有智能体多在可充分思考的数学、软件工程或桌面任务上评测，缺乏对实时交互场景的系统评估；在这类场景中，环境状态可能在智能体推理甚至模型前向传播过程中变化。
方法与贡献： 提出 Gym-Anything-RT，用智能体流水线按实时交互所需的六类能力自动生成视觉小游戏环境，并支持同一游戏在实时、暂停或减速条件下进行受控对比。构建100个实时小游戏评测前沿视觉语言智能体，发现实时通过率远低于暂停时，且强智能体会写代码绕过实时感知与行动。
与 Agent 的关系： 直接评测视觉语言智能体在动态环境中的感知—行动闭环，属于计算机/设备使用与真实环境交互方向。
提交时间： 2026-10-27T17:13:05Z
原文： https://arxiv.org/abs/2610.37567v1
PAPER 02
TeamGym：面向分布式信息下 AI 智能体团队决策的训练场
TeamGym: A Gym for Team Decision-Making by AI Agents with Distributed Information
作者： Chanwoo Park, Jaywoong Jeong, Zachary Wojtowicz 等
研究方向： 多智能体协作、通信与团队决策训练
核心问题： AI 智能体主要在孤立环境中训练和评测，而真实决策常要求团队整合分散在各成员手中的信息。
方法与贡献： 构建基于法律、金融、医疗和软件工程语料的团队决策环境，并提出“关键信息”最小充分事实集方法，以控制信息分布并追踪智能体识别与整合关键信息的能力。利用最终决策损失进行强化学习训练，发现信息分散带来沟通差距、需自行检索又带来检索差距，训练可改善决策质量并诱发参与、发言选择与沟通上的协调行为。
与 Agent 的关系： 研究多智能体信息共享、通信与协作组织，并提供可训练的多智能体评测环境。
提交时间： 2026-10-27T17:15:54Z
原文： https://arxiv.org/abs/2610.37571v1
PAPER 03
Concordat：面向 LLM 智能体的类型化会话协议
Concordat: Typed Sessions for LLM Agents
作者： Milad Sikaroudi
研究方向： Agent 安全、授权与运行时可靠性保障
核心问题： LLM 智能体越来越多执行取消预订、退款、改账户等有后果的动作，但约束规则只写在提示词中，能否遵守取决于模型自身。
方法与贡献： 提出 Concordat Python 库，把智能体接口建模为有限状态协议（typestate 与会话类型），运行时只暴露当前状态合法的工具、在产生副作用前拒绝越权调用，人类保留决策只能被请求，并在交接间线性分摊 token 与工具调用预算；协议在定义时静态检查。在 tau-bench 航空任务中加入施压用户测试，标准智能体多次未获确认即执行变更，Concordat 智能体为零且任务成功率无显著差异。
与 Agent 的关系： 直接针对工具调用的授权边界与运行时可验证约束，属于 Agent 安全保障方向。
提交时间： 2026-10-27T16:00:26Z
原文： https://arxiv.org/abs/2610.37461v1
PAPER 04
从交互到能力：以任务推进作为 GUI 智能体的状态与监督
From Interaction to Capability: Task Advancement as State and Supervision for GUI Agents
作者： Ziyang Chen, Qian Li, Chengwei Qin
研究方向： GUI 智能体长期记忆与长程任务执行
核心问题： 长程跨应用 GUI 工作流中，智能体需要保留已获验证的行动结果并学习可复用操作，而有效操作往往与失败尝试交织在一起。
方法与贡献： 提出 Task Advancement Memory，把任务推进定义为可验证的任务进展：执行时以推进状态刻画已验证进展如何改变剩余目标，任务结束后对产生验证性局部结果的交互做抽象监督，学习保留输入、预期结果与验证条件之间的关系。在 MobileWorld 上仅推进状态即显著提升成功率，完整方法相对最强基线取得进一步相对增益并减少求解任务所需 token。
与 Agent 的关系： 聚焦长期记忆、上下文管理与长程任务中的进展保持和操作复用，属于 Agent 记忆方向。
提交时间： 2026-10-27T16:09:25Z
原文： https://arxiv.org/abs/2610.37482v1
PAPER 05
FeatureArc：评测编码智能体在演化特性上的能力
FeatureArc: Benchmarking Coding Agents on Evolving Features
作者： Yunlong Wang, Alyssa Wu, Cuiyun Gao 等
研究方向： 编码智能体长程任务基准与失败分析
核心问题： 多数特性基准仅在固定代码库上评测单次请求，无法考察智能体在自身早前代码上逐阶段扩展特性、并保持既有功能正确的长程能力。
方法与贡献： 提出 FeatureArc 基准及从仓库历史自动构建任务的流水线，包含阶段间依赖、显式需求与接口契约，以及覆盖四种编程语言的新行为 fail-to-pass 与旧行为 pass-to-pass 可执行检查。在73个2至10阶段任务上评测10个编码智能体，发现首阶段到整特性的成功率明显下降，失败后续阶段常源于继承缺陷，且这些早期错误大多未被智能体察觉。
与 Agent 的关系： 揭示长程任务中的错误累积、自我检查缺失与纠错失败，属于 Agent 基准评测与可靠性研究方向。
提交时间： 2026-10-27T15:45:50Z
原文： https://arxiv.org/abs/2610.37434v1
今日趋势
本次入选论文集中于智能体的评测与可靠性：实时动态环境交互、分布式信息下的团队决策、GUI 长程记忆、编码特性的多阶段演化，以及运行时协议级的安全约束。共同趋势是把评测从单轮、孤立、静态任务推向长程、动态、多智能体且带有真实副作用的场景，并强调记忆状态、协议约束等结构性机制而非仅依赖提示词或模型能力。多项工作显示，当前智能体在实时响应、跨成员信息整合和早前错误继承上仍存在显著缺口。
说明：本简报由 AI 根据论文标题和摘要进行筛选与概括，不代表已阅读论文全文；具体方法和实验结果请以原文为准。
