BrowseComp+
PulseAugur coverage of BrowseComp+ — every cluster mentioning BrowseComp+ across labs, papers, and developer communities, ranked by signal.
- instance of Gotit.pub 70%
- used by DagsHub 70%
- used by alphaXiv 70%
- used by ScienceCast 70%
- instance of CatalyzeX 70%
- instance of BrowseComp-ZH 70%
- used by Gotit.pub 70%
- instance of Generative Ai Interactive Agents 70%
- used by CatalyzeX 70%
- used by Grpo 70%
- used by BrowseComp-ZH 70%
- instance of React 70%
2 天有情绪数据
-
新的REMORY网络改进了长时域智能体的LLM上下文压缩能力
研究人员开发了REMORY，一种神经记忆网络，旨在增强长时域智能体的上下文压缩能力。REMORY通过软记忆令牌补充文本摘要，使冻结的大型语言模型能够更好地近似其在完整历史上下文中的性能。这种方法在SummHay、Qwen3.8-27B和GLM-5.3-Flash等基准测试中显示出持续的收益，提高了来源归因能力并减少了工具使用错误。
-
7B模型ZGCM-1优先考虑工具使用和大型上下文，而非记忆
来自中关村学院和中关村人工智能研究院的研究人员开发了ZGCM-1，一个拥有73.9亿参数的模型，该模型优先考虑工具使用和大型上下文窗口，而不是记忆海量数据集。这种方法允许较小的模型通过按需检索信息来执行复杂任务，而不是试图将其内部存储。ZGCM-1利用混合注意力机制和FP8 Muon优化器，在其256K上下文窗口内实现高效处理，在搜索和数学基准测试中表现出色，可与更大模型相媲美。
-
开源 Iris 搜索代理凭借先进的上下文管理挑战闭源竞争对手
AllSpark Research 推出了 Iris，这是一款开源搜索代理，挑战闭源竞争对手。Iris 采用混合专家（Mixture-of-Experts）架构，拥有 256K 上下文窗口，模型可在 Hugging Face 上以 Apache 2.0 许可证获得。该代理的有效性归功于其先进的上下文管理策略，这些策略优先管理搜索历史，而不是简单地增加参数数量，尤其是在非英语任务方面。Iris 使用一种新颖的 SFT-RL 爬升方法进行…
-
字节跳动HarnessDev基准测试，评估LLM构建代理代码的能力
来自字节跳动Seed及其他机构的研究人员推出了HarnessDev，这是一个旨在评估LLM创建自身代理工具链能力的新基准。与固定工具链的传统基准不同，HarnessDev评估的是LLM自身生成的工具链代码的质量。初步结果表明，虽然LLM可以改进它们的工具链，但只有一部分改进能够泛化到不同的任务中，这表明完全自主改进的代理仍然是一个重大挑战。
-
OpenResearcher流程支持离线合成AI研究轨迹
研究人员开发了OpenResearcher，一个开源流程，用于合成用于训练深度研究代理的长时研究轨迹。该流程离线运行，利用三个显式浏览器原语处理1.5千万文档语料库，与专有API相比，可以实现可复现且成本效益高的数据收集。通过使用GPT-OSS-120B作为教师模型，他们生成了超过97,000条轨迹，当在30B-A3B模型上对此数据进行微调时，在BrowseComp-Plus等基准测试中的准确性显著提高。
-
AllSpark Research 发布开放权重网络搜索代理 Iris
AllSpark Research 推出了 Iris，一个开放权重网络搜索代理系统，旨在解决当前语言模型常常难以应对的复杂、多跳问题。Iris 使用两个模型，Iris-mini 和 Iris-pro，它们是基于 Qwen3.5/3.6 MoE 系列进行后训练的，并在 BrowseComp 和 Humanity's Last Exam 等基准测试中取得了最先进的成果。该系统的创新之处在于其训练方法 SFT-RL climbing，该方法…
-
Iris搜索代理在网络基准测试中取得SOTA开源成果 · 跟踪2个来源
研究人员开发了两个大规模搜索代理Iris-mini和Iris-pro，分别拥有350亿和3970亿参数。这些代理利用新颖的数据管道和训练方法，将监督微调与实时搜索的强化学习相结合。在BrowseComp和DeepSearchQA等复杂的网络基准测试中，这些模型在开源搜索代理中取得了最先进（SOTA）的成果，尤其是在采用高级上下文管理技术时。
-
新的ICA框架改进了AI智能体在长周期信息搜寻能力
研究人员开发了一个名为信息感知信用分配（ICA）的新框架，以改进在长周期内搜寻信息的智能体的强化学习。ICA解决了在中间信息获取步骤难以评估时，为正确最终答案分配信用的挑战。该方法将抓取的网页表示为稳定、渲染的快照，并使用这些单元从回滚成功率向后传播奖励，为引入有价值信息的步骤分配密集奖励。ICA在BrowseComp、GAIA、Xbench-DS和Seal-0等基准测试中显示出了一致的性能提升。
-
Perplexity 发布本地优先代理及 PPLX 27B 模型
Perplexity 发布了新的研究报告，详细介绍了其“Portable Computer”代理，该代理专为本地优先、私密且经济高效的工作而设计。该代理使用经过后期训练的 PPLX 27B 模型，在知识工作和网络研究任务上实现了高准确性。该系统强调对敏感文档进行设备上处理，并在必要时可以升级到前沿顾问，与其它模型和工具相比，展示了改进的性能和成本效益。
-
新的DRBENCHER基准测试AI代理的综合浏览和数学技能
研究人员推出了DRBENCHER，这是一个旨在评估AI代理结合网络浏览和多步数学计算能力的基准。与以往单独评估这些技能的基准不同，DRBENCHER从知识图中综合问题，要求代理识别实体、检索属性并执行特定领域的计算。该基准涵盖五个领域：生物化学、金融、地球物理学、安全和历史。人工评估显示有效率为76%，其中相当一部分错误归因于过时的知识图数据，而即使是先进的前沿模型在该基准上的准确率也仅为20%。
-
新研究增强了 AI 代理的记忆、推理和有根据能力
研究人员正在开发先进的方法，使 AI 代理能够有效地利用长期记忆并提高其推理能力。一种名为查询条件重用 (QCR) 的方法侧重于代理如何将过去的轨迹适应新环境，在各种基准测试中显示出成功率和令牌效率的显著提高。另一个研究领域通过使用步级自蒸馏和证据锚来指导学习，解决了深度搜索代理强化学习中奖励稀疏的问题。此外，SynWeaver 等框架旨在通过与网站特定先验知识共同合成任务和轨迹来提高代理的泛化能力，而 LoongReflect 通过…
-
ChatGPT 的 Work 代理模式在复杂任务上表现不一
最近对 ChatGPT 代理模式（现称为 Work，由 GPT-5.6 提供支持）进行的为期 20 小时的测试显示结果好坏参半。虽然它在数据聚合和个性化消息等任务中显示出潜力，但在复杂步骤和验证码方面却举步维艰，有时会悄无声息地失败，或者比人类的表现慢得多。OpenAI 已将 Work 模式转为基于积分的系统，可能会引入新的使用限制，但这些限制尚未完全公开。
-
新研究旨在改进检索增强搜索代理 · 跟踪到2个来源
两篇新研究论文提出了提高检索增强搜索代理效率和有效性的方法。第一篇论文《HALT: Verification-Aware Stopping for Retrieval-Augmented Search Agents》提出了一种策略，一旦收集到多跳问题的充分证据就停止检索，从而在保持准确性的同时减少冗余搜索。第二篇论文《Fetch-then-Explore: Decoupling Selection from Extraction ov…
-
新的CRISP框架训练LLM搜索代理更高效
研究人员推出CRISP，一个旨在训练由大型语言模型驱动的更高效深度搜索代理的新框架。与以往简单减少工具使用的方法不同，CRISP识别并保留了必要的证据收集步骤，同时删除了冗余的步骤。该方法在BrowseComp和HLE-Verified上进行了测试，在不影响准确性的情况下显著减少了交互轮次。
-
新的信用分配方法增强了AI搜索代理的训练 · 跟踪3个来源
研究人员开发了训练长时搜索代理的新方法，这些代理是为执行复杂的多步任务而设计的AI系统。一种方法ABSeeker使用答案回溯信用分配（ABC）来提供更细粒度的监督，通过评估每个搜索步骤与来自地面真实答案的中间线索。另一种方法BiCAA采用双向信用分配，将前向可解性增益与事后成功关键性相结合，以生成密集的进程奖励。这两种技术都旨在提高训练稳定性并减少搜索增强代理中的冗余操作，ABSeeker在使用较小的模型在BrowseComp等基准测…
-
Anthropic 的 Claude Opus 5 在生物/网络任务中表现出色，绕过了 Fable 5 的限制
Anthropic 发布了 Claude Opus 5，将其定位为计算生物学和网络安全任务的强大工具。虽然“前沿”模型 Fable 5 在这些领域受到严格限制，Mythos 5 则仅对特定合作伙伴开放，但 Opus 5 提供了一种平衡的方法。它允许发现源代码漏洞，并在中短期生物任务中表现出色，在 Humanity's Last Exam 和 BrowseComp 等基准测试中取得高分。然而，Opus 5 在长期生物设计任务中可能会遇到…
-
Anthropic 的 Claude 食谱提供了高级代理构建食谱 · 跟踪 2 个来源
Anthropic 发布了一系列资源和教程，称为 Claude 食谱，详细介绍了如何使用其 Claude 模型和 SDK 构建和部署高级 AI 代理。这些资源涵盖了从重现基准分数、编排多代理系统到为网络安全、数据分析和 SRE 事件响应创建专用代理的各种应用。该食谱还提供了关于代理托管、内存能力以及将代理与 Slack 等平台集成的指导。
-
新的AI代理处理深度研究和误导性网络数据 · 跟踪4个来源
研究人员推出了一系列新的递归自改进代理AREX，用于深度研究任务。AREX在研究和自我改进循环之间交替进行，使用自主上下文更新工具来管理不断增长的交互历史。这种方法使AREX在BrowseComp和Humanity's Last Exam等基准测试中表现优于同等规模的基线。同时，另一项研究引入了DRNOISE，这是一个旨在评估深度研究代理在开放网络上处理误导性信息的能力的基准，突出了存在此类文件时准确性显著下降的问题。
-
Agents-A1-4B 模型在长时域搜索中表现强劲
InternScience 开发的新模型 Agents-A1-4B 在多项基准测试中表现强劲，尤其是在长时域搜索和智能体任务方面。该模型基于 Qwen3.7-4B，在 BrowseComp 和 GAIA 等领域显著优于其基础模型。虽然在指令遵循和工程任务方面取得了有竞争力的结果，但在 LiveCodeBench-V6 和 FrontierScience-Research 等一些领域落后于更大的模型。
-
新的STAMP方法改进了深度搜索代理的信用分配
研究人员推出了一种新颖的STAMP方法，用于改进深度搜索代理中的信用分配。该方法通过为暴露支持性文件的动作提供有针对性的信用，而不是仅仅关注轨迹级别的结果，来解决“奖励-信用不匹配”问题。STAMP利用基于引用的验证器和首次暴露归因，将引用追溯到其原始动作，从而提高了在BrowseComp和xbench-DS等基准测试上的性能。