1.1 推理与规划Reasoning & Planning

XWM 用 JAX 实现动作条件潜在世界模型，把观察编码到潜变量后直接预测下一状态，不训练像素解码器。JEPA、TD-MPC2、MuZero 复用同一组件，可接 CEM、MPPI、梯度与 MCTS 规划器，并允许只观察一部分 token；示例从 CPU 合成任务延伸到 Franka 机械臂。统一接口便于比较表示与规划组合，不过仓库尚早，行为测试不能替代真实控制基准。

论文把澄清、检索、工具调用、提示试验、直接执行和停止都视作有成本的上下文获取动作，由内层更新潜在任务状态，外层最小化期望自由能。

ReASearch 让单一工具调用 agent 自己选择评估、诊断、编辑、验证或重启，持久记忆负责跨长轨迹分配搜索预算。14 项任务中相对专用优化器提升 2%–40%，部分解超过人工已知最好结果。论文把外层控制器的职责放回推理循环，代价是搜索行为和预算决策也更依赖 agent 自身稳定性。

Anthropic 记录 Claude 参与黎曼 ζ 函数问题研究的实验，关注模型如何探索、提出中间猜想并用计算核验。digest 未提供可复现实验规模或最终数学成果，因而本文不把“参与研究”夸成独立证明。它更适合作为观察 agent 化数学工作流的案例：答案质量取决于中间步骤是否可检查。

PhoenixRepair 不把软件修复限制为“在第一次猜中的文件附近继续改”，而是显式探索编辑位置、修复策略和验证反馈组成的搜索空间。系统保留多条候选分支，并依据测试结果重排而非过早承诺单一路线；其贡献是把编码 agent 的失败归因于搜索覆盖不足，为预算如何分配到定位与修改提供了可操作框架。

论文用 textual baseline、flexible executable world model、带 scheduled simplification 的 executable model、以及 fixed-interface replay verification 四个 Codex-based agent 做消融。主实验覆盖 gpt-5.4 与 gpt-5.5 的 high/xhigh…

CACM 文章梳理 LLM 推理可解释性、chain-of-thought 和机制理解之间的张力。它明确区分“模型写出一段推理文本”和“研究者知道模型内部为何得到答案”这两件事。围绕因果干预、机制解释和可审计推理的讨论，会继续影响模型评测和安全研究的设计。

FirstResearch 把科学发现 agent 的第一个研究问题拆成可审计的 Research Question Certificate，要求记录 primitive definitions、assumptions、mechanism model、tension/contradiction、falsifiable hypothesis、minimal decisive test 和 failu…

Geoffrey Litt 讨论 AI 降低生成代码成本后，理解系统状态、业务约束、历史决策和副作用正在成为新的瓶颈。文章把开发效率问题从打字速度转向认知负荷，指出“能写更多代码”不等于“能安全改变系统”。它适合放在 agent 编程讨论里看，因为模型越能产出补丁，理解和验证就越成为稀缺环节。

BaRA 面向 live websites 上的站点级采集问题，解决 agent 容易漏页、遗漏多模态输出、返回不可下载媒体 URL 的问题。方法把 bounded BFS traversal 和 history-based self-reflection 组合在固定交互预算内运行。作者在 50 个带 ground-truth reference sets 的 synthetic websites…

TheSequence 介绍 self-driving lab：系统自动选择、执行并根据结果更新下一步实验。关键是实验室从执行工具变成闭环决策系统。它与 agent planning 的关系很直接：科学实验中的 action space、反馈延迟和成本约束比网页 agent 更硬，因而更能检验自主决策系统。

这篇论文反驳“短程序可解就能教成可泛化 CoT”的直觉，研究对象是可验证搜索过程，而不是开放式问答。实验包含九个由确定性生成器产生的推理任务，public 与 hidden splits 共享生成器，因此隐藏集主要检查同一程序性分布下的泛化。它提示一个硬边界：可验证性和可学习推理轨迹不是同一件事。

这篇研究代理何时应该向用户澄清，而不是凭猜测继续执行。摘要指出 classical aleatoric/epistemic uncertainty 框架不足以覆盖交互式 LLM agents，需要 underspecification-aware、decomposed、communicable 的不确定性表示。它的意义在于，澄清提问不再只是“模型没把握”的笼统反应，而可以服务于 shared me…

Z.ai 的 Hugging Face 文章把 GLM-5.2 放在 long-horizon tasks 语境里介绍，与榜单新闻形成一条“技术叙述 + 外部评测”的组合。模型发布方把能力重心放在 autonomous coding、complex engineering 和持续多步任务。它值得与 Agent 评测论文放在一起看：长程任务能力越来越不是单轮推理，而是上下文管理、工具调用、反馈循环和…

Perplexity Research 把搜索重新表述为代码生成：模型不只生成查询词，而是生成可执行检索程序，组合搜索、过滤、解析和聚合步骤。这个视角把复杂信息需求拆成控制流、数据流和验证逻辑，适合多跳事实查找和结构化答案生成。值得看的是，它让 search agent 的推理过程更容易调试、复现和审计。

Biohub/esm 发布 ESMC、ESMFold2 和 ESM Atlas 相关代码与模型入口。README 称 ESM Atlas 覆盖 68 亿蛋白，ESMFold2 的 folding throughput 支撑了超过 10 亿结构预测；SAE 层把 ESMC 内部表示拆成约 1.6 万个可解释 feature，并用 agentic pipeline 映射到已知生物学。值得看的是蛋白模型…