Skip to content
Agientry
←返回能力前沿雷达

SOTA · 语言与推理

推理

通用推理、科学问答、长链推断与规划类能力

推理是语言能力里唯一直接对应「AGI 还差多远」的域:它问的不是模型能不能说得漂亮,而是能不能在没见过的结构上把多步推断走对。它与 AGI 的关系有三层。一是它是所有 agent 行为的上游:规划、工具选择、错误恢复都是推理的特例,推理链一断,长任务必崩,这也是为什么 `agents` 与 `harness` 的天花板追到这里。二是它是少数可自动核验的能力:数学与代码给了它客观对错信号,于是「变强」可以被测量而不只是被宣称。三是它暴露了当前范式的真实上限,分数在涨,换成新规则的泛化仍然不稳。所以这个域的梯顶按第三方复合读数排,不按厂商自报的单点分排:已同步的 Artificial Analysis 智能指数(2026-09-22)榜首是 Claude Opus 5.5(max 档 57.62,xhigh 55.99,high 53.58),GPT-6 Astra(max)52.67 紧随其后;Arena Agent 榜的净改进第一名是 Claude Fable 5.1(13.71),它量的是「交给它一个真实任务,它把结果向前推进了多少」,比问答分更接近生产可用。这三条已落成独立资产页,每条都带定位、能力面、水位与边界的精读,并写明未做的验证(能力复现、自有 harness 上的长任务对照);A 档的依据是官方文档与第三方榜互证,不等于已经复现过。选型:多数负载用 Opus 5.5($4/$20),终端工程任务看 Astra 的 Terminal-Bench 58.18%,推进真实任务看 Fable 5.1(贵 2.5 倍、指数高 4.3 分)。

尺子GPQA、MMLU-Pro、BBH、ARC-AGI

SOTA 阶梯

7
推理开发梯顶A

Claude Opus 5.5:用 1M 上下文与自适应思考把 agentic 主力档压到 $4/$20

Anthropic 面向 long-running agentic coding and knowledge work 的固定版本(claude-opus-5-5,退役不早于 2027-09-22):上下文 1M、单次输出 128K、自适应思考默认 medium,$4/$20 每百万 tokens,梯顶三条里最便宜。Artificial Analysis 智能指数(2026-09-22)前三行都是它的思考档(max 57.62、xhigh 55.99、high 53.58),默认 medium 51.24 排第 8,同门 Fable 5.1(53.35)与 Astra(52.67)夹在中间。两处打折:前三行带 with fallback、与 Astra 的 (max) 口径不同;Terminal-Bench 第 8 的 53.94% 属上一代 Opus 5。闭源只走 API;自适应思考是黑箱,成本按 p90 预算;1M 上下文不等于 1M 有效注意力。选型:多数负载用它,最高档拉满还不够才换 Fable 5.1(贵 2.5 倍、指数高 4.3 分)。置信度 A(已确认);未做能力复现。

57.62AA 智能指数已确认 · 2026-09
推理AI 编程+1开发
生产Anthropic官网
Claude Opus 5.5:用 1M 上下文与自适应思考把 agentic 主力档压到 $4/$20
推理开发梯顶A

Claude Fable 5.1:换一把尺子才登顶的长时程 agentic 档

Anthropic 面向 demanding reasoning and long-horizon agentic work 的固定版本(claude-fable-5-1,退役不早于 2027-09-01):默认思考强度 high、$10/$50,是同门 Opus 5.5 的 2.5 倍,默认 high 即默认成本行为。地位靠换尺子才成立:Arena Agent 净改进第 1(13.71,confirmed_success 19.83、praise 31.83),第 2 是 GPT-6 Astra(11.54/17.70/32.79),Opus 5.5 未进前八;Terminal-Bench 4.0 第 2、57.88%(n=330),比榜首 Astra 的 58.18% 低 0.3 点,而 pass@5 0.7879 高于其 0.7121,单次略低、五次更稳;智能指数 max 档 53.35 排第 4。画像一致:复合智能非第一,把真实任务往前推进是第一。praise 单列说明该榜含人评成分,非客观基准。选型看负载难在推理还是长程。闭源只走 API。置信度 A(已确认);未在自有 harness 上跑长任务对照。

13.71Arena Agent 净改进已确认 · 2026-09
推理LLM开发
产品Anthropic官网
Claude Fable 5.1:换一把尺子才登顶的长时程 agentic 档
推理开发梯顶A

GPT-6 Astra:终端工程任务第一,复合智能第三梯队

OpenAI 旗舰档,官方定位 hardest end-to-end work(gpt-6-astra):上下文 1.05M、单次输出 128K、知识截止 2026-04-30,内置 Functions、Web search、File search 与 Computer use,不必外拼 agent 框架。reasoning effort 五档而单价固定 $10/$50,成本杠杆在 token 侧;同门 Sol $2/$10、Luna $0.1/$0.5,100 倍价差可留在一家厂商内分流。第三方水位(2026-09-22):Terminal-Bench 4.0 第 1、58.18%(n_trials=330、pass@5 0.7121);Arena Agent 第 2,净改进 11.54、confirmed_success 17.70 低于榜首 Fable 5.1,praise 32.79 全场最高;智能指数第 6、7(max 52.67)。边界:知识截止比更新日期早近五个月,版本号与 API 变更须走 Web search;Computer use 可靠性不在任何榜上;闭源只走 API。置信度 A(已确认);未做能力复现。

58.18%Terminal-Bench 准确率已确认 · 2026-09
推理AI 编程+1开发
产品OpenAI官网
GPT-6 Astra:终端工程任务第一,复合智能第三梯队
LLM开发梯顶C

Jev:TypeSafe 首个 System One Model,把决策做成类型安全并便宜两个数量级

TypeSafe 首个 System One Model:输出不是字符串而是 Noul/Choice/Score 三种提问原语下的类型安全结构化值,RLCD 训练校准决策概率。官方 13 问并行实验单次调用比拆 13 次便宜约 12.2 倍、快约 10.0 倍;四工作流平均准确率 67.8%、单例 0.0004 美元、0.4 秒,准确率与 opus 5 / sol 同档而成本离开近两个数量级;输入 0.042 美元/M tokens、输出免费。附 OpenJev 本机复现与八处毛边清单。

67.8%四工作流平均准确率(官方评测)厂商宣称 · 2026-09
LLM推理开发
产品TypeSafe官网Repo
Jev:TypeSafe 首个 System One Model,把决策做成类型安全并便宜两个数量级
LLM开发梯顶A

MiMo-V2.6:把 Live RL 做成 30 步、75 万轨迹与美元的公开账本

小米开源 MiMo-V2.6 Pro/Flash:30 步 Live RL、约 75 万条轨迹、成本公开 850k/2.62M 美元,7k+ RL 环境同批开源;AA 智能指数 46 登顶开源阵营,DeepSWE v1.1 样本外 +17/+14 分;Vibe World、CUA、科研与内容创作四条演示线全开。自我改进从口号变成可核对账本:步数、轨迹数、美元都摊在桌面上,第三方可按同一口径复算性价比。

46AA 智能指数(开源榜首)已确认 · 2026-09
LLM推理+1开发
产品Xiaomi官网Repo
MiMo-V2.6:把 Live RL 做成 30 步、75 万轨迹与美元的公开账本
LLM开发C

Laya:421M 非自回归 System 1 决策模型,33 毫秒一次前向传播

Convai Innovations 开源的非自回归 System 1 决策模型:421M 参数、ModernBERT 主干加 [MASK] 选项抽取,一次前向 33 毫秒给出带校准概率的决策,Apache-2.0;RLCD 严格适当评分规则训练校准概率;模型卡附对 Jev 的真实基准对比与诚实限制清单。定位边缘与高并发小决策(游戏 NPC、对话策略、请求路由),不是长推理或开放生成。

33 ms单次前向延迟(421M,官方)厂商宣称 · 2026-09
LLM推理开发
研究Convai Innovations官网Repo
Laya:421M 非自回归 System 1 决策模型,33 毫秒一次前向传播
AI 编程

OpenResearch：把编码智能体变成研究智能体的本地优先实验工作台

OpenResearch（orx）是 alphaXiv 开源的本地优先研究工作台：单个 Rust 二进制把 Claude Code、Codex、OpenCode、Cursor 与 Google Antigravity 变成能查文献、提假设、跑实验、沉淀产物的研究智能体。它以 git 实验树与固定运行契约为骨架，用修复/补位/晋升/停止四步自动研究循环驱动实验，运行日志与运行清单是唯一证据。本文基于 v0.2.13 源码精读与内置 nanochat 演示实测撰写。

6.2kGitHub Star 数
AI 编程智能体运行时+2
官网Repo
OpenResearch：把编码智能体变成研究智能体的本地优先实验工作台

最新演示

19
Aether AI 发布 CRIS-0 因果推理机器人系统
7:01

Aether AI 发布 CRIS-0 因果推理机器人系统

@huang_biwei · 260次播放 · 2026-10-12
Causality物理AI
Self-Adaptive VLA：让 VLA 从自己的失败回合里学会自我修正
2:17

Self-Adaptive VLA：让 VLA 从自己的失败回合里学会自我修正

@icefox1104 · 860次播放 · 2026-09-28
视觉语言动作模型Self-Adaptive VLA
PPS：机器人策略的推理时残差引导
0:43

PPS：机器人策略的推理时残差引导

@LeoKharon · 660次播放 · 2026-09-26
Proxy Policy SteeringRobot Policy Adaptation
EXPO-FT：VLA 实时强化学习微调
1:00

EXPO-FT：VLA 实时强化学习微调

@robotsdigest · 759次播放 · 2026-09-24
视觉语言动作模型Robotic Manipulation
PragmaBot:机械臂从真实失败中在线学习
0:42

PragmaBot:机械臂从真实失败中在线学习

@leggedrobotics · 806次播放 · 2026-09-22
视觉语言模型In-Context Learning
RT-2:把视觉与语言直接变成机器人动作
1:52

RT-2:把视觉与语言直接变成机器人动作

@Alacritic_Super · 649次播放 · 2026-09-22
视觉语言动作模型RT-2
PiPER 动态抓取 10/10 种子成功
0:39

PiPER 动态抓取 10/10 种子成功

@huxiao93612565 · 631次播放 · 2026-09-21
具身智能机器人操控
GaP 图策略抓取提速 38%
0:11

GaP 图策略抓取提速 38%

@isthatdebbiej · 672次播放 · 2026-09-21
Graph Policy机器人学习
GPT-6 Astra 登顶操作评测
0:07

GPT-6 Astra 登顶操作评测

@yokoshaan · 667次播放 · 2026-09-21
视觉语言动作模型机器人操控
三台FR3协作搭建九层积木塔
0:47

三台FR3协作搭建九层积木塔

@Official_m9g · 689次播放 · 2026-09-19
Multi-Robot Manipulation视觉语言动作模型
pixelml-av + Grok + Jev:智能体式视频理解比 Gemini 3.8 Flash 便宜百倍快十倍
1:05

pixelml-av + Grok + Jev:智能体式视频理解比 Gemini 3.8 Flash 便宜百倍快十倍

@seanphan · 665次播放 · 2026-09-19
视频理解Agentic Video QA
Jev 对比 GPT-6 与 4.1：机械臂抓取
0:59

Jev 对比 GPT-6 与 4.1：机械臂抓取

@openroboto · 920次播放 · 2026-09-19
LLM Control操作
GTA-2:模块化 VLM 框架零样本机器人操作,无演示胜过 π0.5
1:40

GTA-2:模块化 VLM 框架零样本机器人操作,无演示胜过 π0.5

@LeoKharon · 786次播放 · 2026-09-18
Zero-Shot Manipulation视觉语言动作模型
Jev 类型化决策驱动仿真机械臂抓放
0:36

Jev 类型化决策驱动仿真机械臂抓放

@IsaacSin12 · 834次播放 · 2026-09-18
机械臂操作
Jev v1.13：非LLM概率决策模型闪避火箭
0:39

Jev v1.13：非LLM概率决策模型闪避火箭

@atomic_chat_hq · 564次播放 · 2026-09-17
Decision ModelNon-LLM
Helix 2.5：零样本走进30个家庭
1:35

Helix 2.5：零样本走进30个家庭

@TheHumanoidHub · 1522次播放 · 2026-09-17
人形机器人视觉语言动作模型
RelateAnything：实时开放关系预测
0:30

RelateAnything：实时开放关系预测

@tokufxug · 661次播放 · 2026-09-16
Scene Graph Generation开放词汇
GPT-Policy：看演示即学的双臂操作
0:54

GPT-Policy：看演示即学的双臂操作

@z_code68632 · 1043次播放 · 2026-09-15
In-Context Learning视觉语言模型
RD-VLA 在潜空间中迭代推理
1:23

RD-VLA 在潜空间中迭代推理

@DJiafei · 758次播放 · 2026-02-10
视觉语言动作模型Latent Reasoning

论文与深读

29
超越 Jev：15 个 System One 决策模型，把推理压缩成一次前向2026-10-26超越 Jev：15 个 System One 决策模型，把推理压缩成一次前向System One 模型不再逐 token 生成答案，而是一次前向直接给出选择、分数或概率。Turing Post 梳理的 15 项研究，覆盖动态候选集、多模态、检索与选择性推理。
DiscoveryRSI:递归学习发现有价值假说2026-10-16DiscoveryRSI:递归学习发现有价值假说科学发现的难点不在生成想法，而在把值得做的假说发展成可执行的调查，并从这一过程中学习。本文先给出「有价值且可检验的研究假说」的操作性定义：有据可依的主张 + 可行的调查计划 + 明确的判定标准 + 替代解释。DiscoveryRSI 用多智能体进化搜索生长假说树，把选中的调查编译成可执行的 Harbor 任务，并通过三条互相咬合的机制递归自改进：假说信用优化把科学评估按文档化贡献归因成有界监督信号，harness 回放在冻结模型权重的前提下改进研究工作流，rediscovery 把被接受的更新放回新问题继续积累经验。配套的 DFM-Bench 在假说、修订、发展路径、研究轮与跨提案贡献五个层次评估质量与累积进展。四个生命科学域上，假说质量从基座模型的 4.86 升至两轮自改进后的 5.39，增益集中在可证伪性与数据可解性；专家盲评中 DiscoveryRSI-27B 在重要性与「主张可信且有证据边界」两项上高于 GPT-6 Luna；与模型 cutoff 之后发表研究的对应率为 6.3%，高于 GPT-6 的 2.5% 与 Claude Opus 5 的 2.3%。代码、27B 模型与基准均已开源。
TacitVLA：不留推理延迟的推理型VLA2026-10-13TacitVLA：不留推理延迟的推理型VLATacitVLA 让动作专家从不关注本次生成的推理文本：训练阶段仍用推理监督塑造骨干表征，部署阶段把记忆台账的生成挪进动作执行窗口。四个基准上与显式推理精度相当而单次调用延迟最多降 3.4 倍，RoboMME 计数 82.7%、RMBench 77.5% 均超过已发表最好成绩。
IdeaScientist：科研构思智能体编排2026-10-02IdeaScientist：科研构思智能体编排自动科研系统大多把提出想法与实现、实验、写作耦合在一起，难以判断成功究竟来自想法还是执行。IdeaScientist 把科研构思剥离为独立任务：给定问题定义与当前方案未满足的挑战，产出有据的研究提案。系统由 orchestrator 协调三个子智能体——gap finder 在同问题先前工作中定位方法论缺口，innovator 到其他领域寻找解决过同类挑战的机制并迁移，report writer 把存活的直觉写成完整提案；每个角色用异步 GRPO 与参考锚定的 rubric 奖励单独训练。为支撑跨域检索与时间可控评测，作者构建 Svalbard Idea Vault：从 470 万篇 arXiv 论文中分解出 277 万条（问题、挑战、缺口、直觉、提案）五元组，并以 2026-01-01 为截止线，用截止后 14,977 篇方法论文中的 277 篇做留出测试。在 Qwen3.6-27B 上，IdeaScientist 总分 74.6%，比最强开源 autoresearch 基线高 14.0%，优势主要来自新颖性；在同一开放骨干上还超过 Claude Code SDK（Claude-4.8-Opus）5.9%、Codex SDK（GPT-5.4）5.1%。
智能体元推理：把运行控制做成独立推理过程2026-09-29智能体元推理：把运行控制做成独立推理过程Meta 提出智能体元推理运行框架：控制器按评估、提议、估值、派发四个阶段决定下一步计算，只保留紧凑状态并按需读取持久记忆。ProgramBench 上搭配 GPT-5.5 达到 71.5%，同模型的 Codex 为 58.0%。
Just Ask Jev：用校准决策模型零样本检测 AI 对齐失败2026-09-24Just Ask Jev：用校准决策模型零样本检测 AI 对齐失败论文把通过校准决策强化学习训练的 Jev 用作零样本对齐失败检测器：一次调用回答多类问题并返回概率，通用问题在 31 个基准上的中位 AUROC 为 0.886；最大误差来自状态缺少参考事实与标签缺陷，而非问题措辞。
MiMo-V2.6 精读：6 天 Live RL、AA 指数 46 与全面开源的自我改进实验2026-09-22MiMo-V2.6 精读：6 天 Live RL、AA 指数 46 与全面开源的自我改进实验小米开源 MiMo-V2.6 Pro/Flash：30 步 Live RL、约 75 万条轨迹、$850k/$2.62M 成本公开；AA 指数 46 登顶开源，DeepSWE v1.1 样本外 +17/+14 分；Vibe World、CUA、科研与内容创作全演示，7k+ RL 环境一并开源。
Laya 开源解读：421M 非自回归 System 1 决策模型，33 毫秒一次前向传播2026-09-21Laya 开源解读：421M 非自回归 System 1 决策模型，33 毫秒一次前向传播Convai Innovations 开源非自回归决策模型 Laya：ModernBERT 主干加 [MASK] 选项抽取，RLCD 严格适当评分规则训练校准概率；附 README 诚实限制与对 Jev 的真实基准。
亲手构建自己的 Jev（100% 本地）：用 SGLang 复现固定答案打分决策引擎2026-09-20亲手构建自己的 Jev（100% 本地）：用 SGLang 复现固定答案打分决策引擎用 SGLang /v1/score 在本地复现 Jev 式固定答案打分：单 token 标签、受限 softmax、置信度分流路由，并与结构化输出、自回归生成实测对照：单决策 6 ms 对 1088 ms。
Jev 与 System One Model：把前沿智能做成一次函数调用2026-09-18Jev 与 System One Model：把前沿智能做成一次函数调用TypeSafe 首个 System One Model Jev 精读：三种提问原语、并行经济学、置信度分层路由、官方评测偏差与八处毛边，附 OpenJev 本机复现。
SoL-Pi：高效智能体执行框架的递归自主研究2026-09-17SoL-Pi：高效智能体执行框架的递归自主研究SoL-Pi 将智能体执行框架改进转化为规模化自主研究，筛选出四项可复用效率机制，在性能接近基线时将令牌流量降低 44.7% 至 49.0%。
ScientistTwo：用自主 AI 开拓人类知识前沿2026-09-17ScientistTwo：用自主 AI 开拓人类知识前沿Google Cloud AI Research 的 ScientistTwo 是完全自主的多智能体科研框架：从人类最优方法的局限出发生成假设，子集先行验证后扩展全集，经进化式想法改进、消融驱动再精炼，以及闭环的模拟评审-反驳-元评审，端到端产出论文与可复现代码库。在 107 个 ICLR/ICML/NeurIPS 级研究难题上完成 86 个（80.4%），平均相对提升 25.2%，生成论文获 ScholarPeer 7.5 分、91.9% 通过率，并在独立评审下 72.1% 通过；单任务平均 2.5 天、3,765 美元。
HIL-UMI：把 VLA 人在环后训练搬离机器人本体2026-09-17HIL-UMI：把 VLA 人在环后训练搬离机器人本体HIL-UMI 用手持 UMI 夹爪做人机在环 VLA 后训练：人在演示时，同一观测流上并行跑当前策略但不执行其预测，用 Energy Score 比较人类动作块与策略动作分布，超阈值即判为分布外（OOD）并触发定点采集；另一条回路上，在线优势预测偏低的片段被收来重训基于任务进度的优势估计器，再由它给数据打二元优势标签做优势条件行为克隆（ACBC）。四个真机任务上持续优于 SFT，Stack Cube 三轮后 TPS 84→100；对比真机 HG-DAgger，Clean Up Table 每帧采集时间 73.40ms 对 412.99ms，快 5.63 倍且末轮 TPS 高约 5 分。
JEPA-Anything：跨域正交预测世界模型2026-09-17JEPA-Anything：跨域正交预测世界模型JEPA-Anything 用正交预测分解把世界模型的潜变量拆成互补因子，以独立路径预测并在七个异质领域验证，在控制与分子动力学等任务上改善长时预测和干预误差。
Dream-RSI：在演化世界中递归自我改进2026-09-14Dream-RSI：在演化世界中递归自我改进固定的探索策略无法随搜索空间扩大而自适应，在线优化元策略又要为每个候选策略付出昂贵的长程 rollout。Dream-RSI 把已完成的发现历史组织成发现树，当作可回放的世界：候选探索策略在树里“做梦”式重放，只读取已记录的执行结果即可被打分，再由策略开发智能体改写策略代码，选出回放分最高的版本重新上线，形成递归自我改进闭环。在 Lasso 求解器、三个数学优化问题与 KernelBench 四个 GPU 核任务上，它以少 1.7 倍到 162 倍的智能体调用取得同等或更好的发现质量。
ResSafe：残差 RL 驯服人形平衡的安全滤波器2026-09-14ResSafe：残差 RL 驯服人形平衡的安全滤波器UC Berkeley 提出 ResSafe：把人形平衡的安全性从单一策略里解耦出来，冻结参考策略、用残差 RL 学习隐式安全滤波器，并将经典 alive bonus 严格对齐到随机可达性的最大存活时间目标。58 维 Unitree G1 上仿真与真机验证：带负载跌倒率大降且跟踪误差同时占优，多 checkpoint 混训后安全滤波器可跨策略零样本迁移。
RelateAnything：任意区域输入下的实时开放词汇关系预测2026-09-11RelateAnything：任意区域输入下的实时开放词汇关系预测开放词汇检测允许在推理时接受任意类别列表，可提示分割能在没有类别名的情况下返回区域：分类体系已经离开模型、成为输入，而关系预测尚未如此。场景图模型仍在一个标注风格的 50 或 56 个谓词上训练与评测，关系头以物体标签为条件，因而与单一检测器绑定。本文指出三个障碍：不存在既自由文本又经过验证的关系语料；以标签为条件的架构无法接受训练时没见过的词汇；标准指标奖励与训练语料的一致性，使更大的词汇量反而表现为退步。RelateAnything 是一个 5300 万参数模型，输入图像与任意来源的区域，输出在推理时以字符串形式给出的谓词词汇上的打分关系；物体标签从不作为输入，词汇是文本嵌入库而非学习出的分类器，推理速度为每帧 20 毫秒。为支撑 19103 个谓词的训练，论文提出正-未标注监督与能够区分反义词的文本编码器（对比式编码器把反义词嵌入到余弦 0.95），并构建 RA-4M：47.4 万张图像、430 万条关系、10102 个自由文本谓词，对着编号框标记生成并经几何门验证；评测上构建 OV-SGG-Bench 六轴跨数据集协议。在三个跨数据集基准与一个零样本基准上，平均召回达到同规模最强开放词汇方法的 2.3 至 3.5 倍，并以不足其 2% 的参数量超过 3B 视觉语言场景图模型；域内评测会把迁移收益高估约 5 倍。模型、语料与基准均已公开。
Q2D-Web：在大规模网页语料上评估第一阶段检索器2026-09-09Q2D-Web：在大规模网页语料上评估第一阶段检索器Perplexity 发布 1.9 亿文档、69,721 条 agent 查询和三组相关性标签的检索基准 Q2D-Web，并公开排行榜与子语料评估方案。
VLA-Precision：面向大模型 VLA 真实世界在线强化学习的不对称协同自举2026-09-03VLA-Precision：面向大模型 VLA 真实世界在线强化学习的不对称协同自举中国科学技术大学团队提出 VLA-Precision，用真实世界在线强化学习做大 VLA 后训练：算法层 ACoB 以「快速行为学习 + 渐进价值校准」的不对称协同自举抑制策略漂移，系统层 ACoB-Stream 以不变状态解耦与按需流式带来最高 10.9 倍吞吐提升。在四个本体、九个高精度化学任务上取得 98.3% 平均成功率（45.8 分钟/任务），单回合 27.6 秒，比 VLA 与 RL 基线分别快 1.2 倍与 1.8 倍，干预率低至 0.024%。代码开源（scy-v/VLA-Precision）。
组织级第二大脑：构建一个向专家学习的 AI2026-09-02组织级第二大脑：构建一个向专家学习的 AIMeta 把合规领域专家的知识蒸馏成 200+ 结构化文件，用 recipe 分离「知道什么」与「怎么推理」，再用诊断-编译-评估-合入的闭环把专家纠错变成回归测试过的永久改进，全程不重训模型。

开源项目

3
alphaXiv/OpenResearchMIT

OpenResearch：把编码智能体变成研究智能体的本地优先实验工作台

OpenResearch（orx）是 alphaXiv 开源的本地优先研究工作台：单个 Rust 二进制把 Claude Code、Codex、OpenCode、Cursor 与 Google Antigravity 变成能查文献、提假设、跑实验、沉淀产物的研究智能体。它以 git 实验树与固定运行契约为骨架，用修复/补位/晋升/停止四步自动研究循环驱动实验，运行日志与运行清单是唯一证据。本文基于 v0.2.13 源码精读与内置 nanochat 演示实测撰写。

AI Coding智能体运行时
Rust6.2k39521
joshhhhhan/VISTAMIT

VISTA：让多模态模型直接看像素玩通 ARC-AGI-3 的视觉框架

MIT 的 VISTA 只给通用多模态模型三样东西：原始 PNG 观测、自由语言推理、无损保存全部环境帧的视觉记忆，然后让它去玩 ARC-AGI-3。以 Claude Opus 5.0 为后端时 25 个公开游戏、183 关全部通关，RHAE 满分 100，动作数比首次人类玩家少 56%；换成 GPT-5.6 Sol 也有 98.27 分——全程不做程序合成。

ARC-AGI-3具身智能
Python1700
rokbenko/quackdApache-2.0

quackd:给 Microduck 一个 LLM 大脑——任意大模型,一个 .duck 文件

quackd 把 Pollen Robotics 的 Microduck 双足机器人接入任意大语言模型:用自然语言下达目标,LLM 逐步调度机器人已有的行走、踢球、拾取等技能,配合强制执行的 .duck 任务契约、MCP 服务与多机协作的 flock 模式,让对机器人直接说话成为现实。

Sim机器人对话
Python7871

现在就能用的资产

Graphify-Labs/graphifytradermonty/claude-trading-skills199-biotechnologies/claude-deep-research-skillSushegaad/Claude-Skills-Governance-Risk-and-CompliancezLanqing/codex-claude-academic-skills

消费它的领域

科研44知识管理3安全1数据与分析1开发5法律与金融1游戏制作1

边界与失败模式

这个域的分数几乎都不能直接信,边界要说细。一是污染:GPQA、MMLU-Pro、BBH 这类题库流传已久,训练数据里大概率有同源题,高分不等于强推理;ARC-AGI 被重视正是因为它每期换新题。模型自报的推理分因此默认只给 vendor-claim,只有来自独立同步协议(Artificial Analysis 智能指数、Arena Agent、Terminal-Bench)才给 confirmed。二是「思考档位」让数字不可比:同一个模型 high / xhigh / max 三档能差 4 个点(Opus 5.5 实测 53.58 / 55.99 / 57.62),而发布会常只报最高档,拿 max 档比别人默认档是最常见的误读。三是 fallback 混进了指数:榜名带「with fallback」的行允许模型放弃并换策略,那不是纯推理读数。四是成本与延迟的真实量级:max 档一次长推理的 token 消耗可达默认档数倍,Terminal-Bench 上 GPT-6 Astra 58.18%(pass@5 0.7121)与 Fable 5.1 57.88%(pass@5 0.7879)的差距,在预算里等价于「要重试几次才成功」;SWE-bench 榜上有一行明码标价:mini-SWE-agent + Claude 4.5 Opus 解出 76.8%,成本 $376.95。五是长链累积误差:每步 95% 正确率,20 步只剩 36%,当前 agent 长任务完成率的天花板来自这里,不是「模型不够聪明」。

作为亚马逊联盟会员,我们可能从符合条件的购买中获得佣金。