其他arXiv 2610.12369
具身图灵机：用有状态代码实现机器人递归自我改进的 Code-Only-as-Policy
提出 COAP，用有状态代码在测试时无模型地控制机器人
- arXiv
- 2610.12369
- 发表
- 层
- 应用层
- 场景
- 具身与机器人
- 其他arXiv 2610.11959
MiMo-V2.6：通过扩展强化学习迈向自我改进
扩展全模态基座的强化学习以支撑智能体自我改进
- arXiv
- 2610.11959
- 发表
- 被测模型
- MiMo-V2.6-Pro、MiMo-V2.6-Flash、MiMo-V2.6-Distill-Qwen-9B
摘要系列用三维扩 RL 与分组评分提升智能体分数，作者称最终表现与前沿模型相当。
MiMo-V2.6 是全模态 MoE 技术报告，用扩大 RL 计算、环境和评分来追求智能体自我改进。
- 其他arXiv 2610.08917
CARE：为视觉-语言-动作模型推理加速提供认证式选择
提出 CARE，离线认证 VLA 加速配置的回合级失败风险并选出最快合格候选
- arXiv
- 2610.08917
- 发表
- 层
- 模型层
- 场景
- 具身与机器人
- 被测模型
- OpenVLA-OFT、π0.5、π0 等 5 个
摘要CARE 以配对回合认证加速诱发失败，在预算内选最快候选，不足则保留参考。
CARE 在部署前从加速配置中选出最快、且加速诱发失败风险能被有限样本认证为低于用户预算的候选。证据不足就保留全计算参考策略。
- 其他arXiv 2610.05831
长时程轨迹监督如何影响终端智能体训练的可靠性与成本
提出选择性长时程精炼，筛选轨迹以提升终端智能体训练可靠性
- arXiv
- 2610.05831
- 发表
- 被测模型
- Qwen/Qwen3-8B
摘要中间长度的监督更均衡。
这项工作研究终端智能体模仿学习里，教师轨迹应保留多少 token。
- 其他arXiv 2610.05689
研究者提出用可逆神经网络为 AI 控制系统寻找可证明的前向不变集
提出用可逆网络为给定 AI 控制器寻找可证明前向不变集
- arXiv
- 2610.05689
- 发表
- 层
- 模型层
- 场景
- 具身与机器人
- 被测模型
- Pendulum AI-controller、Cart pole AI-controller、PVTOL AI-controller
摘要用潜空间超矩形加解析验证，为事先给定的 AI 控制器寻找 FIS。
本文处理的是认证场景：AI 控制器事先给定，不能为了构造 Lyapunov 函数去改控制器，却仍要给出可解析核验的安全依据。
- 其他arXiv 2610.02662
论文发现语言驱动机器人安全监控的细化缺口：安全高层计划可能产生不安全执行
审计机器人安全监控的细化缺口，比较表面计划与图细化轨迹的裁决
- arXiv
- 2610.02662
- 发表
- 层
- 应用层
- 场景
- 具身与机器人
- 组件监控器
摘要表面轨迹可漏掉图诱导的禁区进入。
作者审计 RoboGuard 的一个假设：对高层动作轨迹的安全裁决，在补上语义图诱导的导航和已记录隐式效应之后是否仍然成立。做法是不改验证器，并固定同一条 LTL。
- 其他arXiv 2609.39982
Mid-Harness：在模型与 Harness 之间扩展终端智能体的动作采样
提出 Mid-Harness，在执行前验证并筛选终端智能体的候选动作
- arXiv
- 2609.39982
- 发表
- 层
- 应用层
- 被测模型
- TMAX-9B、TMAX-4B、TMAX-27B 等 6 个
摘要Mid-Harness 在执行前选择候选动作。
Mid-Harness 在不改生成器和执行 harness 的前提下，于二者之间做动作级测试时计算，用来研究终端智能体里“多采样、再验证”何时提高轨迹成功。
- 其他arXiv 2609.38807
PatchHolmes：基于列表式选择的智能体补丁检索系统
提出 PatchHolmes，用混合检索和列表式智能体选出 CVE 修复提交
- arXiv
- 2609.38807
- 发表
- 层
- 应用层
- 被测模型
- Qwen3-235B、Qwen3-Coder-30B、gpt-oss-120B 等 4 个
摘要PatchHolmes 用混合检索和列表式四工具智能体做补丁检索，增益主要来自联合阅读候选而非更换骨干。
PatchHolmes 是面向补丁检索的两阶段系统：在本地 Git 仓库上用冻结开源权重模型，为一个已知 CVE 找出修复提交，不做按仓库微调，也不使用付费外部搜索 API。
- 其他arXiv 2609.37968
SelfSearch：无需奖励信号的自改进 Agent 搜索方法
提出 SelfSearch，用自我修改记录无奖励搜索改进编码智能体
- arXiv
- 2609.37968
- 发表
- 层
- 应用层
- 被测模型
- gpt-5.6-luna、deepseek-v4-flash-0731
摘要TAIP 把策略、证据和执行分开，在保留的 RepoAudit 证据上于 5s 预算内重算合并门姿态。
TAIP 是放在未修改 RepoAudit 之外的保证层，用来在软件交付门上重算智能体安全控制的当前姿态。
- 其他arXiv 2609.34426
Q-learning Penalized Transformer（QPT）：面向安全离线强化学习的训练-推理一致框架
提出 QPT，用奖励与成本 Q 惩罚训练满足约束的离线强化学习策略
- arXiv
- 2609.34426
- 发表
- 场景
- 具身与机器人
摘要QPT 把条件 Transformer 与奖励/成本 Q 惩罚连成训练–推理一致的安全离线 RL 方法。
QPT 针对安全离线 RL：只从离线数据学习，同时处理约束满足、回报最大化和行为正则，并希望部署时更换成本阈值而无需重训。
- 其他arXiv 2609.23954
Djinnlang：用 LLM 编译器实现无歧义规格的高级编程
提出 Djinnlang，使人只写无歧义规格，由编译器内 LLM 补实现并经 Dafny 核验
- arXiv
- 2609.23954
- 发表
- 层
- 应用层
- 被测模型
- Claude Fable 5.1 (Claude Code)、GPT 6 Astra (Codex)
摘要无歧义规格加验证器，使 LLM 成为可丢弃代码的编译阶段。
Djinnlang 让程序员只写规格，把 LLM 放进编译器，并用 Dafny 验证器加上无歧义约束钉住语义。
- 其他arXiv 2609.17247
DriveMCP：面向高级驾驶辅助系统的智能体 AI 框架
提出 DriveMCP 框架，将感知、交规检索与车辆遥测接成可审计驾驶辅助层
- arXiv
- 2609.17247
- 发表
- 层
- 应用层
- 场景
- 具身与机器人
摘要DriveMCP 用可审计专家工具和 RSS/TTC 仲裁做驾驶辅助，作者称违章与超速低于三个 VLM 基线。
DriveMCP 是面向高级驾驶辅助的模块化智能体框架，把感知、合规、车辆状态和安全仲裁拆开并留下审计轨迹。
- 其他arXiv 2609.13642
当合规数据伪装成评测：部署后 AI 系统的测量效度问题
提出评估合同，检验合规监测数据能否支持比较性安全主张
- arXiv
- 2609.13642
- 发表
- 层
- 应用层
- 场景
- 具身与机器人
摘要比较主张要先对齐能力、结果、暴露、领域、采集和对照。
作者给出的是评测效度立场：部署后的运行数据要支持比较主张，必须先写明测量与主张如何对齐。
摘要双缺口解释内环为何会放行部署后不可接受的实现，外环用现实证据持续修订 R、M 与 E。
Reality Is the Final Verifier 用 two-gap framework 解释智能体软件工程的主要失败，并主张用外层保证环持续收窄缺口，而不是试图在部署前证明缺口已关闭。
- 其他arXiv 2609.09135
ERPO：面向代码生成测试时强化学习的熵正则化排名掩码策略优化
提出 ERPO，用探针共识奖励在无标签代码题上做测试时强化学习
- arXiv
- 2609.09135
- 发表
- 被测模型
- Qwen3-4B、Qwen3-8B
- 其他arXiv 2608.14380
AgentRewind：面向长周期 LLM Agent 的可恢复执行框架
提出 AgentRewind，支持长程 Agent 回退对齐检查点并继续执行
- arXiv
- 2608.14380
- 发表
- 层
- 应用层
- 被测模型
- GPT-5.4、GPT-5.4 mini、Qwen3.7-Max 等 7 个
- 其他arXiv 2607.28568
Frontis-MA1：面向机器学习工程递归自我改进的 AI4AI 模型
提出 OpenMLE，后训练元进化智能体并做机器学习工程长程搜索
- arXiv
- 2607.28568
- 发表
- 被测模型
- Frontis-MA1-35B、Frontis-MA1-30B
- 风险危险能力
摘要OpenMLE 训练 Frontis-MA1-35B，用四个共享算子把 MLE 后训练和长程搜索接成元进化闭环。
作者提出全栈 OpenMLE，在机器学习工程里研究从进化到元进化的一步，并把递归自我改进视为更远目标。智能体要在延迟、有噪声的执行反馈下反复修改程序。作者认为公开系统很少同时提供可扩展环境、基于执行的后训练，以及部署该模型的长程进化搜索。
已经到底了