微軟與 UCSB 提出 ScholarEvolve：Agent 讀論文自我進化
微軟與 UCSB 提出 ScholarEvolve，讓 Agent 從 arXiv 檢索論文並把其中的方法實現為程式碼，在不改動模型引數的前提下自動改進 Agent Harness。在 AppWorld Challenge 上，Qwen3.5-27B 的任務完成率從 49.6% 升至 63.6%，提升 14 個百分點，高於 Meta Harness 的 54.6%；GPT-5.4-mini 則從 46.1% 升至 55.6%。
不訓練模型、只靠讀論文自動改 Harness 就換來 14 個百分點的任務完成率提升，並給出跨時間視窗的持續演化實測資料，對做 Agent 框架與工具呼叫的團隊有直接參考價值。
原標題：AI Agent学会自我进化！微软与UCSB新研究：自己读论文、改代码
閱讀原文
| 評分 | 78 / 80（平均 79，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Google 開源 Harness²，讓 Agent 在執行中改進自身腳手架
Google 開源了 Harness²，這是一套雙層遞迴框架，讓 Agent 在執行時自行修改腳手架、系統提示詞、工具鏈與技能庫。它在沒有標準答案時，用 Propose–Probe–Compose 對改動做行為對比篩選，並把除錯經驗寫進經驗庫，供後續任務檢索複用。實測 GLM-5 在 OpenCode 下執行 WorkBuddy-Bench，得分從 64.2 升到 75.7（+11.5 分），反超未改腳手架的 Gemini 3.5 Flash（72.4）；
Agent 安全守衛做成可進化 Skill，攻擊成功率降至 0.078
被 NeurIPS 2026 錄用的 Defense-as-Skill 論文提出把 Agent 執行時安全守衛做成一個可進化的 Skill：名為 SkillSonar 的守衛在敏感操作執行前按任務邊界給出 Allow、Replan、Require Confirm 三級裁決，經 9 輪 MCTS 迭代，惡意攻擊成功率從 0.300 降到 0.078。配套資料集 SCOPE-R 含 206 個惡意例項與 43 個良性任務，其中能力管控與隱私資料流兩族不參與訓練；
Einsia AI 發布 EmbodiedEvo，自進化 Coding Agent 登頂 RoboDojo
Einsia AI 旗下 Navers Lab 發布 EmbodiedEvo，讓 Coding Agent 在單個 Playground 場景中通過互動積累程式碼 Skills 與文字 Lessons，凍結經驗後交給新 Agent 在未見場景複用，全程不更新模型權重。在具身評測 RoboDojo 上，它以 45.08 平均分、38.95% 成功率超過所有 VLA/WAM 與 Agent 方法；
微軟發布 4B 程式設計智慧體模型 FrogNano
微軟推出 FrogNano-4B-2609，一個面向低視訊記憶體裝置的程式設計智慧體模型，基於 Qwen3.5-4B 後訓練而來。其額外訓練為純文字、聚焦倉庫級軟體工程，用約 1500 個合成 SWE 任務環境和基於可執行測試的獎勵做強化學習，不依賴更強模型的解題軌跡蒸餾。模型需配合 Leaf 工具框架生成結構化工具呼叫，產出的補丁須經人工審查、迴歸測試與安全驗證後才能使用。
ALTK-Evolve 讓 GPT-4.1 登頂 τ²-bench 客服榜
IBM Research 的 ALTK-Evolve 用 GPT-4.1 加標準 ReAct 腳手架，在客服基準 τ²-bench 零售域拿到 67.5% Pass^4（即四次獨立嘗試全部通過的任務佔比），高於其 2026 年 10 月 12 日榜單快照中的所有零售條目。方法不改模型權重：由同一模型分析訓練任務的成功與失敗軌跡，蒸餾成簡短行為準則——如先驗證使用者身份、每步只做一個動作——再追加到系統提示，無需人工標註。