EvoSpatial让空间推理智能体跨任务积累技能与工具库
alphaXiv 2026年10月12日收录的论文提出 EvoSpatial，让空间推理智能体把成功与失败的操作路径沉淀为可复用的技能和工具，在20个基准上平均成绩超过 SpatialClaw 4.0 个百分点。
标签： 推理
Cowork-Gym 用 6.5 万可执行工作环境训练协作型 AI 智能体
alphaXiv 上的一篇论文提出 Cowork-Gym，用「构建-执行-修订」循环自动合成共享工作空间里的协作任务环境，并据此后训练 Qwen 系列模型，在六个智能体基准上平均提升 4.1 到 8.7 分。它回答的核心问题不是模型会不会用工具，而是任务目标、文件、模拟用户和验收标准能否在任务中途发生变化时保…
Thinker-WM 统一世界模型：共享表征让视频、深度与动作协同进化
alphaXiv 收录的论文 Thinker-WM 提出用同一个 Unified Dynamics Transformer 共享表征来联合建模 RGB 视频、度量深度和机器人动作，并在 EWMBench 等基准上取得领先，尝试把割裂的视觉、几何与执行打通。
ForceWAM 解耦未来预测与动作学习，真实机器人接触任务成功率超85%
2026年10月，alphaXiv 收录的论文提出 ForceWAM，将接触任务中的未来力觉预测与动作生成分开训练，结合演示和任务无关玩耍数据，在真实机器人上把平均成功率做到 85%–95%。
VLA预训练新基准：演示质量怎么用才有效？
alphaXiv 上一篇 VLA 预训练研究比较了加权、过滤、条件化三种演示质量利用方式，并提出 AXIS-Bench 基准；结果显示，按片段条件化预训练可稳定提升平均成功率，而过滤和条件化各有偏好的标签粒度。这项研究值得关注，是因为它把“数据质量”从直觉变成了可复现的工程选择。
AI代理用桌面软件总失败？新基准出炉：界面粒度、可发现性、可观测性才是关键
Hugging Face Papers 上的一项新研究提出 DeskIF-Bench 基准和 ANIS 框架，尝试让桌面软件生成“代理原生界面”，从而让 AI 代理操作更高效。这项工作的价值在于，把“界面设计”从人类体验问题，拉到了 AI 代理可用性的层面。
Open-o3-Video-v2 发布：把视频推理变成可验证的找线索过程
Open-o3-Video-v2 把视频推理改成“先找线索、再给答案”的智能体流程，让模型在时间戳和物体框上留下可核查证据；据论文摘要，其 4B 版本在 V-STaR 上较 Qwen3-VL-4B 主干有明显提升。
开放权重模型在CTI-REALM基准上以更低成本追平闭源
arXiv 新论文显示，在 CTI-REALM 安全检测任务中，开放权重模型在放宽对话轮数限制后，奖励超过闭源模型，且成本不到后者的十分之一。这一发现挑战了“闭源前沿模型必然更强”的默认假设。
EgoExplorer 发布 100 小时穿戴式动捕数据集，误差较基线降 71.9%
Hugging Face Papers 收录的论文摘要显示，研究者提出 EgoExplorer 穿戴式观测系统，录制了 100 小时人类移动操作的多模态数据，并用 Calibrate-Complete-Constrain 流程在稀疏传感下重建全身运动，相比最强基线将身体点误差降低 71.9%。这为从人类演示中…
PANINI-DR多智能体框架发布：BrowseComp-Plus准确率73.3%
Hugging Face Papers 收录的论文摘要提出 PANINI-DR 多智能体框架，通过共享语义工作空间分离研究协调与验证，在 BrowseComp-Plus 等基准上取得领先成绩，但尚未核验全文实验，也非已上线产品。