标签： GPT-4

OpenGCUA 发布首个开源通用计算机使用智能体全栈方案，在 OSWorld-v2 评测中让八个模型的平均部分分提升 19.6 分，并大幅减少执行步骤。这为研究闭源前沿系统之外的设计路线提供了可复现的开放基础。

Hugging Face Papers 收录的 RoTA-Bench 用交互式 3D 到 2D 投影对齐评测视觉语言模型的空间推理能力；在 100 项测试集中 GPT-5.6-Sol 仅成功 17%，而 20 名本科生集体完成后成功率达 100%。

Hugging Face Papers 2026年10月14日收录的论文 WorldCast 提出多步世界状态预测基准，包含320个手工案例和8个类别，评测12个模型。GPT-Image-2.5 系统得分72.8，开源最佳仅20.1，显示多模态生成模型在动态世界建模上差距明显。

arXiv 新论文提出 RealtimeBench，在游戏持续运行中评测 LLM 代理，并给出 TORSI 方法让慢速教师指导快速学生，使代理在实时环境中更有效。

arXiv 2026年10月15日发布的一篇论文，在ToolBench上对比了两种LLM工具发现架构：简单查询时“先检索再规划”更优，复杂多工具查询时“先规划再检索”更优，并提出用零成本信号做复杂度自适应路由。

一篇 arXiv 新论文提出 RLPE，用强化学习训练模型去分析另一个任务模型的失败轨迹、然后写出一条可复用的提示词，9B 小模型在 3 个基准中的 2 个上写出比前沿模型和提示词优化器更好的提示。

一篇 arXiv 新论文认为，用“推断队友意图的准确率”来认证多智能体协调模块存在系统性缺陷，并提出一种部署前评估的 Blind-Spot Gate。这对依赖大模型做多智能体协作的开发者有直接参考价值。