arXiv论文：LLM代理自我进化须限定运行时，门控通过144项变更
一篇 arXiv 新论文提出，信贷流水线中的自我改进 LLM 代理只要把进化限制在运行时框架、模型权重保持固定，每次改动就能像代码 diff 一样被审查；作者用模拟实验测量了这道门控，但尚未披露完整实验与真实模型结果。
标签： LLM
TestPrism 提出多实现测试评估新基准，联合成功率仅 28%
Hugging Face Papers 近日收录的论文 TestPrism 指出，用单一参考解评估 LLM 生成的测试会高估质量，其提出的联合成功指标在 14 种编码代理配置下仅 28.00%。
无需重建环境：Trace2Env 用历史交互轨迹做智能体世界模型
2026 年 10 月 5 日，Hugging Face Papers 收录论文提出 Trace2Env：不重建可执行环境，仅凭历史交互轨迹，用世界模型智能体替代真实环境，为 LLM 智能体提供有状态的仿真。它试图解决训练与评测时原始系统不可用或难以复现的问题。
SkillForge 提出技能生命周期机制，让 LLM 智能体训练中淘汰过时技能
一篇 2026 年 10 月发布在 Hugging Face Papers 的论文提出 SkillForge，用“试用—激活—稳定—退役”的技能生命周期管理技能库，让技能与模型在强化学习中共同进化，避免无效技能拖累智能体表现。
AI SRE Arena基准测试发布：Edge Delta与Grafana的K8s故障调查能力对比
Edge Delta 在 Hacker News 上发布了 Project Arena，一个面向 Kubernetes 上 AI SRE Agent 的厂商中立基准测试工具；它用 21 个故障场景对比了 Edge Delta、Grafana 的原生 AI 调查能力和外部 Claude 方案，结果显示原生产品在…
ValueError: invalid literal for int() with base 10: ‘5m’
当 RAGFlow 源码运行环境中把 OLLAMA_KEEP_ALIVE 设成 Ollama 官方的时长字符串（如 5m 、 24h ）时，构造 OllamaEmbed 或 OllamaCV 会因 int() 转换失败而崩溃；优先检查该环境变量是否为非整数字符串，或升级到包含修复的版本。
Eval bug: rms_norm_f32 exceeds the CUDA gridDim.y limit (65535) at n_ctx 262144
这个报错通常出现在 llama.cpp 于 CUDA 上跑超长上下文（KV 长度让 norm.cu 的 nchannels 超过 65535）时，表现为 CUDA error: invalid argument ，而不是 OOM。优先排查当前“每 slot 上下文长度”（ n_ctx_seq ）是否
Misc. bug: /slots save/restore silently loses all prompt reuse on hybrid/recurrent models — checkpoints are never persisted
当你在 llama-server 上对 hybrid/recurrent 模型（如 Qwen3.5/Qwen3.6、DeltaNet、Mamba 等）使用 --slot-save-path 做磁盘 /slots save/restore 时，restore 会报告成功（ n_restored 等于完
Misc. bug: Homebrew’s llama.cpp 0.5.0 has no web UI
这个报错通常出现在 macOS 上通过 Homebrew 安装 llama.cpp 并运行 llama serve 或 llama-server 的场景：浏览器访问根路径 / 返回 404，因为该构建没有打包 Web UI。优先确认 Homebrew 安装的 llama.cpp 版本，并升级到已修复
英伟达PivotOPD让多轮AI智能体学会从关键错误中恢复
英伟达联合普林斯顿大学和马里兰大学提出 PivotOPD 方法，通过在线策略蒸馏训练多轮 LLM 智能体，使其在早期犯错后仍能恢复，在 ALFWorld 等基准上超越 13 个基线方法。