Task-CoEvolve：自适应验证任务选择实现高效LLM智能体框架优化
评分
74提出将验证任务动态选择与框架优化协同演化的新思路，填补了该领域空白。
方法设计严谨，理论动机清晰，实验对比充分，论文结构完整。
能减少80%评估次数且保持性能，直接降低智能体开发成本，开源代码便于落地。
当前LLM智能体框架优化方兴未艾，该研究切中大规模部署中的效率痛点。
来自arXiv顶尖学术平台，作者机构为知名大学，并公开代码仓库。
基础分 82 × T2 信源权重 ×0.9 = 74
精选线 70已入选精选
精选理由
针对实际痛点提出创新解决方案，实验验证充分，且开源代码，具备较强可复现性和实用价值。
AI 点评
「这篇论文值得所有做Agent系统优化的工程师关注，它用很轻量的方法解决了重评估的痛点，而且开箱即用。如果你们团队正在反复调harnass代码，这个思路能帮你省下好几倍算力。」
速览
东京大学团队提出Task-CoEvolve，用于高效优化LLM智能体框架（harness）。传统方法每轮迭代需在完整固定验证集上评估，成本高昂。Task-CoEvolve通过方差加权采样，聚焦于智能体能力边界附近的任务，并基于采样概率估计全集分数，动态适应框架演化。在在线文本分类和Terminal-Bench 2.1上，该方法比固定子集基线更优，与全量搜索最终性能持平，同时将优化期间评估次数减少80%。代码已开源。
- 提出Task-CoEvolve方法，将验证任务与智能体框架协同演化，动态选择信息量大的任务。
- 基于候选框架分歧度进行方差加权采样，聚焦能力边界附近任务，并用采样概率校正实现全集分数估计。
- 在多个基准上达到全量搜索的最终性能，评估次数减少80%，大幅降低优化成本。
正文
本文为 AI 生成的中文精读,原文请点「查看原文」
相关条目
精选DeepSeek V4 在 OpenRouter 上的代币份额翻倍，智能体工作负载成主要驱动力
DeepSeek V4 的快速采用表明市场对高性能、低成本推理模型的强烈偏好，尤其是智能体场景将重塑 AI 部署格局。
91
精选启用两项设置使ARC-AGI-3基准测试分数提升三倍
这项发现太关键了！它表明模型的性能不仅取决于训练，还取决于推理时的配置。对于AI工程师和研究者来说，这是一个必须注意的优化方向。特别是那些在资源受限设备上部署模型的团队，可能会因此找到低成本提升能力的方法。
91
精选GPT-5.6：前沿智能与前沿效率的融合
这条消息值得关注，因为它标志着大模型竞争从单纯拼参数转向拼效率。对于AI开发者和企业决策者来说，GPT-5.6意味着可以用更少预算获得更高性能，尤其适合那些被推理成本挡在门外的长上下文或Agent场景。OpenAI这一步，可能重新定义‘前沿’的标准。
91
精选LFM2.5-Encoder：面向CPU快速长上下文推理的新模型
这篇博文让我眼前一亮，因为它直接解决了大模型在CPU上跑长上下文的痛点。对于没有高端GPU的团队或个人开发者，LFM2.5-Encoder系列提供了可立即使用的开源方案。尤其推荐给做RAG、文档搜索或代码分析的朋友——现在用普通服务器就能处理百万级token的文档了。
91
精选GPT-Red：OpenAI通过自我对弈实现AI红队自动化，提升模型鲁棒性
GPT-Red 是红队测试从人工到自动化的里程碑，特别适合安全工程师和对齐研究者关注。它直接降低了测试成本，但也引发了对“自动攻击”本身的伦理讨论——值得所有关注AI治理的人深入思考。
91
精选OpenAI推出GPT-5.5生物漏洞赏金计划
这个计划值得关注，因为它首次将AI漏洞赏金制度拓展到生物安全领域，不仅为安全社区提供了新的研究方向，也为AI风险治理提供了实际演练场。对模型安全研究者、生物安全专家以及关心AI双重用途的从业者尤其重要。
91
精选vLLM推出原生速度Transformers建模后端，大幅提升推理性能
这项更新对于AI工程团队非常关键：无需格式转换意味着能更快地迭代模型，而2-5倍的速度提升直接降低GPU成本。如果你正在做LLM在线服务或者批量推理，这几乎是必读的技术更新。
90
精选Google DeepMind 发布手语转文本模型 SL2T，助力聋人用户
这则消息的意义不仅在于技术突破，更在于AI开始真正关注边缘群体的需求。对开发者而言，SL2T的架构思路和技术路径值得深入研究；对无障碍倡导者来说，这是推动行业标准的重要案例。