我们平时会读不少论文和技术博客，Research AI+ 社区里也常有大家分享的好内容。「什么值得看」栏目希望把这些日常阅读、推荐和讨论积累下来，每半个月精选一批有意思、值得细读的工作，方向会涵盖 AI、AI for Science 、Physical AI和前沿科技等等，为大家提供一份有参考价值的阅读清单。
欢迎关注「什么值得看」栏目，也欢迎通过后台或私信推荐值得读的研究，或投稿自己的文章。这个栏目也期待有你的分享。
本期精选 9 篇论文和 5 篇 Research Blog，涵盖 Google DeepMind、Sakana AI、Meta、Anthropic、IBM Research 等工业界与学术研究团队的近期工作。从 Agent 自我演进、长程强化学习到 AI for Science，这批研究触及了几个值得持续关注的问题：模型如何从经验中成长？复杂的 Agent Harness 到底贡献了多少能力？AI 能在多大程度上独立开展科学研究？而当模型开始参与自己的研发，我们又该如何评估和理解这些进展？
01｜Papers
01. Are Self-Evolving Agents Continual Learners?
研究机构： Mila、Université de Montréal、Google DeepMind
图：四类任务漂移下，三种自演进方法的逐组学习曲线。
Self-Evolving Agent 的能力提升，可能伴随着旧任务表现的退化。研究基于 BIRD、BFCL 和 ScienceWorld 构建四类动态任务流，对比 ReasoningBank、GEPA 和 Meta-Harness，发现自我修改容易产生跨任务干扰，记忆检索也会遭遇相似任务间的冲突。它将 Self-Evolving 的评估从单次任务表现推进到长期学习过程，揭示了能力可塑性与稳定性之间的关系。对研究 Agent Memory、Harness Evolution 和 Continual Learning 的团队来说，这提供了非常具体的设计与评测问题。
02. FrontierPhysics: Evaluating Agents for End-to-End Physics Research
研究机构： BenchFlow、UC Berkeley、Caltech、Harvard、IBM、Prime Intellect 等多机构联合研究
图：FrontierPhysics 中各模型与配置的整体通过率。
当 AI 开始承担完整科研任务，我们应该如何评估它的研究能力？FrontierPhysics 由 42 位物理学者基于真实研究构建 56 项开放任务，要求 Agent 完成文献调研、研究规划、实验和论文撰写，并同时评估结果正确性与研究质量。研究通过分析执行轨迹发现，前沿 Agent 在严谨推理和专家直觉方面仍存在明显短板。它将 AI Scientist 的评测从固定问题推进到开放科研流程，尤其值得关注科研 Agent 和科学评测的研究者细读。
03. How Much of a Harness Does a Strong Agent Need for Autonomous ML Engineering?
研究机构： EPFL、Apple
图：相同时间预算下，不同基础模型与 Harness 的获奖率及平均排名百分位。
Multi-Agent 编排、专用检索与复杂任务管理，究竟为 Agent 带来了多少额外能力？研究在相同基础模型和时间预算下开展系统性消融，发现具备文件读写、Bash 执行等基础工具的单 Agent，在所测 ML Engineering 任务中可以匹敌复杂 Harness。进一步的轨迹分析发现，强 Coding Agent 已经能够自主完成大量原本由外部编排器负责的搜索与优化工作。这篇为 Agent 架构设计提供了少见的控制变量证据，也促使我们重新思考模型能力与外部系统复杂度的关系。
04. Recursive Self-Improvement through Multi-Agent Self-Supervision
研究机构： Sakana AI、UC Berkeley
图：MASS 的工作流优化与共享模型训练循环。
MASS 探索了一条很有意思的 RSI 路线：利用多 Agent 协作产生的轨迹，反过来训练负责组织这些 Agent 的模型。系统交替进行工作流的演化搜索和监督微调，让同一个基座模型不断改善角色分工、信息传递与自身能力。以 Qwen3.6-27B 为基座，两轮 MASS 改进后，模型在四项开放研究基准上的单位输出 Token 得分达到初始水平的 1.2–1.6 倍。这项工作将 Multi-Agent Orchestration 与模型训练连接起来，为缺少可靠外部验证器的开放任务提供了新的自监督研究思路。
05. Agent Plasticity: Measuring Self-Improvement Through Experience
研究机构： Meta Superintelligence Labs、UC Berkeley、University of Washington、Princeton University
图：学习成本、同分布独立测试表现与 Agent Plasticity 的对比。
Agent 的当前能力和它从经验中学习的能力，可以是两个完全不同的维度。这篇提出 Agent Plasticity，通过独立评测回合中的表现提升和学习成本，衡量 Agent 将经验转化为新能力的效率。实验发现，不同前沿模型即使拥有相近的学习机会，自我改进轨迹也存在显著差异，学习结束时能力领先的 Agent 也未必拥有更高的学习效率。这为研究 Self-Improving Agent 提供了一套新的评估视角，尤其值得 Agent Eval 和持续学习方向关注。
06. ServeLearnBench: How Well Can Agents Self-Improve from Serving Experience?
研究机构： Carnegie Mellon University、Amazon
图：不同模型与学习 Harness 的任务收益及 Token、API 成本对比。
部署后的 Agent 能否利用日常交互经验持续改进？ServeLearnBench 构建了包含 53 个环境窗口、7,718 项任务的动态基准，覆盖零售、银行和销售等场景，要求 Agent 从交互反馈中推断不断变化的业务规则。团队系统比较了 RAG、Mem0、SkillOpt 等五种学习 Harness，发现经验学习与任务执行能力之间存在明显差距，探索不足也是制约持续适应的重要因素。对于研发长期运行 Agent 的研究者和工程团队，这篇提供了很有参考价值的评测方法与失败案例。
07. SkillMem: Compact External Skill Memory for Latent Multi-Agent Reasoning
研究机构： IBM Research、Rensselaer Polytechnic Institute
图：SkillMem 在准确率、技能存储和推理速度上的比较。
SkillMem 提出将文本 Skill 编译为紧凑的 Latent Memory，让不同角色的 Agent 通过 Cross-Attention 直接读取和复用。它利用行为蒸馏学习技能表示，同时保持基座模型权重冻结。论文报告每项 Skill 的专属存储约 9.6KB。在 Qwen3-8B 上，100 项技能连同共享读取模块的总存储约为 KV Skill 的 1/38.3；推理效率对比中，端到端速度约为 TextMAS 的 4.23 倍。这篇的启发在于：Agent 的程序性知识可以拥有不同于 Prompt、Markdown 或 KV Cache 的表示和调用方式，为 Skill Learning 与高效 Multi-Agent 系统打开了新的设计空间。
08. Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning
研究机构： 清华大学、腾讯混元基础模型部
图：TreeOPSD framework
长程 Agentic RL 面临两个紧密相关的训练难题：终局奖励难以准确分配到中间决策，连续更新又会造成策略漂移。TreeOPSD 将交互轨迹组织为搜索树，从不同分支的终局结果回传轮次级信用信号，再构造有界教师分布引导策略更新。在 Deep Research 任务的一个实验配置中，Qwen3-30B-A3B-Thinking-2507 相比 GRPO 平均准确率提升 4.97 个百分点。它将 Tree Search、Credit Assignment 和 Posterior Self-Distillation（后验自蒸馏）连接起来，提供了值得长程 Agent RL 研究者深入比较的训练框架。
09. MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery
研究机构： Northeastern University、Broad Institute of MIT and Harvard、Microsoft Research New England 等
图：MolRSI 的研究动机与系统架构：工作流搜索、跨任务记忆和可执行技能。
MoLRSI 探索让科研 Agent 从历史实验中学习如何改进研究方法本身。系统结合跨任务记忆、工作流搜索与模型架构优化，让过去的执行反馈持续影响后续分子发现策略。团队在抗生素筛选和靶向肽–MHC（pMHC）复合物的结合蛋白设计中进行了实验验证，抗生素筛选报告了 15.9%（17/107）的实验命中率，并获得多个经过实验验证的 pMHC 结合蛋白。这篇将 Recursive Self-Improvement 与真实分子发现任务结合，尤其适合关注 AI Scientist、自动化实验设计和科学发现的研究者阅读。
02｜Research Blogs / Essays
01. Neural Networks Are Already Clean
作者及机构： Nick Cammarata，Goodfire
图：作者对“猫—汽车”神经元 4e:55 的可视化解释，展示其输入、响应及下游连接。
神经网络的内部结构，可能比研究者过去认为的更容易理解。Nick Cammarata 重新审视视觉与语言模型中的神经元和计算回路，提出部分经典的 Polysemanticity 现象可能源于 Recursive Generalization，而非任意的特征叠加。他进一步提出，直接研究原始神经元与回路，有望成为机制可解释性的重要研究路线。这篇长文在研究圈引发了广泛讨论，其吸引力既来自大胆的研究判断，也来自大量具体的神经元实验，以及它对 Superposition 和现有可解释性研究方法的挑战。
02. Some initial thoughts on Nick Cammarata's "Neural Networks Are Already Clean"
作者及机构： Liv Gorton，Anthropic
图：以合成 V 形刺激检验神经元 4e:55 的响应，并与 4e:798 比较。
Liv Gorton 针对 Goodfire 的研究提出了系统的技术回应，包括神经元解释能否通过标准实验、Superposition 的定义是否与既有理论一致，以及 Crushing Experiment 的复现结果。她还讨论了一个更基础的问题：识别某个神经元对哪些输入产生响应，与解释网络如何完成计算之间，究竟存在什么差别？这篇与 Nick Cammarata 的原文构成了非常有价值的研究对话。两篇并读，可以深入理解机制可解释性领域正在争论的方法、证据标准与研究方向。
03. Independent Assessment of AI R&D Acceleration at Anthropic in October 2026
发布机构： METR（独立研究与评估机构；评估对象为 Anthropic）
图：Anthropic 模型综合能力指标 AECI 随时间的变化，以及前后两段趋势的比较。
AI 究竟在多大程度上加速了 Frontier Lab 自身的模型研发？METR 获得 Anthropic 内部训练指标、实验数据和研究人员访谈的高权限访问，估计其综合能力指标 AECI 自 2025 年 10 月以来的增长速度约为此前的 1.9 倍，并认为 AI 辅助研发贡献了当前加速的重要部分。这份报告提供了少见的内部实证材料，也将 AI R&D Acceleration 从能力演示推进到研发效率、算法进展和 AI 贡献度的量化分析。对于关注 AI for AI、AutoResearch 和 RSI 的读者，这是一份很值得研读的研究报告。
04. Early progress on accelerating drug development with Claude
发布机构： Anthropic Science；合作机构包括 Generate Biomedicines、BigHat Biosciences、Bristol Myers Squibb 等
Anthropic 展示了 Claude 进入真实药物研发流程的一系列案例，覆盖分子设计、实验规划、数据分析和研发决策。其中，Generate Biomedicines 利用 Claude Code 改造 CAR-T 相关设计；BigHat 团队则让 Claude 参与抗体优化和实验指标修订，在约十周内完成约 1,010 个变体的实验测试。这些案例展示了通用基础模型如何参与多轮科研迭代，并与真实实验反馈形成闭环。对于 AI4S 研究者和 Biotech 创业团队，值得关注的是模型在科学工作流中承担了哪些具体任务，以及实验反馈如何进一步推动模型与研究方法的改进。
05. The sleep framework: A new way for LLMs to retain knowledge in continual learning
作者及机构： Ali Behrouz、Vahab Mirrokni，Google Research
图：Sleep Framework：从短期记忆出发，经离线巩固与“做梦”形成参数记忆。
Google 提出了一种受人类记忆巩固过程启发的持续学习框架，让模型交替经历交互学习与离线“睡眠”。在睡眠阶段，系统通过启用预分配的 MoE 记忆模块、On-Policy Distillation 和合成数据训练，将短期经验转化为长期参数知识，并利用“做梦”机制探索新的训练样本。论文展示了持续知识更新、长上下文记忆和推理任务中的多项实验收益。这项工作将 Continual Learning、Memory Consolidation 与模型自我改进整合进同一个训练框架，为长期运行的 AI 系统提供了不同于外部记忆检索的技术路线。
点击下方关注我们
加入我们
JOIN US
扫码关注公众号
加入读者群
👋 Research AI+是一个面向青年研究者的 Global开放社区。我们汇聚了AI 、AI for Science/Engineering、Physical AI 方面的众多优秀学者、科研工作者、产业界研究员、工程师、AI项目开源贡献者和Tech Founders。是一个站在学术、产业与创业交叉点的创新型开源社区。
🍻我们日常会有前沿技术分享、闭门讨论会、Tech meetup、Research Party 等有意思的社区活动，希望通过高质量的社区活动和内容来促进科研、工程、技术的交流和进步！
👀社区有自己的媒体，会经常分享前沿科研工程内容和高质量的技术活动资讯，同时我们也会深度报道值得被关注的研究者、工程师、技术创业者，欢迎优秀的工作和团队来稿～也欢迎关注我们！