以观测状态为对齐对象的两阶段后训练，让视觉智能体真正获取并依赖工具返回的证据。

从真实执行轨迹挖掘工具依赖，跨环境合成可回放验证的长程智能体训练数据

同等能力下MCP与CLI表征显著改变智能体行为，DART只修表达不改决策，六设置全部提分

构建物理规则被改动的模拟世界，评测12个LLM无提示自主发现隐藏定律的能力

给现成编码代理装上命令行感知工具包，闭环采集-记忆-解读证据链，五大空间基准全面领先

用实时演化市场做过程级诊断，揭示 LLM 智能体收益排名与真实能力严重脱节

首个贯通工具选择、站立使用与移动使用的 18 任务人形机器人基准

从真实工具失败中挖掘反思元技能，经三阶段训练内化，让8B智能体在噪声环境下主动反思与恢复。

VLM助手调度学习、算法、优化三类工具，从网格零失败重建可编辑CAD程序，六基准全面领先

构建656例SafeActBench基准，定位智能体从证据建立到行动执行的链条断裂点

智能体能准确判出检索结果无用却几乎不停手，只有框架强制集成规则能让停止跟随证据

把工具使用后训练的扩展对象从环境扩展为完整交互系统，用执行反馈自我进化并稳定大规模训练。

小模型先推理再诊断知识瓶颈，按需分档求助强模型，4B低成本胜14B

提出PLANET角色从业务场景合成可执行可验证环境，训练出的策略在域内外基准均显著提升。

把视频理解重构为多轮工具增强任务，20个前沿模型全部低于60%准确率

首个跨用户个人工作空间多智能体协作与攻击可审计的沙盒基准

构建可验证的离线维基百科环境，让搜索智能体自蒸馏迭代进化。

把自我改进智能体形式化为参数更新与脚手架更新两条路径，统一梳理历史、分类、应用与评估。

通过完整轨迹评估代码智能体的生产级基准测试框架

CanvasAgent协调11种视觉工具实现复杂图像创建与编辑。