装配顺序不再靠事后修补：约束内进化的规划器在128个可恢复扰动场景里全部给出精确最优剩余序列
模块化装配中，机器人任务顺序必须满足装配先后约束，并在开工后条件变化时重排。约束感知遗传任务规划（CGTP）把初始化和变异都限制在满足先后约束的可行区域内，重规划时冻结已完成工序、只重算剩余任务图。在可穷举验证的八任务基准上，128个结构可恢复场景全部返回精确最优可行后缀，3个不可恢复场景全部被正确标记；在90个实例的语料上，各类扰动恢复率为0.881至1.000，且没有预算导致的搜索失败。
智能体工作流不再每次重造：先攒一个工作流池，再用上下文老虎机按题挑
智能体工作流的选择被改写成上下文老虎机问题：在五个基准上平均分达到81.37%，MATH上训练阶段token开销至少降低40.55%。
NVIDIA 的 AVO 智能体架构在 ARC-AGI-3 公开集 25 个环境全部通关，取得 100.00 RHAE 并完成 183 个关卡
NVIDIA 将通用长时程智能体架构 AVO 从 GPU 内核优化迁移到 ARC-AGI-3 交互推理基准，在公开集 25 个环境、183 个关卡上以 100.00 RHAE 全部通关，共使用 6,624 次环境动作，并报告其持久记忆与监督机制支撑跨领域的持续自主推进。
SEDIMA 为进化搜索智能体加入跨运行分层洞见记忆，在 AlgoTune 与 ALE-Bench LITE 上分别提升 5.5% 与 6.6% 平均最终性能
该工作提出 SEDIMA——一种面向 LLM 驱动进化搜索智能体的持久化分层洞见记忆：它把原始搜索轨迹蒸馏为自然语言洞见，用注意力加权质心按语义相似度聚类，并检索相关指导来条件化后续变异，从而跨运行、跨问题积累可迁移知识；作为不修改搜索算子的即插即用模块，在固定 100 个候选评估预算下使 AlgoTune 平均最终性能提升 5.5%、ALE-Bench LITE 提升 6.6%，并在 OpenEvolve 下于五个被评估骨干模型上平均减少 32.3% 的迭代次数即可达到基线最佳性能。
EvoDuet 让大模型在进化搜索中按知识缺口检索网页，在 21 项优化任务上把 OpenEvolve 的归一化发现增益从 74.1% 提到 78.0%（GPT-5.6-Luna）、从 61.3% 提到 82.3%（Gemini-3.8-Flash），并在 8 项任务上超过此前最好成绩
该工作提出 EvoDuet，一种在模型参数固定的前提下让解与网络搜索查询双层协同进化的方法：每轮由基于知识缺口的检索门决定检索新文档、复用已存文档或不检索，内层循环按“假设证据评分”预测文档能带来的解分数并据此改写查询，外层循环并行生成候选并把评估结果写回搜索数据库；在 21 项优化任务、每轮一个候选的设置下，它把 OpenEvolve 的归一化发现增益从 74.1% 提升到 78.0%（GPT-5.6-Luna）、从 61.3% 提升到 82.3%（Gemini-3.8-Flash），Qwen3.5-9B 未获益，最佳运行在 8 项任务上超过此前报告的最好成绩、3 项持平，并在 Sums/Diffs 与 Denoising 上同
已读完全部报道