工程实践美团技术团队
文章系统介绍Agent评测的概念、目的与方法论，强调Agent评测是“观测+评测=持续迭代”的工程实践。作者指出Agent评测需覆盖结果、过程、效率、风险四层，并从“答案评测”走向“行为评测”。核心方法论包括：建立从业务指标到模型指标的分层指标桥梁；客观评测与主观评测并行，通过“人人一致、人机一致”和二元化Rubric对齐主观标准；以Bad/Good Case驱动评测体系迭代；专家知识补充垂域能力。文章还分析了长程Agent带来的评测范式变化，从面向Query-Answer转向面向Task-defined behavior，并提出评测基础设施应具备全链路回放、沙箱、AI评测引擎等能力。全文源自美团图灵团队两年实践经验，适用于企业级Agent系统评测体系建设，但对学术评测算法探讨有限。
推荐收录，因为文章不是浅层科普，而是结合多个业务案例深入拆解了Agent评测的工程化方法论，提供了分层指标、人机对齐、二元化Rubric等可直接复用的实践策略，对正在或计划建设Agent评测体系的产研团队有显著参考价值。其“从Bad Case驱动迭代”和长程Agent评测转型的思路尤其适合当前Agent快速发展的工程需求。
科研议题美团技术团队
本文介绍了美团LongCat团队提出的MineExplorer基准，用于系统评估多模态大模型在动态开放世界（Minecraft）中执行长程任务的能力。基准设计了具备完整物理规则和实时状态演化的3D环境，并引入隐藏前置条件的多跳任务结构（1～4跳），要求模型自主推理出未在指令中说明的子目标。构建采用多智能体协作流程，生成813个高质量任务实例，覆盖感知、推理和行动三大维度共14项细粒度能力。在18个主流模型上的评测显示，到强模型Claude‑Opus‑4.6整体任务成功率仅41%，多跳性能断崖式下降，推理与导航是主要瓶颈，且增加推理步数或历史帧数无法有效提升表现。结论指出当前多模态模型从感知到行动的规划鸿沟，并开源了评测框架、数据合成工具和训练环境，为具身智能研究提供了可量化的能力基线。
推荐收录。该文不仅贡献了一套精心设计的开放世界长程任务基准，还通过严谨的实验揭示了多模态大模型在隐藏前置条件推理与动态规划方面存在的系统性缺陷。其方法论、消融分析和开源资源对AI评测、具身智能及智能体研究领域具有直接参考价值，能够帮助研究者更准确地定位模型瓶颈并规划改进方向。
科研议题美团技术团队
文章介绍了美团LongCat团队提出的搜索智能体评测基准LoHoSearch，旨在解决人工出题基准如BrowseComp易饱和、难度上限受限的问题。LoHoSearch基于覆盖762万实体的维基百科知识图谱自动生成题目，通过控制搜索空间（候选实体数量）和结构复杂度（约束交叉与环形依赖）系统性地提升难度，最终构建出544道经人工核验的题目。实验显示，当前最强模型GPT-5.5准确率仅34.74%，远低于在BrowseComp上的表现；重复采样和上下文管理策略的增益在长程搜索中显著收窄，揭示了信息丢失等新挑战。该基准不仅为搜索智能体提供了更具区分度的评测标尺，也为上下文管理研究提供了困难试验场，但其静态英文维基百科来源可能限制了对多语言或动态知识的覆盖。
本文系统展示了基于知识图谱构建高难度搜索基准的自动化方法，直接回应了现有评测基准饱和的困境，证据扎实，实验分析深入。适合从事搜索智能体、大模型评测及上下文管理的研究者与工程师阅读，其中双重难度控制机制和上下文策略失效的发现，为设计更鲁棒的搜索系统和研究长程推理提供了可迁移的洞见。
工程实践美团技术团队
本文介绍美团万亿参数大模型 LongCat-2.0 在国产算力集群上的推理优化与开源实践。面对国产芯片显存、带宽和互联受限的挑战，团队从模型架构（LongCat 稀疏注意力、ScMoE 核心级并行、N-gram Embedding）、芯片适配（Super Kernel、Weight Prefetch、KV-cache 传输）和部署策略（PD 分离、EP 负载均衡、多推理特性适配）三个层面进行深度协同优化，实现了百万级上下文的高效推理。此外，模型通过多教师在线蒸馏和 MOPD 架构融合了 Agent、推理与交互能力。文章指出，该方案已在真实 Agentic Coding 任务中稳定运行，验证了国产芯片承载复杂大模型的可行性，并通过开源提供可复现的技术路径。
推荐收录，因为本文详细展示了在显存与带宽受限的国产硬件上部署万亿参数大模型的完整工程方案，包括模型、芯片适配和部署多个层面的协同优化，有明确的技术细节、架构取舍和验证结果。对于从事大模型推理优化、国产算力适配或大规模分布式服务的工程师，文中的稀疏注意力、ScMoE 算子融合、PD 分离部署和 EP 负载均衡等实践具有直接的迁移价值，也体现了在约束条件下进行系统设计的工程思维。
科研议题美团技术团队
文章是美团履约AI团队对 ACL 2026 前沿论文的专题分享，围绕大模型 Agent、推理、记忆管理与多模态交互梳理研究进展。GeoRA 通过 SVD 初始化低秩适配器并冻结残差，缓解 RLVR 中的谱塌缩和训练不稳定；CoT-Flow 将离散推理步建模为概率流，用“速度向量”刻画每步信息增益并压缩推理长度。UserLM-R1 与 Fine-Mem 分别从可进化用户模拟器和细粒度记忆奖励归因出发，提升对抗交互和长期任务表现；DuplexOmni 则用交互层/思考层异步协作实现低延迟全双工多模态对话。整体上，这组工作展示了 ACL 场景下“推理增强 + 交互环境 + 记忆系统 + 多模态系统”四条路线。文章更偏研究综述与方法介绍，适合关注 Agent 后训练和论文脉络的读者，但缺少完整实验细节与复现步骤。
收录依据很明确：正文不是泛泛介绍，而是逐篇给出问题定义、方法核心和基准结果，覆盖 RLVR、推理建模、用户模拟、记忆管理与全双工多模态等多个研究点。适合做论文选题、组会分享和技术路线扫描，但它更像论文专场综述，工程落地与复现细节相对有限。
科研议题美团技术团队
这篇文章是美团技术团队 ASX 专场的顶会论文分享，集中解读了 6 篇围绕 Agent、LLM 后训练、奖励建模与多模态评测的研究。前半部分讨论了可验证奖励强化学习中的样本调度、负样本投影残差和对比驱动评分准则生成，核心目标是提升推理能力、稳定性与奖励可解释性。后半部分介绍了两个真实场景基准 LocalSearchBench 与 DiningBench，以及自进化智能体 Mem2Evolve，强调评测环境、工具调用和经验蒸馏对 Agent 能力的重要性。文章给出的结论比较一致：当前模型在真实搜索与多视角推理任务上仍有明显短板，而更好的训练目标、基准设计和记忆机制能显著改善表现。整体属于论文导读型内容，适合快速把握 ASX 团队关注的研究方向，但每篇论文展开深度有限。
推荐收录，因为文章明确解读了 6 篇顶会论文，并给出了方法要点、实验结论和真实场景基准结果，具备可复用的研究视角。适合关注 Agent、LLM 后训练、奖励建模和基准评测的研究人员与工程实践者；需注意它是论文分享而非完整论文解读，细节深度相对有限。
科研议题美团技术团队
这篇文章是美团技术团队对 ICML 2026 录用论文的精选解读，集中介绍了团队入选的 13 篇工作及其研究主题。内容覆盖智能体推理、环境合成、价值模型、自我验证、噪声鲁棒性评测、Agent-as-a-Judge、视频生成、世界模型、身份保持生成、监督微调与竞价决策等多个方向，基本勾勒出当前机器学习前沿在“长时序交互、评测、训练稳定性和生成质量”上的热点。每篇简介都点出了方法核心，例如记忆压缩、工具依赖图扩展、策略解耦价值估计、双频专家、因果流式建模和混合分布出价等。文章还给出了若干实验结论，如在长上下文、噪声条件、长视频和多轮任务中相对基线的提升，说明这些方法不仅是概念性探索，也关注实际可验证性。它的不足在于篇幅偏综述式，单篇论文的推导、实验设置和局限展开较少，更适合作为研究脉络速览和选题线索，而非深入复现指南。
推荐收录，因为正文明确给出了 13 篇 ICML 论文的题目、方法要点和实验结论，属于可用于把握机器学习前沿方向的研究综述型内容。适合研究人员、算法工程师和论文阅读者快速了解智能体、评测、生成与微调等主题的最新进展，但若要复现或深入论证，仍需回到原论文。
科研议题美团技术团队
文章介绍美团 LongCat 团队开源的 VitaBench 2.0，一个面向真实生活场景、长期动态用户建模的智能体评测基准。它以56名拟真用户、819个复杂任务、2000多个动态偏好和平均1580天的时间线为核心，评测大模型在个性化决策、主动沟通和持续记忆更新上的能力。文中还统一对比了长上下文、Agentic Memory 与 RAG Memory 两类记忆策略，结果显示随着时间拉长，模型性能普遍下降，记忆模块并非“装上即好”。实验也指出，开启思考模式并不总能提升个性化任务表现，而当前瓶颈正从工具使用转向偏好理解与应用。整体来看，这是一套用于研究长期陪伴型助手的评测方法，而非直接解决方案，其结论更适合指导智能体记忆、主动性和个性化能力的后续设计。
收录理由很明确：文章不仅给出开源基准，还提供了用户轨迹、任务规模、时间跨度和记忆策略对比等可验证证据，能够支撑长期智能体研究。适合做 Agent 评测、记忆系统和个性化助手设计的读者参考，也便于迁移到其他长期交互场景。
科研议题美团技术团队
文章介绍了美团开源的原生多模态模型 LongCat-Next，核心思路是把图像、语音和文本统一离散化为同源 Token，并用单一自回归框架进行下一 Token 预测，从而同时覆盖理解与生成。文中重点拆解了 DiNA 原生离散自回归架构、dNaViT 视觉分词器以及面向语义完备表示的编码策略，并用多项基准结果说明这种统一范式在 OCR、图像理解/生成、音频交互、工具调用和代码任务上具有竞争力，但整体结论仍依赖其训练设定与 benchmark 比较方式。
推荐收录，因为它不是简单的产品发布，而是完整讨论了原生多模态离散建模的架构选择、表示学习思路和实验结果，对理解多模态大模型的统一化路线有长期参考价值。对于关注多模态、离散表示和 LLM 架构演进的读者，这篇文章能提供可迁移的设计视角，但其中的性能结论仍应结合复现与数据集细节审慎解读。
科研议题美团技术团队
文章介绍了美团开源的定理证明模型 LongCat-Flash-Prover，核心目标是让模型从“能给出答案”走向“能生成可由 Lean4 严格验证的证明”。作者将形式化推理拆成自动形式化、草稿生成和证明生成三类原子能力，并结合工具集成推理、混合专家迭代、课程学习式轨迹合成与 RL 训练，构建出一套面向形式化数学的训练与验证框架。文章同时给出 MiniF2F-Test、ProofNet、MathOlympiad-Bench、PutnamBench 等基准结果，并讨论了模型在证明中可能出现的“作弊”行为及其规避方法。
推荐收录，因为它不只是发布一个模型，而是系统讲清了形式化定理证明的任务拆解、数据合成、工具反馈、训练稳定性和评测边界，具有很强的方法论价值。对做大模型推理、自动证明、形式化验证或工具增强学习的读者，都能直接借鉴其中的框架设计与风险控制思路。
工程实践美团技术团队
本文复盘了一个在大规模 AI Coding 场景下，对 31 万行复杂业务系统进行渐进式重构的工程实践。作者提出用“Agent 评测”的思路管理 AI 编码：先通过团队共识完成“人人对齐”，再把规范固化为 AI Rule、Skill、Pre-PR 和多层审查机制，实现“人机对齐”，并在不停止业务交付的前提下，逐步消化技术债、重建分层架构和业务模型。文章还讨论了 AI 如何改变经验的价值边界，以及如何用 AI 辅助测试、Code Review 和跨模型互审来缓解 AI 提效后带来的下游瓶颈；其适用前提是团队已具备明确的工程治理意识和一致的架构标准。
推荐收录，因为这不是泛泛而谈的 AI 编程感想，而是把 AI Coding 纳入工程治理体系的一套可复用方法论，包含规范、评审、测试和重构的闭环设计。对正在经历 AI 产能上升、代码规模膨胀和技术债加速累积的团队尤其有参考价值。
科研议题美团技术团队
这篇文章由美团技术团队精选并解读了 6 篇 ACL 论文，主题覆盖代码智能评测、复杂业务 SOP 流程评测、超高难数学推理基准、LLM 过度思考分析、基于 RL 的推理优化，以及生成式推荐中的隐式推理建模。文章的核心价值在于把当前大模型研究的几个关键方向串联起来：一方面强调评测基准正在从“会答题”走向“会做事”，另一方面展示了推理动态分析与后训练优化如何进一步提升模型的效率、稳定性和可扩展性。
推荐收录，因为它不是简单罗列论文题目，而是围绕 ACL 前沿研究做了结构化筛选和要点归纳，覆盖评测、推理、强化学习优化与推荐系统等多个方向。对于想快速把握大模型研究脉络、寻找可继续深挖的论文线索的读者，这类综述型内容具有较强的迁移价值。
科研议题美团技术团队
这篇文章介绍了 LARYBench，一个面向具身智能隐式动作表征的系统化评测基准，试图解决“人类视频如何转化为机器人可用动作表征”这一长期存在的评测空白。文章详细定义了本体动作、原子语义动作和复合语义动作三层任务，构建了覆盖多视角、多本体、多场景的大规模数据集，并通过浅层探测头分别评估表征的回归和分类能力。实验结果显示，通用视觉基础模型在动作泛化和控制精度上整体优于专门的具身动作模型，说明从大规模人类视频中学习通用动作表征是可行的，但也揭示了当前隐式动作模型在表征质量和跨本体泛化上的边界。
推荐收录，因为它不是简单的模型宣传，而是提出了一个可复用的研究基准、明确的评测协议和有辨识度的实验结论，能够长期服务于具身智能与视觉表征研究。对关注机器人学习、视频表征和基准设计的读者来说，这篇内容具有很强的参考价值和方法迁移价值。
工程实践美团技术团队
文章系统介绍了美团围绕商业海报生成建立的 AIGC 技术闭环，核心由 PosterCraft、PosterOmni 和 PosterReward 三项工作组成，分别对应端到端高质量生成、多任务统一编辑与专用质量评估。作者详细展开了数据构建、分阶段训练、奖励模型、偏好对齐和统一评测基准等方法，并说明这些能力已在外卖套餐图、品牌 IP 和信息流治理等真实场景中落地。
推荐收录，因为它不是单纯展示模型效果，而是完整呈现了生成、编辑、评估三位一体的工程与研究闭环，包含数据、训练、奖励和评测的关键设计。对做多模态生成、AIGC 工程化或行业落地的读者，都有很强的可迁移参考价值。
科研议题美团技术团队
本文介绍美团 LongCat 团队的 LongCat-AudioDiT 零样本 TTS 音色克隆模型，核心思路是抛弃梅尔频谱等中间表示，直接在波形潜空间中用 Wav-VAE + DiT 完成文本到语音生成。文章重点讲解了两项关键改进：一是修复流匹配 TTS 中训练与推理阶段对提示区域约束不一致的问题，二是用自适应投影引导（APG）替代传统 CFG 以缓解过饱和并提升自然度。作者还分析了潜空间维度与帧率的权衡，展示了该模型在 Seed 基准上取得的零样本语音克隆 SOTA，并给出可懂度指标保持竞争力的结果，说明“直接波形隐空间生成”路线在高保真语音合成上是可行的。
推荐收录，因为它不是简单的产品发布，而是完整展示了一个语音生成研究方案的架构选择、训练/推理修正、引导策略和实验验证。对做语音合成、扩散模型或生成式音频研究的读者，这篇文章有较强的迁移价值，尤其适合参考模型设计与评测思路。
科研议题美团技术团队
这篇文章介绍了美团 LongCat 团队开源的通用推理评测基准 General 365，核心目标是把大模型评测从数学、编程等“学科推理”扩展到更贴近日常场景的“通用推理”。文章详细说明了基准的设计思路：将知识范围限定在 K-12 水平，通过八大推理维度、原创种子题扩展、人工质检与混合评分机制，尽量剥离专业知识干扰，衡量模型真实的逻辑推演能力。
同时，文章给出了对 26 款主流模型的实测结果与跨基准对比，指出当前 SOTA 模型在通用推理上仍存在明显短板，尤其容易在语义干扰、最优策略和多步规划上失分，而且更高难度并不只是拉长输出，而是显著增加了推理链条复杂度。它的价值不仅在于提出一个新基准，也在于为理解“大模型会不会真正思考”提供了更可操作的测量框架和边界条件。
推荐收录，因为它不是简单的产品宣传，而是围绕一个可复用的研究基准，系统说明了问题定义、数据构造、评分方法和实验结论。对做大模型评测、推理能力分析或 benchmark 设计的读者来说，文章提供了很强的迁移价值。
科研议题美团技术团队
这篇文章介绍了美团 LongCat 团队提出的 WBench，一个面向交互式视频世界模型的系统性多轮评测基准。文章不仅说明了基准的设计原则——世界定义、指令集、统一交互接口和评测套件——还给出了 289 个测试案例、1058 轮交互、四类交互任务，以及用于衡量视频质量、设定遵循度、交互遵循度、一致性和物理真实性的指标体系。文中进一步总结了对 20 个前沿模型的评测结论：没有全能模型，导航能力与画质几乎脱钩，多轮交互会显著退化，且开源模型在部分能力上已具备竞争力。
推荐收录，因为它不是简单的模型榜单，而是围绕“交互式世界模型如何评测”提出了可复用的基准设计与验证方法。对于做生成式视频、世界模型、具身智能或多模态评测的读者，这篇文章能直接提供指标设计、任务拆解和多轮闭环评估的参考框架。