Agent 智能体

AI 导读研究者构建了 SciΠvot 基准，包含 248 个基于人类纠错记录的案例，来自高级研究员六个月内在 26 个科研项目、六个学科方向上对 LLM 智能体的反复干预。每个案例让模型在原始 LLM 方案与人类修正方案之间选择，且只能用纠错前的项目记录作为上下文。结果显示，在中等推理强度并提供项目记录时，模型系统性地偏好原始 LLM 方案；五个前沿模型中四个在所选案例上低于随机水平，最高准确率为 63.5%，而新手研究员为 73.4%。中等强度下，所有模型带项目记录的准确率反而低于不带记录，重新考虑也未持续提升整体准确率。

AI 选稿理由该基准首次用真实科研纠错记录系统评测 LLM 智能体的科学判断力，揭示前沿模型在关键研究决策上仍弱于人类，为自主科研智能体的评估与改进提供了可复用的测试集和方法。

AI 导读论文提出文件选择器 CQ2-CARE：在 300 个 SWE-rebench 问题上，用相同 token 预算时，把预算用于挑选要原样展示的整份文件，而不是压缩 token 或检索代码块。配 GPT-5.6 与 Claude Opus 5 分别解决 43.7% 和 46.7% 的问题，比三种压缩器最佳结果高 6.3 个百分点，比三种检索器最佳结果高 9.3 与 12.7 个百分点，也超过 SweRank 和 SWE-Pruner。作者分析称检索器常漏掉要改的文件，压缩器保留了文件却改写文本，导致补丁更难应用。

AI 选稿理由指出补丁类编码 Agent 的上下文瓶颈在于选对整份文件而非压缩，且方法无需额外压缩模型即可提升可应用补丁比例，对做代码 Agent 上下文管理的人可直接复用。

AI 导读研究人员提出RSIFlow框架，通过诊断性能瓶颈和环境反馈动态选择改进工作流，元代理将工作流结果提炼为组件技能和跨组件原则，实现工作流编排的持续进化。在六个基准测试和两个骨干模型上的实验显示，RSIFlow在所有基准测试上达到最先进平均性能。

AI 选稿理由解决了LLM代理自我改进工作流难以适应性能瓶颈的挑战，通过元代理进化实现工作流编排的自适应优化，显著提升复杂任务处理能力。

AI 导读针对语言代理训练中长轨迹 rollout 成本高的问题，CoPE 提出多步动作目标监督机制，通过让策略主干网络同时学习生成动作序列和预测未来动作，实现行动与预测的协同进化。在五个基准测试中，CoPE 不仅超越 GRPO 和 RL 基线，还比 ECHO 和 GRPO 提升最高 1.9 倍和 2.0 倍的样本效率，且无需额外模型或推理开销。

AI 选稿理由CoPE 解决了语言代理训练中长轨迹成本高和中间步骤监督利用率低的瓶颈，通过单一策略主干实现高样本效率，适用于多领域任务。

AI 导读随着前沿编码智能体的发展，AI辅助软件工程的token成本显著增加。TokenEconomizer通过确定哪些操作微技能要注入、哪些持续无关的工具要修剪以及何时干预无效的失败循环，在Claude Code、Codex和GitHub Copilot CLI配合前沿模型的情况下，将平均token成本降低了18.4-30.9%，同时保持了可比的任务成功率。

AI 选稿理由TokenEconomizer通过自适应黑盒成本控制，有效降低了编码智能体在现实环境中的token成本，提高了token效率。

AI 导读研究者提出 OS-Helix，一个端到端训练的多模态计算机使用代理，将 GUI 操作与代码执行统一在同一动作空间中。实验发现简单加入代码工具会拖累 GUI 代理，因此需要混合数据训练内化路由能力。团队通过应用-工件组合生成可执行 Ubuntu 状态和可验证任务，先用 SFT 冷启动，再在真实桌面环境做在线 RL，并提出按动作步聚合权重的 Step-balanced GSPO。在 OSWorld-Verified 上，OS-Helix-27B 与 OS-Helix-35B-A3B 相对同规模 Qwen3.5 混合基线分别提升 35.0% 和 33.7%，OS-Helix-27B-RL 再提升 42.9%，成功率达 66.44%。

AI 选稿理由把 GUI 操作和代码执行训练进同一策略，解决了此前靠提示词拼工具导致代码能力拖累 GUI 的瓶颈，并给出可验证数据生成和 RL 优化方法，可供构建桌面自动化代理的研究与工程团队参考。

AI 导读研究团队提出Lean4AgenticRL框架，首次将多层次过程奖励统一到Lean4形式化架构中，解决了当前大型语言模型在强化学习中仅依赖高层结果奖励的问题。该框架构建了问题特定工作流系统，并使用工作流阶段归一化的GRPO算法提供多层次奖励，训练出的LAR-9B/27B模型在TerminalBench-2.1上达到77.3%准确率，比基线模型高9.89%，比同类最佳模型高5.07%。

AI 选稿理由首次将形式化方法与多层次奖励机制结合，显著提升了智能体在复杂软件工程和终端使用任务中的强化学习效果。

AI 导读本期主线有三：xAI 发布语音到语音模型 Grok Voice 3.0，延迟低于 1 秒并改善客服表现；Google Research 开源 Harness²，让智能体在不改模型权重的前提下迭代改进提示词、工具、记忆与编排，其 Deep Review 系统可对复杂技术文档做严格技术核查；观点部分讨论路由器成为 AI 栈新原语、开源专才模型与前沿系统在路由后共存。此外 Anthropic 为 Claude 托管智能体与 SDK 加入 OpenTelemetry 追踪，vLLM 推出基于推送的 KV 传输优化 TTFT/TPOT，Netflix 分享大规模 GPU 训练容错实践，Ling-3.1-flash 以 5600 亿总参数、250 亿激活参数和百万 token 上下文开源。

AI 选稿理由Harness² 让智能体通过改进外部框架而非重训权重持续自我提升，并跨任务迁移经验，为智能体工程提供了可复用的自改进路径；Deep Review 可用于论文与技术文档的自动核查，Grok Voice 3.0 的亚秒级语音交互则降低了实时客服等场景的落地门槛。

AI 导读一篇论文报告对 GPT-6-Astra 在具身任务上的评估：在涵盖桌面操作、人形、移动平台与灵巧手的 12 项基准上，允许从训练集演示进行上下文学习并大幅增加执行步数后，模型取得前所未有的成绩；同时它识别出高层 System 2 推理（GPT-6-Astra）与低层 System 1 控制器（如 π0.5）的闭环协作成本高但有效。在 8 种机器人配置的真实部署中仍存在明显差距：ICL 所需机器人演示采集昂贵，物理约束下难以用更长执行时间换取更高成功率。结论是该模型大体越过了具身能力门槛，但尚未达到实用具身智能。

AI 选稿理由给出 GPT-6-Astra 在 12 项具身基准和 8 种真实机器人配置上的一套评估方法与实测差距，指出 ICL 演示成本、执行时间与物理约束是落地瓶颈，为具身智能研究与部署提供可复用的问题清单。

AI 导读研究系统评估了OPSD（在策略自蒸馏）中16种特权信息配置，覆盖三个多轮Agent基准和三个不同规模、推理模式的学生模型。结果显示，PI效果取决于内容、生成来源和学生模型：信息密集轨迹和更强生成器产出的PI增益更大，思考模型受益较不一致。研究提出两个KL指标（采样token反向KL和错误步KL对比）来在训练前评估PI，比PI效用更可靠，且用错误步KL选PI优于随机选择；有效PI与GRPO结合还能超过强GRPO基线。

AI 选稿理由提出用KL指标在训练前预测特权信息效果的方法，并在多轮Agent基准上验证优于随机选择，为OPSD中PI构建提供可复用的评估手段。

AI 导读在AI Engineer纽约大会上，OpenAI的Joseph Kim提出模型能力越过“有用性阈值”后，金融Agent将能承担投资想法生成和交易；Anthropic则强调先建立身份、权限、沙箱、审批与可复现的信任层，让Agent只提议不执行。Two Sigma与Bloomberg补充了分类器、范围化凭证、工具调用控制与熔断开关等落地控制手段。

AI 选稿理由整理了OpenAI、Anthropic、Two Sigma和Bloomberg在金融Agent安全上的具体设计，包括审批分类器、身份权限层和确定性外部控制，可供开发金融Agent的团队直接参考。

AI 导读Leash Bio 的 Ian Quigley 在 Latent Space 播客中介绍了公司利用 DNA 编码文库（DEL）收集蛋白质与小分子结合数据的方法，并透露团队将多年积累的数据转化为数万个“实验室在环”模拟环境，用于智能体做可验证的科学推理。两个月后，该工作发展为 Minos，并释出完整预印本、博客和开放数据集。播客还讨论了 Kaggle 竞赛中 40 亿次测量显示模型在未见化学库上无法超越随机、ChEMBL 中“作者身份”可预测分子活性、Hermes 仅用自研数据在公开基准上与 Boltz 持平，以及智能体在 650 万分子中按预算筛选最佳结合物等发现。

AI 选稿理由Minos 将 DEL 实验数据转为可验证的智能体科学推理环境，并开放数据集与预印本，为 AI 做化学与生物领域的强化学习提供可复现的“实验室在环”模拟基础。

AI 导读基于 Amazon Bedrock AgentCore 的多智能体 IDP 系统可自动分类、提取、校验并学习新文档格式，无需人工配置模板，通常 20 分钟内即可完成部署。

AI 导读使用Amazon Bedrock AgentCore构建的AI代理系统可将演示文稿生成时间从手动创建的数小时缩短到90秒以内。该系统使用监督代理路由请求到专门工具，结合RAG管道确保内容基于源文档，并通过Amazon Bedrock Guardrails验证内容合规性。解决方案包含公开代码库，支持企业集成和自定义配置。

AI 选稿理由原文提供了完整的实现方案和性能数据，读者可以据此评估类似AI代理系统的实用性和成本效益。

AI 导读Tamnoon使用Amazon Bedrock构建了名为Tami的AI云安全修复编排器，通过四个专业AI智能体自动调查、评估安全风险并生成修复方案，实现了90天内关键云暴露减少90%，没有生产问题。系统与CNAPP和云安全工具集成，将发现的问题转化为经过验证的生产安全修复方案。

AI 选稿理由原文详细展示了AI智能体在云安全修复中的实际应用和显著效果。

AI 导读欧洲多国城市正联合 ABA Technology、Akila、K2K、Milestone 等软件伙伴，基于 NVIDIA Cosmos、Nemotron 开放模型、Omniverse 库和 Metropolis VSS Blueprint 构建物理 AI 智能体与数字孪生，用于交通、能源、公共安全等城市运营。

AI 导读谷歌 Gemini 4 Argon 正式 GA，覆盖编码、知识工作与企业工作流，API 入门价每百万输入/输出 2/10 美元，11 月 30 日后翻倍；Cursor 默认 52.8% CursorBench，Cognition 报告 FrontierCode 1.1 达 60.5%。AI Engineer NYC 吸引约 2 万人，Anthropic、Vals AI、Coatue 分别分享金融服务栈、模型基准原则与新闻转投资决策。Meta 发布 Muse Wonder，主打 Active Focus 与 Active Memory，但订阅限额与部署问题引发早期争议；Fish Audio 开源 35B MoE 语音模型 Drama 3，Drama 3 Preview 以 93.2% 领跑发音鲁棒性。Anthropic 披露日合并量从 5 月 2500 增至 9 月 3 万并弃用 Git；NVIDIA 开源 Run:ai。

AI 选稿理由Gemini 4 Argon 是本周头号前沿模型发布，其入门价仅为 GPT-6 Astra 约六成、幻觉率 15% 为高分区最低，开发者可直接通过 Cursor、Copilot 与 Gemini API 用它做编码、文档与智能体任务，成本与能力窗口值得立即评估。

AI 导读本期头条包括：OpenAI 因行政会议室发现隐藏录音设备而报警，一名员工被解雇并逮捕；Google 将 Gemini 4 Argon 作为前沿模型上线 Google Cloud，面向软件开发、金融、法律与网络安全等长上下文多步任务。深度分析讨论 AI 意识争论，以及 Anthropic 动态工作流如何让 Claude 编写程序协调多个智能体，演示显示细节更丰富但成本远高于单智能体。工程方面，24B 参数、2B 激活的推理模型 LFM2.5-24B-A2B 发布并在 Hugging Face 提供，NVIDIA 将 Run:ai 平台整体开源，Physical Intelligence 通过 Pi API 开放机器人基础模型微调与推理，OpenCode 2.0 更新。其他消息包括 Character.ai 申请 Chapter 11 破产、Ramp 推出 AI 工作空间 Glass、GPT 6.1 Sol 默认上下文窗口提升至 500k。

AI 选稿理由Gemini 4 Argon 作为企业级前沿模型上线 Google Cloud，NVIDIA Run:ai 整体开源为平台团队提供 GPU 利用率与共享 AI 基础设施优化工具，Physical Intelligence 开放 Pi API 让机器人基础模型微调与推理可直接托管调用。

AI 导读研究者提出BizBench，一个基于某头部支付公司真实业务流程的多轮基准，用于评测长周期Agent的中间执行有效性。其可执行环境整合789份知识文档与601个可发现业务工具，包含50个涉及资源约束、时间依赖、既有承诺及冲突/过时指引的任务，通过确定性检查同时评估目标达成与执行合法性。实验显示前沿模型仍有明显短板：Claude Opus 5和GPT-6 Sol严格成功率仅64.0%和61.3%；Qwen3.8-27B目标达成率42.0%但严格成功率降至32.7%；DeepSeek-V4.1-Flash平均每次运行191.3次工具调用，比参考执行多约70%。

AI 选稿理由提供了可执行的长周期Agent评测环境，把评估从只看最终结果推进到检查中间步骤是否合规，可用于支付等高风险业务场景下Agent可靠性的测试与改进。

AI 导读近日，研究人员推出了BlenderWorld，这是首个针对现实3D创作任务评估前沿模型的全面基准。该基准包含223个任务，涵盖建筑、产品、自然环境和科学可视化等领域，通过文本、图像、视频和结构化规范输入驱动。基准测试了13个前沿模型，其中GPT-6-Astra取得了最高总分79.9，其次是Opus-5（73.0）和GPT-5.6-Sol（67.7）。研究发现，尽管当前模型可以解析广泛指令，但在Blender中实现精细的3D空间一致性和准确的结构再现方面仍存在重大瓶颈。

AI 选稿理由BlenderWorld基准测试为3D智能体研究提供了新的评估标准，揭示了当前模型在3D空间一致性和结构再现方面的瓶颈，为未来3D智能体的发展指明了方向。