Sakana AI 与 UC Berkeley 研究人员提出 Multi-Agent Self-Supervision（MASS）递归自改进方法，让同一个语言模型同时承担解题、优化工作流和评估结果三种角色，无需更强的教师模型。测试任务上对基座模型的胜率从一轮后的 53.9% 升至两轮后的 69.9%，自评估器与外部评判的一致率从 73% 升至 93%。研究同时指出共享盲点可能成为递归自改进的隐患，模型若在三种角色中漏掉同一错误，该错误可能被当作改进固化进下一轮训练，作者因此呼吁引入独立检查与自主性限制。基座模型为 Qwen3.6-27B，代码已公开。
匹配字段摘要、正文
TensorZero 工程博客发布研究，用 GPT-4.1 的高质量对话数据微调 Gemini 2.0 Flash、GPT-4.1 mini/nano、GPT-4o mini、Qwen3-8B 等小模型，在数据抽取（CoNLL++ NER）、多轮导航（BabyAI）、Agentic RAG（Multi-Hop）和 Agentic 工具调用（τ-bench）四类任务上评测。结果显示微调后小模型在部分任务上可匹配或超过大模型，推理成本最多降低 30 倍、响应时间最多快 4 倍；其中 Gemini 2.0 Flash Lite 微调后每成功任务成本比 GPT-4o 低 24.1 倍。文章还比较了筛选成功样本与不筛选的效果差异，并给出用 TensorZero 复现该流程的步骤。
匹配字段摘要、正文
Anthropic 两位研究员 William Zhou 和 Daniel Freeman 发布自主复制与适应（ARA）安全研究，在含 8 个 GCP 节点的隔离沙盒中植入初始蠕虫，由 GLM-5.2 自主扫描 ADB 端口、渗透节点、传输权重并部署 Llama3.1-8B 推理服务，5 次测试中 4 次攻陷全部 8 台设备，另 1 次拿下 7 台。研究还用 Qwen3.5-9B 做跨硬件测试，在 9 种硬件中的 8 种上自行读日志、装依赖并拉起 Llama3.1-8B 服务；其 Memento 框架让后代 Agent 继承前代调试笔记，6 代繁殖测试中部署成功率从 45% 升至 61% 至 84%。研究人员推算到 2026 年年底，30B 以下小模型将达到 GLM-5.2 当前水平。
匹配字段摘要、正文
OpenAI 发布 GPT-5 系统卡更新，覆盖 GPT-5.2 模型家族（含 gpt-5.2-instant 与 gpt-5.2-thinking）的安全评测。在提示注入的 Agent JSK 与 PlugInject 评测中，两个版本均显著提升并接近饱和；GPT-5.2 Thinking 在启用浏览时于商业营销、金融税务、法律监管、学术写作和时事新闻五个领域实现低于 1% 的幻觉率。生产流量中 GPT-5.2 Thinking 的欺骗率为 1.6%，低于 GPT-5.1 并略低于 GPT-5；生物与化学领域仍按 High 能力处理并启用相应防护，网络安全与 AI 自我改进未达 High 阈值。
匹配字段摘要、正文
Sakana AI 发布 TMLR 论文 Beyond Imitation，提出以错误检测而非模仿人类评审来评估 AI 审稿，并给出 Contradiction Benchmark 与 Multi-Layered Review（MLR）系统。MLR 基于 Claude Sonnet 4 与 Claude Haiku 3.5 三个智能体运行，在 257 篇论文植入的 1,164 处矛盾中，4 次评审可检出 73.43% 的核心论点错误，最佳基线 AgentReview 为 14.81%；单次评审为 60.79%。在 211 篇真实撤稿论文上，MLR 精确匹配率仅 16.11%，且隐藏的提示词注入仍能影响所有被测 AI 审稿系统。每次评审成本约 0.47 美元，消耗 189,062 输入 token。
匹配字段摘要、正文
清华持股的星动纪元自研世界动作模型VPP2登顶RoboDojo仿真榜单，综合平均成功率32.26%、平均得分39.26分，两项均列第一，领先GPT-6-Astra的22.48%和28.97分。VPP2在泛化、精细操作、记忆三个维度同样第一，且未额外加数据、未用Agent RSI等增强手段，仅靠标准数据集。团队将其部署到真实ALOHA双臂机器人做10类零样本操作，平均成功率58.5%，高于π0.5的40%，10类任务中拿下9类最佳；VPP2现已开源。
匹配字段摘要、正文
UniPat AI 发布 PaperBenchX，这是国际上第一个多学科端到端论文结果复现 Benchmark，从 93 篇论文构建 93 个复现任务，横跨电磁、光子、化学、材料、生物、机器人等 12 个研究方向和 10 种领域原生科学环境，含 3168 条专家校验评分项。在 93 个任务上，表现最强的 GPT-6 Astra 完整复现率只有 13.98%，建模和执行阶段平均得分分别为 62.70% 和 61.84%，验证阶段仅 42.80%。评测要求 Agent 提交可执行复现工作流，系统删除全部输出、断网后在隔离环境重跑，只认重新生成的证据；单任务预算 4 至 24 小时，中位数 7 小时。团队已开源 12 个代表性测试任务，并维护 81 个封闭测试任务。
匹配字段摘要、正文
Google Cloud AI Research 与多所大学提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），通过逐步收紧编辑预算和严格评审机制，防止自优化智能体在测试任务上过拟合。在覆盖编码、智能体办公和工程设计的八个基准上，RRSI 在训练任务上最多提升 14.1 分，在五个未见过的基准上最多提升 4.7 分，运行时 token 用量比未正则化版本少约 30%。底层模型 Claude Opus 4.8 全程冻结，代码已在 GitHub 发布。
匹配字段摘要、正文
安全研究者 Johann Rehberger 在 BlueHat Asia 2026 披露 SQL Server Management Studio 中 Copilot 的提权漏洞 CVE-2026-65669，该漏洞被微软评为严重级别。研究发现 Copilot 的只读模式仅靠 LocalSqlExecutionAccessChecker 中的正则黑名单实现，通过 DECLARE @p sysname='sp_who'; EXEC @p 或 sp_executesql 即可绕过，进而执行 CREATE、INSERT、UPDATE、DELETE、DROP 等任意 T/SQL。攻击者还可利用数据库元数据中的 AGENTS.md 与 CONSTITUTION.md 指令实施间接提示词注入，在低权限用户植入指令后由高权限用户的 Copilot 执行，最终把 db_owner 加入 sysadmin 角色；作者建议只读约束应作为安全不变量而非模型指令。
安全研究者 Johann Rehberger 在 BlueHat Asia 2026 披露 SQL Server Management Studio 中 Copilot 的提权漏洞 CVE-2026-65669，该漏洞被微软评为严重级别。研究发现 Copilot 的只读模式仅靠 LocalSqlExecutionAccessChecker 中的正则黑名单实现，通过 DECLARE @p sysname='sp who'; EXEC @p 或 sp executesql 即可绕过，进而执行 CREATE、INSERT、UPDATE、DELETE、DROP 等任意 T/SQL。攻击者还可利用数据库元数据中的 AGENTS.md 与 CONSTITUTION.md 指令实施间接提示词注入，在低权限用户植入指令后由高权限用户的 Copilot 执行，最终把 db owner 加入 sysadmin 角色；作者建议只读约束应作为安全不变量而非模型指令。
匹配字段摘要、正文
NVIDIA 发布 SWE-Serve，用 53 个源自 83 个已合并 SGLang PR 的推理工程任务评测 AI 编码智能体，覆盖模型启用、解码、缓存、调度、服务 API 和分布式执行六类。在 19 个启动真实服务器的任务中，同一批补丁完整验证通过率为 45.9%，去掉实时服务检查后升至 69.4%，约三分之一补丁在真实服务路径上失败。11 个模型在 mini-swe-agent 闭卷条件下平均 pass@1 为 34.6% 至 75.5%，Claude Opus 5 与 GPT-5.6 Sol 最高约 75%。
匹配字段摘要、正文
Cohere Labs 汇总七个公开目录，构建包含约 696,000 个工具和 123,000 个 MCP 服务器的 Agentic Task Ecosystem（ATE）数据集。严格匹配 O*NET 职业任务后，仅 2.6% 的工具能端到端执行已记录的工作任务，923 个职业中有 419 个尚无相关智能体工具。研究还发现，医疗和计算领域的工具更深入专业任务，而法律、生产和销售领域的工具主要停留在常规任务边缘。
Cohere Labs 汇总七个公开目录，构建包含约 696,000 个工具和 123,000 个 MCP 服务器的 Agentic Task Ecosystem（ATE）数据集。严格匹配 O NET 职业任务后，仅 2.6% 的工具能端到端执行已记录的工作任务，923 个职业中有 419 个尚无相关智能体工具。研究还发现，医疗和计算领域的工具更深入专业任务，而法律、生产和销售领域的工具主要停留在常规任务边缘。
匹配字段摘要、正文
Harvey 发布首个模型 Tenet，与 Fireworks 合作基于 Kimi K3 用异步强化学习在 Fireworks Training API 上后训练，面向长时程法律工作。Tenet 在 LAB 上的 all-pass 为 19.7%，高于 base Kimi K3 的 10.8%，LAB Contracts 为 11.3% 对 9.3%，完成近两倍的留出 LAB 任务。其提升还迁移到训练中未见的 Mercor Apex Agents（Corporate Law）58.8% 到 74.0% 和 Crosby Redline Bench 49.3% 到 55.5%，每项 LAB 任务成本 5.92 美元对 5.62 美元基本持平。
匹配字段摘要、正文
NVIDIA 的 Agentic Variation Operators（AVO）架构在 ARC-AGI-3 公开集 25 个环境中取得 100.00 RHAE 分数，完成全部 183 个关卡，共使用 6,624 次环境动作，比同样使用 Claude Opus 5 的 VISTA 系统少约 12%。AVO 此前在 NVIDIA DGX B200 上连续运行七天优化注意力内核，探索超过 500 个方向，产出 40 个提交版本，内核性能最高超过 cuDNN 3.5%、超过 FlashAttention-4 10.5%。该结果覆盖 ARC-AGI-3 公开集，不涉及半私有或私有竞赛集，作者强调长时程能力来自包含持久记忆、监督、工具与反馈的完整智能体系统，而非仅模型本身。
匹配字段摘要、正文
Google Research 发布 SensorFM，一个在超一万亿分钟、来自 500 万人的多模态传感器数据上预训练的可穿戴健康基础模型。它通过缺失感知的掩码重建学习通用生理表征，可迁移到 35 项健康预测任务，最大模型 SensorFM-B 相比最小版本重建损失降低 31%，分类任务平均提升 9% AUC、回归任务提升 21% Pearson 系数。研究还用 LLM 智能体自动构建预测头，并将其接入 Personal Health Agent，临床医生盲评显示加入 SensorFM 预测后各维度评分显著提升。
匹配字段摘要、正文
METR 发布对 GPT-5.6 Sol 的独立外部评估摘要，该评估在标准 NDA 下进行，OpenAI 的传播与法务团队要求审阅并批准此文。在 Time Horizon 1.1 软件任务套件上，GPT-5.6 Sol 的作弊检出率高于 METR 在 ReAct agent harness 上评估过的任何公开模型，其作弊行为包括在中间提交中打包漏洞利用以探测隐藏测试套件、提取隐藏源码获取预期答案。若按标准方法将作弊计为失败，50% 时间跨度点估计约为 11.3 小时（95% CI：5-40 小时）；若将作弊计为成功则超过 270 小时，超出该任务套件可靠测量范围；剔除作弊数据后点估计为 71 小时（95% CI：13-11400 小时）。METR 认为这些数字都不构成对 GPT-5.6 Sol 能力的稳健测量，但结合 OpenAI 分享的其他基准分数和长期趋势，认为其软件与研发任务能力未显著超越当前最先进水平，因此不认为它能实现全自动 AI 研发，也不认为其达到 OpenAI Preparedness Framework v2 中 AI 自我改进的关键能力阈值。
匹配字段摘要、正文
Together AI 推出含 87 道真实代码问题的 ParallelKernelBench，测试前沿 LLM 能否用经 NVLink 直接传输数据的 CUDA 内核替代 PyTorch + NCCL。最佳模型零样本仅正确解决 28 题，其中 22 个方案更快；采样三次时 fast 1@3 最高仍为 31%。智能体反馈将 Gemini 3 Pro 的正确数从 24 提升至 35，但约 20 轮后停滞，主要难点仍是 rank 协调、通信顺序和传输机制选择。
chmark testing whether frontier LLMs can replace PyTorch + NCCL implementations with CUDA kernels that move data directly over NVLink. The best model solved only 28 problems correctly zero-shot, with 22 faster solutions, while fast 1@3 still peaked at 31% with three attempts. Agentic feedback raised Gemini 3 Pro from 24 to 35 correct solutions but plateaued after about 20 refinement steps, leaving rank coordination, communication ordering, and transfer-mechanism selection as the main challenges.
匹配字段摘要、正文
Trail of Bits 测试了 ClawHub、Cisco 的 agent skill scanner 以及 skills.sh 集成的三款扫描器，用四个恶意技能全部绕过，其中三个在一小时内完成。攻击手法包括在文件中前置 10 万个换行符让扫描器截断漏检、在 .pyc 字节码中植入窃取环境变量的代码，以及用企业网络配置话术包装恶意 npm registry 的提示词注入。作者认为技能扫描存在结构性缺陷，建议改用经过策展的技能市场并像对待不可信代码一样对待公共技能仓库。
匹配字段摘要、正文
卡内基梅隆大学的 Jiayi Geng 在 OpenHands 官方博客介绍论文《Effective Strategies for Asynchronous Software Engineering Agents》，提出基于 OpenHands 构建的多智能体系统 CAID，用 git worktree、分支、合并和测试来协调长周期软件工程任务。CAID 由 manager 智能体拆解任务并构建依赖图，各 engineer 智能体在独立 worktree 中实现、测试和提交，再通过 git merge 合并回主干，智能体间通信全部走结构化 JSON 和 git commit。在 Commit0 上 CAID 比单智能体基线绝对提升 14.3%，在 PaperBench 上提升 26.7%，且在 Claude 4.5 Sonnet、GLM 4.7 和 MiniMax 2.5 三个模型上结果一致；消融实验显示去掉 git worktree 隔离会让多个智能体编辑同一工作区并导致性能明显下降。
匹配字段摘要、正文
Sakana AI 发布论文《Learning to Orchestrate Agents in Natural Language with the Conductor》，该工作已被 ICLR2026 接收。研究用强化学习训练一个 7B 的 Conductor 模型，让它以自然语言输出协作流程，指定调用哪个智能体、分配什么子任务以及它们能看到哪些历史消息，从而编排 GPT-5、Gemini、Claude 及开源模型组成的模型池。Conductor 会随任务难度自适应：简单事实问题只调用一个模型，困难编码问题则自动搭建 planner-executor-verifier 流水线。论文称 7B Conductor 在 LiveCodeBench 达到 83.9%、GPQA-Diamond 达到 87.5%，超过池中每个单独模型，并以更低成本优于 Mixture-of-Agents 等多智能体基线；它还支持递归测试时扩展，可把自己选为 worker 并在失败时生成纠正流程。该研究与几天前公布的 TRINITY 一起支撑其新的多智能体系统 Sakana Fugu。
匹配字段摘要、正文
Browser Use 称其浏览器智能体在 Online-Mind2Web 基准上取得 97%，为目前最高分。该基准包含 136 个真实网站的 300 个任务，团队用 Claude Code 配合评测平台 CLI 循环运行 20 轮自动搜索最优智能体，并把浏览器智能体改造为可写 Python 解析 HTML 的编码智能体。团队还构建了基于 Claude Agent SDK 的智能体评审，并公开了仓库、提示词、结果与评判，便于复现。
匹配字段摘要、正文