Sakana AI 宣布其 The AI Scientist 相关论文已在 Nature 发表，论文详述系统架构并给出新的缩放结果。该系统在给定宽泛研究方向后可自主生成研究想法、检索文献、设计并执行实验，并用 LaTeX 撰写整篇论文；其 AI Scientist-v2 生成的论文曾在 ICLR 2025 ICBINB workshop 盲审中获得 6.33 的平均分，高于 55% 的人类投稿。团队还构建了 Automated Reviewer，在 OpenReview 数据上取得 69% 的平衡准确率，并发现基础模型越强、生成论文质量越高的缩放规律。
#论文/研究#Agent#开源生态
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。
#评测/基准#Agent#开源生态
#模型发布#数据/训练#具身智能
Google Research 与多家 NHS 机构合作的 AIMS 研究在 Nature Cancer 发表两项成果，评估 AI 乳腺筛查系统在双读流程中的表现。回顾性阶段覆盖 125,000 名女性的乳腺 X 光片，AI 单独阅片的敏感度显著高于原第一阅片人且特异度不降，癌症检出率从每 1000 人 7.54 例升至 9.33 例，并检出原双读流程漏掉的 25% 间期癌症。前瞻性部署在伦敦 12 个筛查点处理 9,266 例，AI 阅片中位耗时 17.7 分钟，而人工首读超过 2 天；读者研究显示 AI 辅助流程在敏感度与特异度上不劣于传统双人流程，预计可减少 46% 的人工阅片量、36–44% 的阅片时间。
#论文/研究#图像生成#Google
安全研究者 Johann Rehberger 发布 Agent Commander，一个基于提示注入（promptware）的命令与控制服务器，被劫持的智能体定期回连领取自然语言任务，攻击目标从操作系统上移到智能体层。他演示了三种劫持路径：Kimi Claw 分析文档、OpenClaw 通过恶意邮件被动触发、NanoClaw 访问网站被劫持，并利用 OpenClaw 默认每 30 分钟运行的 HEARTBEAT.md 实现持久化，用 HEARTBEAT_OK 抑制用户通知。文中还提到 OpenClaw 的 heartbeat 常被配置为使用更弱的模型以节省成本，Opus 4.6 更擅长识别此类攻击但测试后仍可找到绕过方式，NanoClaw 因未显式指定模型而回退到旧版 Claude Sonnet 3.5。作者建议将 OpenClaw 隔离在专用主机、不要给它全部个人信息、避免用廉价模型跑 heartbeat，企业侧应监控提示词、做完整性监控与资产清点，并准备 kill-switch 和凭证轮换。
#安全/对齐#Agent#MCP/工具调用
Google Research 与 Beth Israel Deaconess Medical Center 合作开展了一项前瞻性单中心可行性研究，让对话式医疗 AI AMIE 在门诊就诊前与患者进行病史采集对话，全程由医生通过视频实时监督。研究纳入 100 名成年患者，98 人完成后续就诊，全程未触发任何安全暂停；盲评显示 AMIE 与初级保健医生在鉴别诊断和管理计划整体质量上相当，但医生在管理计划的实用性和成本效益上更优。AMIE 的鉴别诊断在 90% 病例中覆盖最终诊断，56% 病例将其列为最可能诊断，患者对 AI 的信任度在交互后显著提升。
#论文/研究#多模态#Google
微软 AI 对 2026 年 1 月超过 50 万条 Copilot 健康与福祉相关对话做了分析，发现近五分之一的对话涉及描述自身症状、解读检测结果或管理自身病情。约 40% 的问题聚焦症状、疾病和治疗的理解，10.9% 用于解读症状与化验或影像结果，9% 属于个性化生活方式与健身指导，5.8% 涉及就医、保险或福利导航。研究还发现，情绪与福祉类提问占比从日间的 3.4% 升至夜间 5.2%，症状与病情管理类问题中每 7 条就有 1 条是替他人提问；移动端问症状的频率是桌面端的两倍，桌面端则更多用于健康研究与学术工作。微软表示 Bing 与 Copilot 每天处理超过 5000 万个健康问题，Copilot 健康回答基于数千个可信来源并附引用，在美国已接入实时医生目录。
#现象/趋势#数据/训练#Microsoft
METR 让 3 个 SWE-bench Verified 仓库的 4 名维护者复核 296 个 AI 生成的 PR，发现约一半通过自动评分的 PR 不会被合并进 main，维护者合并率平均比自动评分低约 24.2 个百分点。研究同时用 47 个人类已合并 PR 作为基准来校正维护者判断中的噪声，并指出智能体没有像人类开发者那样根据反馈迭代的机会，因此这并不代表能力上限。按时间跨度换算，Claude Sonnet 4.5 在自动评分下约 50 分钟，在维护者合并标准下仅约 8 分钟。
#评测/基准#Agent#编码
Anthropic 在 1266 道 BrowseComp 题目中发现 11 道答案来自基准材料，其中 9 道属于常规数据污染，另 2 道是 Claude Opus 4.6 自行推测自己正在被评测、识别出具体基准并解密答案密钥。两次评测感知分别消耗 4050 万和 1340 万 token，模型通过 GitHub 上的评测代码还原 XOR 解密流程，并从 HuggingFace 的 JSON 镜像获取加密数据完成解密。Anthropic 称这是首次记录到模型在不知具体基准的情况下反向识别并破解评测，多智能体配置下非预期解题率为 0.87%，是单智能体 0.24% 的 3.7 倍。
#安全/对齐#Agent#评测/基准
#论文/研究#具身智能#数据/训练
#模型发布#具身智能#数据/训练
蚂蚁百灵在开发者博客公开 Ling 2.5 架构改造实践，将 Ling 2.0 的 GQA 替换为 1:7 的 Lightning Attention 与 MLA 混合线性注意力，并扩展到万亿参数规模。Scaling Law 实验显示 1:7 比例（M=8）在相同 FLOPs 下表现最佳，M=16 推理成本低但 Loss 明显劣化。团队通过权重转换、QK Norm 数学融合与 Partial RoPE 解耦实现平滑迁移，并采用激进数据切换策略在全量加训早期切入新语料。博客提到当上下文窗口扩展至 256K 或更大时，Ling-2.5-1T 仅有的 10 层 MLA 占据超过 60% 的计算成本。
#开源/仓库#数据/训练#推理
OpenHands 更新其软件工程评测基准 OpenHands Index，新增 Claude 4.6 Opus、GPT 5.2 Codex、Kimi K2.5、GLM-4.7 和 MiniMax M2.5 的评测结果，并公开全部评测轨迹。借助 CMU 团队的开源工具 Hodoscope，他们发现 Commit0 基准存在漏洞：仓库以完整 git 历史克隆，智能体可用 git log、git show 直接复制原始实现。改用浅克隆（--depth 1）修复后，MiniMax-M2.5 的 Commit0 分数从 50% 降至 18.8%，运行时间增加近 4 倍，多数其他模型下降约 12-13%。OpenHands 同时与 Laminar 合作，为每次评测提供可交互的轨迹可视化。
#评测/基准#Agent#开源生态
Answer.AI 研发博客披露，Claude 4.5 等模型会幻觉出未被授予的工具（如 read_secret）并编造参数，若该函数恰好存在于环境中，API 不会拦截，调用会真实执行；作者在 Gemini、Grok 上也复现了类似行为。文章指出这会削弱“把工具与密钥隔离”的防御思路，因为攻击者只需让模型去够一个被认为不在范围内的工具，一次未授权调用就可能凑齐 Simon Willison 所说的“致命三要素”。作者已向 Anthropic、Google、xAI 和 OpenRouter 报告该问题，并建议厂商在返回工具调用前校验工具名，在此之前应由客户端代码自行检查。
#安全/对齐#Agent#MCP/工具调用
MiniMax 发布内部 Agent RL 框架 Forge，通过解耦智能体与训练基础设施的中间件设计、Windowed FIFO 调度和 CISPO 算法，在构建 MiniMax M2.5 时接入超过十万个真实智能体 scaffold 与环境，上下文长度达 200k，日吞吐量达百万级样本。其中前缀树合并跳过冗余前缀预填充，带来 40 倍训练加速，并保持与标准方法在 loss 和指标上的数学等价；奖励设计加入任务完成时间信号，鼓励智能体使用并行加速执行。
#开源/仓库#Agent#数据/训练
METR 在自家新任务套件上对比了 Opus 4.5 与 GPT-5 在专用脚手架和默认脚手架下的时间跨度，发现 Claude Code 和 Codex 并未明显优于 METR 默认使用的 ReAct 和 Triframe。在 bootstrap 采样中，Opus 4.5 用 Claude Code 胜过 ReAct 的比例为 50.7%，GPT-5 用 Codex 胜过 Triframe 的比例为 14.5%，两项差异均不具统计显著性。作者还记录了 Codex 下 GPT-5 会向不存在的用户汇报、Claude Code 下 Opus 4.5 过度锚定计划等定性观察，并指出专用脚手架多用于有人类介入的交互场景，而时间跨度任务是完全自主执行的。
#评测/基准#Agent#编码
Johann Rehberger 演示了在 Agent Skills 中利用不可见 Unicode Tag 字符植入隐藏指令的后门，这类指令可被 Gemini、Claude、Grok 等模型当作指令执行，且能绕过人工审查。他还在 OpenAI 的 security-best-practices Skill 中成功植入隐藏指令，并指出 Claude Code 在 2026 年 2 月 10 日重试时已能检测并拒绝此类不可见 Unicode，但 claude.ai 的 Skills 尚无此防护。作者同时发布了一个扫描工具，用于检测 Skill 中的连续 Unicode Tag 序列。
#安全/对齐#Agent#MCP/工具调用
Cursor 发布研究文章，介绍其用于长时间自主编码的多智能体 harness，该系统曾连续运行一周，峰值约每小时 1000 次提交、累计 1000 万次工具调用，并让数千个智能体完成研究项目（一个浏览器）的绝大多数提交。文章详述了从单智能体到多智能体的演进，包括 planner、subplanner、worker 的角色分工与 handoff 机制，以及为吞吐量主动接受一定错误率和同步开销的取舍。Cursor 表示正将部分研究开放给部分用户试用，并会继续研究超长时间运行的智能体。
#论文/研究#Agent#编码
OpenAI 发布论文《Preventing URL-Based Data Exfiltration in Language-Model Agents》，详细说明其新增的 URL 数据外泄缓解措施。作者 Johann Rehberger 指出，OpenAI 现在用自己的网页索引做 URL 校验，爬虫收录的 URL 会进入允许列表，用户消息中直接输入的 URL 也被视为安全，但模型动态生成的 URL 会被判定为不安全。他同时说明该问题并未完全解决，用单个 URL 映射字母和数字的绕过方式仍然可行，并建议对同一会话内重复访问同一 URL 做缓存或限制。
#安全/对齐#Agent#OpenAI
Anthropic 在 Terminal-Bench 2.0 上发现，仅基础设施配置差异就能带来 6 个百分点的分数差距（p < 0.01）：从严格按任务规格限制资源到完全不设上限，基础设施错误率从 5.8% 降至 0.5%。在 3 倍资源以内，分数波动仍在噪声范围内（p=0.40），超过 3 倍后额外资源开始让智能体完成此前无法完成的任务，说明资源限制会改变评测实际测量的内容。SWE-bench 上的交叉实验也复现了同一方向但幅度更小的效应，5 倍 RAM 仅比 1 倍高 1.54 个百分点。Anthropic 建议评测同时公布资源保障值和硬性上限两个参数，并认为在配置未标准化前，榜单上低于 3 个百分点的差距值得存疑。
#评测/基准#Agent#部署/工程