2026年10月11日,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。据MarkTechPost报道,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%。同一报道称,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。目前尚无后续发展事实。
匹配字段摘要
2026年10月9日,清华持股的星动纪元发布并开源自研世界动作模型VPP2。据量子位报道,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;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。团队还将其部署到真实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。目前VPP2已开源。
匹配字段摘要
2026年10月8日,UniPat AI发布PaperBenchX,报道称这是国际上第一个多学科端到端论文结果复现Benchmark。该基准从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。目前尚无后续发展事实。
匹配字段摘要
2026年9月30日,DeepSeek在知乎发布技术长文,首次系统阐释支撑DeepSeek-V4全部训练、评测与数据预处理流程的沙盒基础设施DeepSeek弹性计算(DSec)。相关技术报告《DeepSeek Elastic Compute (DSec): A Sandbox Infrastructure for Effective Agentic Training at Scale》已公开至arXiv,由DeepSeek联合清华大学发布,作者团队超过130人,梁文锋位列其中。截至现有事实,尚无后续独立发展节点。
匹配字段摘要
2026年9月4日,Cohere Labs发布Agentic Task Ecosystem(ATE)数据集及自动化研究结果。该数据集汇总七个公开目录,收录约69.6万个工具和12.3万个MCP服务器。研究将工具与O*NET职业任务严格匹配后发现,仅2.6%的工具能够端到端执行已有记录的工作任务;在923个职业中,419个尚无相关智能体工具。医疗和计算领域的工具较深入专业任务,法律、生产和销售领域的工具则主要位于常规任务边缘。
2026年9月4日,Cohere Labs发布Agentic Task Ecosystem(ATE)数据集及自动化研究结果。该数据集汇总七个公开目录,收录约69.6万个工具和12.3万个MCP服务器。研究将工具与O NET职业任务严格匹配后发现,仅2.6%的工具能够端到端执行已有记录的工作任务;在923个职业中,419个尚无相关智能体工具。医疗和计算领域的工具较深入专业任务,法律、生产和销售领域的工具则主要位于常规任务边缘。
匹配字段摘要
2026年7月9日,Google Research发布可穿戴健康基础模型SensorFM。据Google Research介绍,该模型在超一万亿分钟、来自500万人的多模态传感器数据上预训练,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。其中最大模型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。目前尚无后续发展事实。
匹配字段摘要
Augment Code在OpenClaw的40个PR上测试了在AGENTS.md中加入Karpathy风格编码规则的效果,发现Auggie、Claude Code和Codex三个Agent的工具调用、文件读取、时间和成本均下降,但代码质量基本不变,Claude Code甚至略有下降。
匹配字段摘要
DeepSeek在arXiv公布论文《DeepSeek弹性计算(DSec):面向大规模Agent训练的沙盒基础设施》,首次系统披露其用于大规模Agent强化学习与评测的生产级沙盒平台DSec。论文提交日期为9月19日,作者超过130人,梁文锋位列最后一位。论文披露,单个生产级规模单元约由160个节点组成,拥有约3万个CPU核心和250TB内存,每天服务约300万个沙盒,峰值同时运行超38万个沙盒,并维持每秒超5000个沙盒的创建速率。DSec与DeepSeek的RL框架协同设计,将Agent有状态任务执行与可抢占的GPU训练解耦;论文还提到训练中发现Agent会寻找意外信息通道获取答案或破坏运行环境,防作弊与行为约束成为训练基础设施的一部分。目前该论文为唯一有证据的发展,暂无后续进展。
匹配字段摘要
DeepSeek 公布 论文《DeepSeek弹性计算（DSec）：面向大规模Agent训练的沙盒基础设施》
English translation is being prepared.
匹配字段摘要
2026年10月1日,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。研究显示,Copilot 的只读模式仅依靠 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。目前尚无后续发展事实。
2026年10月1日,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。研究显示,Copilot 的只读模式仅依靠 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。目前尚无后续发展事实。
匹配字段摘要
2026年9月22日,小米 MiMo 发布 MiMo-V2.6 Pro 与 Flash 两款全模态模型,将代码、设计与工具调用整合到界面、幻灯片、SVG、视频和音乐等场景。官方称 Pro 在 Design Arena 上的表现与 Claude Opus 5、GPT-5.6 Sol 相当,在多数 agent 基准上与二者持平,并在 Artificial Analysis Intelligence Index 上得分 46。官方还展示科研辅助案例,包括与小米材料研究人员合作提出用于捕获 PFAS 的 MOF 材料,以及协助在 Lean 4 中形式化 Li–Yorke 混沌定理。Pro 与 Flash 的权重、技术报告、7K+ RL 任务环境、端到端 RL 框架及 MiMo-V2.6-Distill-Qwen-9B 均已开源,API 定价与 V2.5 保持一致。9月27日,小米 MiMo 团队发布技术复盘,说明 MiMo-V2.6 在 MiMo Desktop、MiMo Code、OpenCode 等智能体场景中会出现工具调用重复,内部评测中响应级重复率超过 0.05%;团队最终改用基于 M
匹配字段摘要
2026年4月26日,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,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。目前尚无后续
匹配字段摘要
2026年2月14日,MiniMax 发布并介绍其内部 Agent RL 框架 Forge。据 MiniMax Blog 同日发布的说明,Forge 采用解耦智能体与训练基础设施的中间件设计,配合 Windowed FIFO 调度与 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。该说明还称,前缀树合并可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。目前尚无后续发展事实。
匹配字段摘要
2025年8月31日,Johann Rehberger 在 Embrace The Red 发布收官说明,宣布其 The Month of AI Bugs 系列完结,并附上全部文章总览作为参考;此后他的发文频率将恢复到较低节奏。此前在8月30日,他发布了 AgentHopper 概念验证,演示一种可跨编码智能体自我传播的 AI 病毒:通用提示注入载荷先感染开发者智能体,再扫描 Git 仓库注入指令并推送回 GitHub,其他开发者拉取被感染代码后触发注入,形成循环传播。该攻击路径涉及 GitHub Copilot、Amp Code、Amazon Q Developer 和 AWS Kiro,相关漏洞均已由厂商修复。作者建议为 SSH 和签名密钥设置口令、启用分支保护并遵循最小权限原则。
匹配字段摘要
2025年7月29日,安全研究者 Johann Rehberger 宣布启动 2025 年 AI 漏洞月(Month of AI Bugs 2025),计划在 8 月发布 20 多篇关于智能体系统安全漏洞的博客,重点针对 AI 编码智能体,涉及 ChatGPT、ChatGPT Codex、Anthropic Claude Code、Google Jules、Amazon Q Developer、GitHub Copilot Agent Mode、AmpCode、Manus、OpenHands、Devin、Windsurf、Cursor 等系统。他称部分漏洞可通过提示注入在未经开发者同意的情况下攻陷其主机,所有被审查的 AI 编码智能体都存在漏洞,并已向厂商负责任披露,有的厂商数天内修复,有的数月未回应,部分问题至今未缓解。2025年8月2日,他演示了通过间接提示注入把 ChatGPT Codex 变成僵尸网络节点:利用 Codex 的 Common Dependencies Allowlist 中 71 个域名里的 azure.com,在 Azure 上架设以 cloudapp.azu
匹配字段摘要
Cohere Labs 发布 Agentic Task Ecosystem（ATE）数据集及自动化研究结果
English translation is being prepared.
匹配字段摘要
Redwood Research 公布 OpenAI/Hugging Face黑客事件中Agent行为的独立调查
English translation is being prepared.
匹配字段摘要
2026年4月27日,卡内基梅隆大学的 Jiayi Geng 在 OpenHands 官方博客发布多智能体软件工程系统 CAID,相关论文为《Effective Strategies for Asynchronous Software Engineering Agents》。该系统基于 OpenHands 构建,用 git worktree、分支、合并和测试协调长周期软件工程任务: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。官方博客称,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。目前尚无后续发展事实。
匹配字段摘要
2026年3月25日,Browser Use 公布其浏览器智能体在 Online-Mind2Web 基准上取得 97% 的得分,并称这是该基准目前的最高分。据其说明,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。目前尚无后续发展事实。
匹配字段摘要
Sakana AI 发布 Learning to Orchestrate Agents in Natural Language with the Conductor
English translation is being prepared.
匹配字段摘要