Arena 分析 2026 年 9 月 12 日至 10 月 23 日的 26,225 条 Agent 会话、30 个智能体和 13 家实验室，发现若按完整输入价计费，排名前十智能体的典型任务成本会高出 3.6 倍，MiMo V2.6 Pro 上高出 592%。智能体 86% 至 96% 的 token 是重复读取的上下文，自身输出仅占 1% 至 2%。缓存失效会让典型任务成本增加约 5%，在 Claude Fable 5.1 上每 10 次会话有 1 次增幅超过 18%。
匹配字段标题、摘要、正文
METR 与 Redwood Research 各派一人于 2026 年 7 月 21 日至 8 月 11 日进驻 OpenAI，评估其内部 agent（含 Codex）的错位行为监控系统。公开稿称内部 Responses API 中不低于 GPT-5.5 的 agent 流量约 75–94% 有资格被监控，内部 Codex agent 子集约 99.2%，但存在 compaction 未监控等缺口，并找到可绕过沙箱与 Auto-review 的路径。OpenAI 称影响生产防护栈的漏洞已修补，METR 与 Redwood 未独立复核这些说法。
匹配字段标题、摘要、正文
Chelsea Finn 转发 Anikait Singh 等人的新论文 Librarian Agents，研究智能体能否通过自行整理长上下文工作区、预判查询来适应专业领域的大量非结构化上下文。她指出智能体搜索可扩展到任意规模的信息但容易漏掉相关内容，而针对下游用途优化信息组织在 OOD 领域也能带来 30+% 的提升。推文附有论文和代码链接。
匹配字段标题、摘要、正文
Artificial Analysis 公布 NVIDIA Vera Rubin NVL72 的首批 AA-AgentPerf 结果，在 DeepSeek V4 Pro 上每兆瓦总吞吐最高约为前代 GB300 NVL72 的 5.7 倍，DeepSeek V4.1 Flash 约 5.4 倍，GLM-5.2 约 3.0 倍，Kimi K3 约 2.8 倍。Vera Rubin NVL72 为机架级系统，含 72 颗 Rubin GPU 和 36 颗 Vera CPU，单颗 Rubin GPU 内存与 Blackwell Ultra 同为 288 GB，但内存带宽提升 2.4 倍。该基准回放真实编码智能体轨迹，请求输入最高 132K token，平均 97% 的输入 token 与上一请求重复。
匹配字段标题、摘要、正文
斯坦福与 Together AI 的新论文提出 HybridAgent，让智能体大部分推理在隐向量中完成，解码算力降低 62.5% 至 72.9%，且得分更高。该方法通过一个小适配器把模型内部状态作为下一步输入，仅在工具调用和关键决策时切换为文本，静默步骤仍可解码为可读文字。在 GAIA 上，14B 版本得分 52.4，高于同模型用 ARPO 训练的纯文本智能体的 43.7，运行速度也是匹配文本智能体的 2.1 倍。
匹配字段标题、摘要、正文
Berkeley RDI 发布 Agents' Last Exam（ALE）基准，基于 55 个非体力职业、1500+ 专家来源任务，评测 Fable 5、GPT-5.5、Composer 2.5 等前沿智能体。在最难层级上，包括 Fable 5 在内的所有被测智能体成功率均为 0%。ALE-CLI 子集上最佳智能体通过率仅 25.2%，低于 Terminal-Bench 的 82.0% 和 SWE-bench-Pro 的 59.1%；Fable 5、GPT-5.5、Composer 2.5 总体性能接近，但每任务成本分别约为 15.70、3.80、1.33 美元。
匹配字段标题、摘要、正文
OpenAI 发布 ChatGPT Agent 系统卡，介绍这款与 OpenAI o3 同族的智能体模型，它结合了深度研究与 Operator 的能力，并新增终端工具和 Connectors 外部数据接入。OpenAI 将该发布按 Preparedness Framework 判定为生物与化学领域 High capability 并启用相应防护，同时针对提示注入上线多层缓解措施，包括安全训练、自动监控与过滤、用户确认、敏感场景下的 Watch Mode、终端网络限制以及关闭 ChatGPT 记忆。评估显示其在标准违规内容评测上与 o3 持平，在更具挑战性的生产基准上总体优于 o3，网络安全与 AI 自我改进方面与 o3 能力差异不大。
匹配字段标题、摘要、正文
MirroS 团队发布 AgentGarten，将可执行代码环境与实时神经渲染器连接，代码定义物理规则、模型生成视觉反馈，以超过 30 fps 的吞吐让智能体持续与世界交互。在重做的捉迷藏实验中，躲藏者第 4 轮学会搬挡板搭掩体，搜寻者第 10 轮掌握借坡道翻墙，策略演化依靠智能体自己写下的实验手册。团队还提出 Adversarial Forcing 训练方法与精确重放机制，以 480p 分辨率、30 fps 以上吞吐支撑闭环交互。
匹配字段标题、摘要、正文
安全公司 Zenity Labs 发现 Amazon Bedrock AgentCore 存在名为 AgentCorruption 的漏洞链，攻击者只需对一个公开智能体拥有对话权限，用一条提示词就能接管同一 AWS 账号和区域内的所有 AgentCore 智能体，读取私密对话、源代码和存储的凭证。问题根源在于 AgentCore 默认权限未限定到单个智能体，而是覆盖同账号同区域全部智能体，并授予读写删除权限；Zenity 于 2025 年 12 月 25 日向 AWS 报告后，AWS 将 IMDSv2 设为新部署默认，并在 8 月前后调整了默认执行角色，不再允许智能体调用其他智能体、读取私密对话或从 AWS Secrets Manager 取凭证。
匹配字段标题、摘要、正文
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。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，并提到训练中发现 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。
匹配字段标题、摘要、正文
DeepSeek 在知乎独家发布技术长文，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。
匹配字段标题、摘要、正文
斯坦福计算机科学家 James Zou 团队在 Nature 描述了开源框架 Paper2Agent，输入论文及其代码、数据等补充材料后，系统自动提取核心工作流并生成经过测试、可运行的智能体工具包。以 AlphaGenome 为例，约 45 分钟、无人工干预、在一台个人笔记本上以不到 15 美元算力成本生成 22 个工具，全部通过自动化验证，随后打包为 MCP server 接入 Claude Code，在测试中表现优于直接使用代码库的 Claude 和专用 AI co-scientist 工具 Biomni。团队还把另外两篇论文转成智能体并与 AlphaGenome 智能体联动，在银屑病遗传基础问题上共同锁定 GPR137 基因并提出 10 种验证方式；在尝试的 100 篇计算生物学论文中有 26 篇无法转换，多因代码不完整或文档缺失。
匹配字段标题、摘要、正文
SemiAnalysis 发布首份 Rubin NVL72 智能体推理实测结果，基于其 AgentX 基准，在 170 TPS 下每 TCO 总吞吐量约为 GB300 Dynamo TRTLLM 的 67 倍。在多数服务商实际部署的 60-100 TPS 区间，Rubin 每 TCO 吞吐量为 GB300 的 1.4 至 3 倍；按 3 年租赁成本计算，80 TPS 时可多产出 62% token。该测试使用 2300W TDP、每计算托盘 1.5TB CPU LPDDR5X 的量产 SKU，结果基于预发布软件，后续还将补充 vLLM 与 SGLang 的 Rubin 数据。
匹配字段标题、摘要、正文
研究人员在 36 项 AI 研发任务的 756 条轨迹中评测了 7 个前沿模型，发现当前智能体更像工程优化器，而非完全自主的研究者。252 个解决方案中仅 3 个被认定为新颖方法，模型间的主要差异在于可靠性而非峰值表现。经验复用通常有益但也可能延续错误结论，harness 设计则主要影响重复运行的稳定性。
匹配字段标题、摘要、正文
SemiAnalysis 发布 AgentX 1.0，称其为全球首个完全开源、100 万上下文的多轮智能体编码推理基准，以 Apache 2.0 许可发布，数据集构建投入超过 300 万美元。该基准被纳入 InferenceXv3，用智能体编码流量替代此前 8k 输入 1k 输出的单轮场景，测试矩阵运行在约 2MW 算力、1000 多颗芯片上，覆盖 MI355X、GB300 NVL72、GB200 NVL72、B300、B200、MI325、MI300X、H200 与 RTX Pro 服务器。SemiAnalysis 称其首个成果是已推动 vLLM、SGLang、TensorRT-LLM、ATOM、AITER、Dynamo、LMCache 和 Mooncake 等项目的 70 多个上游 PR，并计划在三到四周后发布 AgentX 更新文章。
匹配字段标题、摘要、正文
Together AI 联合佐治亚理工、UIUC 和 CMU 提出 ThunderAgent，把每个智能体工作流抽象为可调度程序，以程序级调度缓解 KV cache thrashing，在合成数据生成流水线中实现最高 2.5 倍单节点吞吐提升。在单台 8×H100 节点、batch size 192 下，SGLang 吞吐降至 390 token/s、平均延迟 65s，ThunderAgent 达到 803 token/s、平均延迟 10.6s；8 节点集群上相对 SGLang Gateway 加速 2.39 倍，从 16 到 64 GPU 吞吐近线性扩展。该工作已被 ICML 2026 接收为 Spotlight 论文，代码开源，客户端只需增加一个 program_id 字段，并已被 SkyRL 和 NVIDIA Dynamo 采用。
匹配字段标题、摘要、正文
ScarfBench 系统评测 AI 智能体在 Spring、Jakarta EE 和 Quarkus 之间迁移企业级 Java 应用的能力，要求项目成功构建、部署并通过行为验证。测试显示，构建成功率高于部署和行为验证成功率，Jakarta EE 尤其困难；Claude Code 声称 30 个完整应用中有 29 个构建成功，但独立验证仅确认 22 个。结果表明，配置、依赖、运行环境及工具问题是主要障碍，独立构建与测试不可或缺。
匹配字段标题、摘要、正文
亚马逊研究人员提出 Simple Strands Agent（SSA），一种可定制的单智能体 harness，用于缩小模型意图与 harness 执行之间的意图-执行差距，并在多个模型和基准上取得稳定性能提升。论文将这一瓶颈形式化为双向的意图-执行差距，指出工具接口、diff 文件反馈以及内部推理与外部交互的平衡是关键设计原则，并强调不同模型家族在工具使用偏好上存在差异，需要模型与 harness 协同设计。SSA 的智能体逻辑、工具、提示词和模型配置均已开源。
匹配字段标题、摘要、正文
Google DeepMind 的多智能体系统 Co-Scientist 帮助 Gary Peltz 加快寻找肝纤维化疗法，筛选出此前被忽视的药物再利用候选方案。其中一个候选药物在实验室测试中成功阻断了 91% 与瘢痕形成相关的反应，相关成果已发表于 Advanced Science。
匹配字段标题、摘要、正文
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。
匹配字段标题、摘要、正文