一、 今日核心洞察与重点摘要

  • Agent安全范式转换加速：OpenART（10000+有状态场景、85%池化ASR）、Agent Safety Should Be a Runtime Contract（52起安全事件76.9%可通过harness预防）、ToolHazard（可扩展对抗环境合成）三篇论文同步指出——传统训练时对齐不足以覆盖Agent执行代码、修改文件、发送消息的运行时风险，**运行时合约（预防性门控+证据链门控）**正在成为新范式。NeurIPS/ICML/ICLR 2023–2025的28560篇论文审计揭示训练时vs部署时研究存在8–12倍不平衡，安全研究重心亟待转移。

  • 测试时强到弱Harness迁移：AI4AI（Salesforce+UIUC）提出强模型构建推理时Harness帮助弱模型无需参数更新将平均准确率从0.49提升至0.91，修复破坏比达16:1。核心机制是将不稳定推理卸载为确定性代码（确定性分数与准确率相关系数r=0.72），这从根本上改写了蒸馏范式——能力迁移不再需要训练，认知结构的编译即可实现跨模型赋能。

  • 端到端论文生成验证可组合技能：Spark-to-Paper在Claude Code内实现13个可组合技能，以$8.1/篇·3.2小时完成从研究想法到完整论文的生成，引用有效率99.5%、伪造检测从14%提升至92%。关键创新在于将实验规划与报告分离（预注册式流水线），并通过Self-Refutation Loop边界（7次上限）防止自我否定的无限循环。

  • 自主软件进化围绕持久化项目组织：EvoX Genesis（香港理工大学）提出"持久递归世界"架构，以DeepSeek V4 Flash在$44成本、120小时内构建25万行Rust C编译器（通过完整c-testsuite），13个MESA数值模块从10万行Fortran迁移至9万行Rust（中位加速1.55–6.87倍）。核心洞见是：长周期软件开发应围绕持久化项目而非持久化Agent组织。

今日企业+高校研究合作趋势

今日产学研合作集中于三大方向：（1）测试时能力迁移——Salesforce（Shelby Heinecke、Huan Wang）联合UIUC（Heng Ji团队）推进强到弱Harness设计，企业侧提供前沿模型访问、高校侧贡献认知结构理论；（2）Agent技能压缩与复用——SkillZip由高校团队（UNSW/CSIRO）主导，但依赖SkillDAG等前序企业工作，体现"学术形式化→工程落地"路径；（3）Agent安全系统化——ToolHazard（北大软件工程实验室）与企业Agent安全实践形成呼应，OpenART（复旦+密歇根州立）将学术红队方法转化为可扩展产业评估工具。合作重心持续走向"安全从训练时合约走向运行时合约+能力迁移从训练时蒸馏走向测试时Harness编译+技能管理从文本压缩走向图结构契约保持"三线深度融合。

二、 详细内容追踪

1. 前沿学术与技术突破（Hugging Face 精选 + Arxiv 精选）

1.1 OpenART: Scaling Agent Red Teaming via Open-Ended Environment Evolution

  • 核心亮点：
    • 任务定义：解决长程Agent安全评估中静态短任务无法捕获累积状态风险的问题（Agent安全评估方向）。
    • 方法核心：EMHA（Evolutionary Markov Hypergraph Attack）——一种黑盒攻击策略，通过超图遍历协调8个目标可见状态面（工作区、指令、技能、工具、MCP、短期记忆、计划状态、长期记忆）的授权状态转移，以反馈驱动环境演化在不更新参数的前提下发现安全漏洞。
    • 评估指标：10000+有状态场景，50个领域，500000+工具与技能池，中位97次工具调用/场景；75个Agent-模型配置（15个Agent × 5个模型）池化严格ASR 85.0%；其中DeepSeek-V4-Pro 94.7%、Qwen-3.7-Max 94.6%、GPT-5.5 88.5%。
    • 为何优于baseline：EMHA相对仅指令演化（Instruction-only evolution，~81.6%）优势随复杂度增长——简单场景仅+1.8–2.7%，最复杂场景达+17.2–17.6%。机制层面，EMHA的超图遍历能协调多向量攻击产生组合性涌现（无单一环境变更独立暴露受保护信息，但环境演化逐渐改变来源关系），而仅指令演化无法触及工作区、技能、记忆等深层状态面。
  • 团队背景：复旦（Xia Hu、Yu-Gang Jiang、Xingjun Ma）+密歇根州立大学（Yi Liu），学术合作。
  • 相关链接：📄 点击阅读论文原文

1.2 Spark-to-Paper: End-to-End Research Paper Generation as a Composable Skill

  • 核心亮点：
    • 任务定义：将研究想法端到端转化为完整可发表论文（自动化科研方向）。
    • 方法核心：13个可组合技能嵌入Claude Code编码助手，将模型判断与确定性操作分离，并将实验规划与报告分离——先指定所需证据（数据集、基线、指标、结果表结构），后执行实验并根据测量结果修订主张，实现流水线内的"预注册"机制。
    • 评估指标：8个受控研究主题；引用有效率 99.5% [98.4, 100]；图表可编辑性 96.4% [92.7, 98.6]（约1900个ground-truth元素）；伪造检测率从单次草稿14% [6, 29]提升至完整堆栈 92% [78, 97]（+78个百分点）；对抗性审查精确率 74% [61, 83]；全系统11.9M token、$8.1/篇、3.2小时。
    • 为何优于baseline：相对AI Scientist（$10–15/篇、~12小时），Spark-to-Paper更便宜更快且完整性检查更严格。关键机制差异在于"主张修订协议"——每个主张根据证据强度标记为Supported/Partially-supported/Unsupported/Contradicted/Needs-confirmation，未观察的实验结果在Proposal模式下被门控拒绝，而非像AI Scientist那样直接生成看似合理的结果。Self-Refutation Loop边界（7次上限）防止系统在无法支持的研究方向上无限循环。
  • 团队背景：独立团队，非典型产学研合作。
  • 相关链接：📄 点击阅读论文原文；💻 代码仓库

1.3 AI4AI at Test-Time: Strong-to-Weak Capability Transfer via Harnesses

  • 核心亮点：
    • 任务定义：无需参数更新，在测试时将强模型能力迁移到弱模型（测试时能力迁移方向）。
    • 方法核心：强构建者模型（Builder）在agentic coding harness中使用5%数据作验证集迭代精炼推理时Harness，该Harness通过确定性代码、基准特定路由和答案格式强制帮助弱目标模型（Target）更可靠地完成任务。
    • 评估指标：4个心智理论基准（BigToM/Hi-ToM/MMToM-QA/MuMA-ToM共3900项）；平均目标模型准确率从0.49提升至 0.91（几乎翻倍）；最佳运行（GPT-5.5 on GPT Codex）达0.912（+0.423，87%相对提升）；100%运行超过基线；确定性分数与准确率Pearson r=0.72；修复破坏比 16.4:1（修复1717项，破坏105项，McNemar χ²≫10⁴, p<10⁻⁴）。
    • 为何优于baseline：增益主要来自将不稳定推理卸载为确定性代码（BigToM确定性分数~0.94，几乎完全可编译），而非鼓励模型更多推理或采样。构建者推理努力与Harness质量Spearman ρ=0.77（强单调），验证评估次数与质量几乎无关（r=0.17），说明有用的计算是更深的假设形成而非更多探测。弱目标受益最大（余量定律：提升vs可用余量r=0.75），因为弱目标留下更多可恢复的潜在能力。
  • 团队背景：Salesforce AI Research（Shelby Heinecke、Huan Wang、Silvio Savarese）+UIUC（Heng Ji团队）+Notre Dame，典型企业+高校合作，企业侧提供前沿模型与Agent平台，高校侧贡献认知迁移理论。
  • 相关链接：📄 点击阅读论文原文

1.4 SkillZip: Contract-Preserving Graph Compression for Scalable Agent Skill Libraries

  • 核心亮点：
    • 任务定义：在有限上下文预算下，将可复用的程序性技能压缩为保持契约的可执行图单元（Agent技能管理方向）。
    • 方法核心：将技能表示为section级程序图（9种执行角色、5种依赖边），MotifZip将重复的契约有效模体重写为端口化宏节点（ported macros），保留边界签名、依赖闭包和验证器可达性；PathHydrate在查询时选择最低充分渲染级别（Name/Contract/Outline/Full source）；ReZip通过执行证据进行增量更新和风险宏修订。
    • 评估指标：压缩比 3.46×；依赖保持率 99.2%；验证器可达性 98.7%；ALFWorld + MiniMax-M2.7 成功率 79.3%（vs SkillDAG 67.1%，+12.2 points）；SkillsBench + gpt-5.2-codex 任务奖励 43.0（vs SkillDAG 36.8，+6.2）；累计prompt处理 -47.0%；100K技能库Ret@1优势 +23.3（vs SkillDAG），在线延迟 248.3ms，构建时间178秒。
    • 为何优于baseline：SkillZip的压缩是图结构级而非文本级——文本压缩（3.46×）会破坏65%依赖关系和40%验证器可达性，而SkillZip在同等压缩比下保持99.2%/98.7%结构保真度。机制层面，section级节点将可复用例程从whole-skill粒度下沉到操作粒度，且宏展开是按需的（仅在依赖闭包需要时），避免了"压缩为文本→检索后转换为图→发现不可用"的延迟匹配问题。
  • 团队背景：UNSW Sydney + CSIRO Data61，学术团队。
  • 相关链接：📄 点击阅读论文原文

1.5 Persistent Recursive Worlds Enable Autonomous Software Evolution (EvoX Genesis)

  • 核心亮点：
    • 任务定义：组织超出单个编码Agent寿命的长周期软件开发（自主软件工程方向）。
    • 方法核心：持久递归世界——软件项目本身持久化，每个局部世界由已接受版本和仓库路径定位，有限寿命Agent提出局部变更，递归委托跨路径移动工作，仅已接受的后果推进持久版本历史。
    • 评估指标：DeepSeek V4 Flash构建Rust C编译器约25万行跟踪代码，运行超120小时，归档1000+Agent episodes，仅花费 $44，通过完整c-testsuite和大部分LLVM/Csmith测试；GLM 5.2在重复Agent替换后开发继续且保持完整测试性能；13个MESA数值模块从10万+Fortran行迁移至近9万Rust行，六个数值工作负载中位加速 1.55–6.87×。
    • 为何优于baseline：传统Agent系统通过持久化会话、记忆、管理器或共享上下文保持连续性，但单个Agent的上下文窗口和工作记忆有限。Genesis的机制创新在于将持久性从Agent转移到项目——局部Agent可以死亡和重生而不丢失工作进展，因为版本历史是项目级而非Agent级属性。这使120小时连续开发成为可能（远超任何单Agent episode的寿命）。
  • 团队背景：香港理工大学（Ran Cheng团队），学术团队。
  • 相关链接：📄 点击阅读论文原文

1.6 Agent Safety Should Be a Runtime Contract

  • 核心亮点：
    • 任务定义：论证Agent安全应从训练时对齐属性转向运行时合约（Agent安全理论方向）。
    • 方法核心：提出Agent安全合约的两面——预防面（沙箱、权限门、输出过滤器、轨迹监控器）和证据面（测试运行、日志捕获、文件diff、引用grounding的可验证硬证据），形式化为Agent Trajectory Schema（哈希链事件序列）和Evidence Chain（证据门控提交）。
    • 评估指标：52起安全事件调查——76.9%（40起）完全可通过harness预防，仅1.9%（1起）与内部对齐相关；32起虚假完成审计——13起幻觉、8起破损、5起副作用、4起不完整、2起奖励黑客，每类均有可阻止接受的证据需求；12个Agent系统轨迹模式审计——仅2/12（16.7%）有证据门控（GitHub Copilot和OSWorld）；NeurIPS/ICML/ICLR 2023–2025的 28560篇论文审计——训练时vs部署时研究存在 8–12×不平衡。
    • 为何优于baseline：本论文是Position Paper而非方法对比，但通过四条独立证据线汇聚同一结论：训练时对齐存在5个结构性不匹配（统计代理vs形式规范、训练分布vs开放世界、不可验证内心独白vs可回放轨迹、看似合理vs有依据引用、单一防御层），SWE-bench上7.8%看似合理的补丁在超出PR测试范围的开发测试中未通过，28.6%行为不同的补丁确认为错误——证明仅依赖模型自我报告的完成判断是结构性不足的。
  • 团队背景：独立研究者（Albus W. Ng等4人）。
  • 相关链接：📄 点击阅读论文原文

1.7 ToolHazard: Scaling Adversarial Environments for Security Evaluation and Alignment of LLM-based Agents

  • 核心亮点：
    • 任务定义：可扩展地合成对抗环境以测试LLM Agent对间接提示注入的鲁棒性（Agent安全评估方向）。
    • 方法核心：通过Environment Simulator、Attacker Agent和User Simulator三组件协同，合成可执行的有状态环境，自动发现可行注入点并生成环境特定payload，构建状态grounded的长程任务。
    • 评估指标：构建ToolHazard-Bench压力测试复杂工作流和多样化环境攻击；ToolHazard生成的对齐数据在ToolHazard-Bench和AgentDojo上均提升安全性，同时保持良性任务效用。
    • 为何优于baseline：现有研究依赖手动实现或重用环境、随机LLM工具模拟、预定义注入位置，限制了跨领域可扩展安全研究。ToolHazard通过三Agent协同自动化注入点发现和payload生成，实验揭示注入时机和位置显著影响攻击有效性。
  • 团队背景：北京大学软件工程实验室（Wei Ye、Shikun Zhang团队），学术团队。
  • 相关链接：📄 点击阅读论文原文

1.8 Self-Evolving Embodied Agents via Skill-Harness Evolution (SHAPER)

  • 核心亮点：
    • 任务定义：无需训练即可自适应具身Agent到新环境（具身Agent自进化方向）。
    • 方法核心：SHAPER冻结模型参数，通过目标环境rollout进化可复用技能和上下文代码Harness——同一冻结模型同时充当规划器和优化器，精炼外部技能和Harness而无需参数更新。
    • 评估指标：VLABench和ESI-Bench上评估，覆盖不同低层动作接口的具身Agent；对比纯执行、监督微调和测试时扩展baseline（无验证器选择、投票）。
    • 为何优于baseline：SHAPER机制创新在于将非参数Agent系统（技能+上下文代码Harness）作为优化对象，而非参数权重。训练时方法需要额外数据、奖励和训练轮次，而SHAPER通过环境rollout的执行证据驱动进化，在模型训练昂贵、不可用或不理想时提供实用路线。
  • 团队背景：微软亚洲研究院（Dongsheng Li、Yuqing Yang团队），企业研究。
  • 相关链接：📄 点击阅读论文原文

1.9 Convergent Detour Hijacking: Task-Preserving Resource Amplification in Skill-Based LLM Agents

  • 核心亮点：
    • 任务定义：揭示基于技能的LLM Agent中隐蔽的资源放大攻击（Agent安全方向）。
    • 方法核心：CDH（Convergent Detour Hijacking）——纯文本、运行时无关的攻击，将技能选择操纵、恶意技能指令和工具链资源放大三个阶段端到端组合：描述在选择阶段建立相关性，body在规划阶段伪造合理依赖，吸引攻击者控制的协调器并招募不必要的良性技能进入有界绕道，然后重新进入原始路由以保持任务完成。
    • 评估指标：491个held-out任务，多LLM后端，单任务和多轮条件；DeepSeek-V4-Pro上匹配协调器被选中 80.02%；token消耗增加 66.91%，端到端执行时间增加 92.45%，而任务完成率保持可比。
    • 为何优于baseline：现有工作分别研究选择操纵、恶意指令和工具链放大，CDH首次将三者端到端组合，证明了"正确结果不保证轨迹完整性或成本安全"——这是技能生态安全的新威胁维度。
  • 团队背景：北京邮电大学（Laizhong Cui团队），学术团队。
  • 相关链接：📄 点击阅读论文原文

1.10 Information Abundance Paradox: Long-Context Training Undermines Parametric Knowledge

  • 核心亮点：
    • 任务定义：挑战"更长上下文训练只会帮助模型"的隐含假设（大模型训练理论方向）。
    • 方法核心：提出"信息丰度悖论"——训练上下文中丰富的相关信息会减少参数化编码的激励，增加对上下文的依赖。预训练中增大上下文窗口在中间最优点后性能持续下降；SFT中更多任务相关训练上下文在有支持上下文时提升性能，但在测试时上下文缺失或误导时降低鲁棒性。
    • 评估指标：语言建模、自然语言理解和闭卷MCQA在中间上下文窗口最优点后一致下降；机制分析显示训练中有信息的上下文将梯度压力从前馈网络（关联参数化知识）转向注意力模块，因果干预证明这种转移增加了推理时对上下文的依赖。
    • 为何优于baseline：本论文挑战的是长上下文扩展的隐含假设而非具体方法，但揭示了"扩展到近乎无限上下文不仅仅是提供更多数据"——即使高质量长上下文数据丰富，也可能通过改变学习模式（参数化内化vs上下文化）损害参数化知识。
  • 团队背景：约翰斯·霍普金斯大学（Daniel Khashabi、Benjamin Van Durme团队），学术团队。
  • 相关链接：📄 点击阅读论文原文

1.11 VAKRA: Evaluating Multi-Hop Reasoning Across APIs and Retrieval Under Tool-Use Policies

  • 核心亮点：
    • 任务定义：评估Agent在结构化API和文档集合上的跨源多跳推理能力（Agent推理评估方向）。
    • 方法核心：VAKRA基准包含8000+可执行API跨62个领域，三种递增难度设置：多样化API交互风格、结构化API上的多跳推理、带自然语言工具使用策略约束的多源推理。正确性通过重执行预测工具调用验证，允许多条有效路径。
    • 评估指标：使用固定ReAct harness隔离模型能力与Agent架构；最佳模型单跳端点任务仅 70.4%，组合API降至 50–51%；推理深度增加性能退化超 50%；策略约束问题暴露严重失败（不可回答查询低至 2.4%）。
    • 为何优于baseline：现有基准孤立评估API交互或文档检索，VAKRA首次将二者组合并引入工具使用策略约束。失败集中在语言介导的推理（实体消歧、跨源grounding）而非工具调用机制本身。
  • 团队背景：IBM Research（Danish Contractor团队），企业研究。
  • 相关链接：📄 点击阅读论文原文；💻 代码仓库

1.12 NCP-Bench: Long-Horizon Consistency in Interactive Narratives

  • 核心亮点：
    • 任务定义：评估LLM Agent在交互叙事中的长程逻辑一致性（Agent长程一致性评估方向）。
    • 方法核心：将挑战形式化为叙事承诺保持（Narrative Commitment Preservation），NCP-Bench包含100个源自电影概要的叙事环境，每个环境包含结构化叙事规范（轨迹、承诺、初始事实），可在玩家Agent和叙述者Agent交互中自动检查。
    • 评估指标：最佳模型GPT-5.2在20轮后存活率仅 42%；事实冲突率40–68%；仅少数运行在100轮限制内满足所有成就承诺。
    • 为何优于baseline：现有研究忽视了对不受限用户干预的长程逻辑一致性挑战，NCP-Bench首次形式化并量化了"高语言质量不保证承诺保持"——即使强模型在对抗性干预下也频繁产生逻辑冲突内容。
  • 团队背景：澳门大学（Derek F. Wong团队），学术团队。
  • 相关链接：📄 点击阅读论文原文

1.13 VICBench: A Multi-Language Benchmark for Code Vulnerability Detection

  • 核心亮点：
    • 任务定义：评估代码漏洞检测工具在漏洞引入提交（VIC）识别上的能力（代码安全方向）。
    • 方法核心：通过人类专家和agentic workflow双重标注，创建100个已验证VIC覆盖88个项目、Python/Java/C++三种语言、48种CWE类型。VIC平均38.6行，对应VIC为252.5行——显著大于先前工作。
    • 评估指标：最先进算法V-SZZ和LLM4SZZ仅达 33.3%–40.1% F1，确认现有方法仍需大量人工。
    • 为何优于baseline：现有漏洞数据集受限于编程语言覆盖、补丁复杂度和项目范围，VICBench首次提供跨语言、复杂真实漏洞修复的评估基准。
  • 团队背景：Amazon（Lin Tan团队），企业研究。
  • 相关链接：📄 点击阅读论文原文

1.14 Mechanist: AI as a Scientific Instrument for Discovering the Mechanisms of Intelligence

  • 核心亮点：
    • 任务定义：使用AI自主发现和控制AI模型智能背后的机制（可解释性/Agent自主科研方向）。
    • 方法核心：构建约13000篇可解释性论文的知识图谱，整合43百万篇跨26领域论文的多学科数据库，策划32种基础方法库用于机制分析、因果干预和验证。
    • 评估指标：相对Claude Code和现有AI-scientist系统，Mechanist生成更有价值的机制假设并更可靠地执行实验；发现跨模态不安全特征可通过看似安全的训练数据转移；发展出"信念机制理论"（模型如何表示世界知识、形成信念、推断他人信念）；将机制洞见转化为实际干预以提升模型性能并引导科学基础模型生成特定属性DNA序列。
    • 为何优于baseline：Mechanist展示了从发现行为→解释→控制的递进能力，首次将机制可解释性从手动探索推进到Agent自主发现。
  • 团队背景：ZJUNLP（浙大NLP团队，Ningyu Zhang、Huajun Chen）+UCSD（Julian McAuley）+NUS（Tat Seng Chua），学术合作。
  • 相关链接：📄 点击阅读论文原文

2. 产业动态与产品创新（AI Hot Skill 精选）

2.1 DeepSeek Harness 开源发布 + Gemini 3.7 Flash 登场 + GPT-5.6 Sol Ultrafast 模式

  • 核心内容：DeepSeek发布Harness v0.1开发者预览版（对标Claude Code的编程Agent，原生支持OpenAI Responses API）；谷歌DeepMind发布Gemini 3.7 Flash（编程与智能体最强工作模型，速度提升50%，API价格减半，首发优惠价为3.6 Flash的一半）；OpenAI推出GPT-5.6 Sol Ultrafast模式（每秒生成750个词元，提速14倍）。三大前沿模型/工具同日发布引爆AI编程工具价格战。
  • 落地应用场景：DeepSeek Harness面向需要长时间运行编程Agent的开发团队，支持多智能体实验但协作机制仍需优化；Gemini 3.7 Flash适合对成本敏感的高频API调用场景（如代码补全、Agent推理链），一个规格可生成五端原生应用；GPT-5.6 Sol Ultrafast模式适合需要快速迭代的长程推理任务。
  • 相关链接：🌐 DeepSeek Harness；🌐 Gemini 3.7 Flash；🌐 GPT-5.6 Sol Ultrafast

2.2 xAI 发布 Grok 4.6 + 微软首发 MAI-Thinking-1 + 阿里开放 Qwen3.8-2.4T-A95B 权重

  • 核心内容：xAI发布Grok 4.6，强化长时运行智能体能力，在Artificial Analysis Intelligence Index上追平GPT-5.6 Sol，登顶GPQA Diamond和Perplexity性价比前沿；微软首发自研推理模型MAI-Thinking-1（从零构建，已在Microsoft Foundry上线）；阿里开放Qwen3.8-2.4T-A95B模型权重——Qwen-Max级别首次开源，2.4T MoE激活95B，原生256K上下文可扩展至1M。SGLang与Miles提供Day-0支持。
  • 落地应用场景：Grok 4.6适合需要Agent持续运行的企业工作流（性价比领先）；MAI-Thinking-1面向Azure生态内需要推理能力的开发者；Qwen3.8-2.4T-A95B面向需要大规模开源MoE的研究和部署场景，256K–1M上下文适合长文档处理和代码仓库级理解。
  • 相关链接：🌐 Grok 4.6；🌐 MAI-Thinking-1；🌐 Qwen3.8-2.4T-A95B

2.3 Cursor 推出 Builds + Claude Code v2.1.229 + Claude Cowork 会话

  • 核心内容：Cursor推出Builds（云智能体启动速度提升至3倍）；Claude Code v2.1.229发布（远程会话恢复、自托管runner服务器端hook、插件市场命令源、长响应流式输出修复）；Claude in Chrome侧边栏升级为Claude Cowork会话（对话保存至历史，技能和连接器在浏览器中工作，跨桌面/网页/移动端无缝切换）。
  • 落地应用场景：Cursor Builds适合需要快速启动Agent集群的开发团队；Claude Code v2.1.229的远程会话恢复解决了Agent长时间运行后的断线重连问题；Claude Cowork将浏览器扩展从临时助手升级为持久化工作伙伴，适合需要跨设备协作的知识工作者。
  • 相关链接：🌐 Cursor Builds；🌐 Claude Code v2.1.229；🌐 Claude Cowork

2.4 OpenRouter 推出实时网页搜索基准测试

  • 核心内容：OpenRouter发布实时排行榜，系统评测模型、搜索引擎、搜索方法与预算四类配置组合。数据显示搜索预算从1轮增至25轮可使BrowseComp得分近乎翻倍，成本仅增2.5–7倍；模型选择比引擎更重要（平均分差15分 vs 10分）；失败率高的任务应降低搜索深度以控制成本。
  • 落地应用场景：帮助开发者为不同复杂度的Agent搜索任务选择最优模型+引擎+深度+预算组合，从经验式选择走向数据驱动的配置决策。
  • 相关链接：🌐 点击查看新闻来源

2.5 WhatsApp Scam Alert：端到端加密下的设备端诈骗检测

  • 核心内容：Meta推出WhatsApp可选功能Scam Alert，在端到端加密保护下于设备端运行ML模型识别潜在诈骗消息，消息内容不离开设备且不自动上报。遵循仅设备端处理、无自动上报、用户控制三大原则，模型权重公开供独立验证，遥测数据经差分隐私聚合处理。
  • 落地应用场景：为加密通信平台提供隐私优先的诈骗检测范式——在不牺牲端到端加密保证的前提下实现实时安全防护，适用于金融、医疗等敏感领域的AI安全部署。
  • 相关链接：🌐 点击查看新闻来源

2.6 LTX-2.5 视频 + MiniMax Music 3.0 + 小红书 dots.tts

  • 核心内容：LTX推出LTX-2.5模型（2张GB200配置下10秒720P视频仅需6.8秒，原生集成ComfyUI，年营收低于1000万美元的组织免费使用）；MiniMax发布Music 3.0（新一代开源权重生产级全能音乐模型）；小红书开源连续自回归语音合成模型dots.tts（打造可持续扩展的TTS基座）。
  • 落地应用场景：LTX-2.5适合短视频内容创作者和营销团队的高吞吐视频生成；MiniMax Music 3.0面向需要商业级音乐配乐的创作者；dots.tts适合需要可扩展语音合成的对话AI和内容平台。
  • 相关链接：🌐 LTX-2.5；🌐 MiniMax Music 3.0；🌐 dots.tts

2.7 AutoGPT 的 AI PR 管理实践 + Research Gold 诈骗事件

  • 核心内容：AutoGPT维护者发现AI智能体不会主动阅读文档，因此将指令放在AGENTS.md和技能文件中，通过强制PR模板、测试计划、CI覆盖率门槛和CLA签名等门控机制将智能体提交的PR从"不可用"转变为"可用但不符合路线图"，其中CLA签名因需浏览器和OAuth流程被用作"人类探测器"。另一面，面向医学研究者的网站Research Gold宣称"100%人类撰写、绝不使用AI"实则全程AI驱动，审稿人系AI生成不存在。
  • 落地应用场景：AutoGPT实践为开源项目维护者提供了管理AI贡献的工程模板；Research Gold事件警示学术界AI代写服务的信任风险。
  • 相关链接：🌐 AutoGPT PR管理；🌐 Research Gold事件

2.8 Anthropic 联合发布工人再培训项目证据综述 + 新兴多智能体系统模式

  • 核心内容：Anthropic联合独立研究者David Roodman发布报告，基于56项美国随机研究和欧洲实验证据评估工人再培训项目应对AI劳动力市场冲击的效果；Anthropic同时发布新兴多智能体系统模式研究，揭示协调失效、低方差从众和伯特兰串谋等系统性问题。
  • 落地应用场景：为政策制定者和企业提供AI劳动力转型的实证依据；多智能体系统模式研究为Agent系统设计者提供常见失效模式 catalogue。
  • 相关链接：🌐 工人再培训综述；🌐 多智能体系统模式

2.9 其他值得关注

  • ChatGPT 桌面端新增 Computer History 功能：记录Mac操作历史，跨应用记忆（来源）
  • GPT-5.6 构建者指南：OpenAI发布如何以更低成本实现前沿智能体性能的指南（来源）
  • Google Sheets Canvas：用Gemini将表格数据变为交互式迷你应用（来源）
  • Perplexity 上线 Grok 4.6 与计算机功能：多模型路由竞争加剧（来源）
  • Google 研究：Recall 是参数化事实性的瓶颈：多数事实错误源于"丢钥匙"而非"空货架"（来源）
  • 每美元AI算力年增49%：21个月翻倍，计算成本持续下降（来源）

数据来源声明：本文AI资讯数据来源为 AI HOT，论文数据来源为 Hugging Face Daily Papers 与 arXiv。