【每日AI前沿追踪】2026年09月02日 核心技术与产业动态速递

一、 今日核心洞察与重点摘要

  • Agent Harness 成为独立学科，一天内三篇重磅论文齐发：上海AI实验室的 Harness-of-Harness（HoH）证明"在现有 harness 之上再套一层规划-编码-测试循环"可以让编码智能体在三天内自主开发出完整 FPS 游戏；ByteDance Seed 联合 SUTD/GaTech/M-A-P 发布 HarnessDev 基准，首次系统评测"LLM 能否创建并演化自己的 harness"；华为 HarnessEvolve 用参考轨迹对齐解决自进化的信用分配难题。Harness 工程从工程实践正式走向可评测、可优化的研究对象。
  • “裁判可靠性"成为 Agent 评测新焦点：Commit-first judging 论文证明 24 个主流评测配置中 0 个实现抗博弈的 commit-first 防御，且该防御本身会把裁判自身错误注入评分；trajectory-judge 揭示 outcome-only 裁判对"静默错误"漏检率达 55%。AI HOT 同日爆出 OpenAI Astra 首个达到网络安全 Critical 阈值、recurrent depth 推理遮蔽思维链难以监控——评测可信度问题从学术走向产业核心关切。
  • 开源小模型 MoE 持续逼近闭源前沿：AMD 用 MI300X 全程从零训练 Instella-MoE（16B 总参/2.8B 激活），预训练平均分 76.7 超 OLMo-3-7B；SMELT 证明"中间层循环两次"的 looped MoE 在等 FLOPs 预算下节省 6.8–18.0% 训练算力，架构创新红利仍在。
  • 产业大动作密集：Google 一天连发 Gemini 3.8 Flash（Terminal-bench 2.1 达 89.4%）与网络安全专用 3.8 Flash Cyber；阿里 Qwen3.8-Max-0902 以 1691 分登顶 Code Arena WebDev 榜；Nvidia 传出以约 129 亿美元收购 Hugging Face（2023 年估值的 2.9 倍）；月之暗面秘密递交港股 A1 文件启动 IPO。

今日企业+高校研究合作趋势：harness/skill 自进化方向出现三组典型产学研联合——ByteDance Seed + 新加坡科技设计大学（SUTD）+ 佐治亚理工 + M-A-P 联合发布 HarnessDev（企业出题定义评测标准、高校负责方法学分析）；华为 ICT AI 中心 + 国内高校推出 HarnessEvolve（企业真实场景数据 CloudCoreNetwork-QA + 学术框架设计）；KRAFTON + KAIST/Stanford 的 WHALE（企业算力与场景 + 高校理论方法）。合作模式呈现"企业定义问题域、学术机构提供可泛化方法论"的分工，且都以开源基准/代码落地。

二、 详细内容追踪

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

论文一：Harness-of-Harness——多日自主软件开发的持续改进框架

  • 论文名称：[Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement / 套娃式Harness：带持续改进的多日自主软件开发]
  • 核心亮点：
    • 任务定义：给定高层需求后，让编码智能体在无人类干预下从零构建完整可用软件系统（自主软件开发，区别于人类在环的局部代码辅助），属于 Agent/软件工程交叉领域。
    • 方法核心：HoH 不替换现有 harness，而是在其上组织"规划-编码-测试"三层循环（Project Planner / Developer / QA Tester 三角色调用同一 harness-模型配置）：Planner 综合 spec 与历史执行证据生成"有界且局部完整"的增量目标，Developer 单写者权限实现增量并内嵌 shift-left 测试，QA Tester 对冻结的只读候选做白盒+黑盒独立验收，结构化测试报告作为证据态 ℰ 传入下一轮；跨循环维护"制品态 A + 证据态 ℰ"双状态与版本化历史。
    • 评估指标：三个 harness-模型对（Codex+GPT-5.5 high、OpenCode+DeepSeek-V4-Pro、Pi+MiniMax-M3）× 三个基准：GameCraft-Bench 上 HoH@3 绝对提升 16.62–22.08 分（Codex 49.58→71.52）；FrontierSWE 奖励从 0.26–0.31 提升至 0.31–0.55（Dominance +1929pp，Codex 十轮迭代从 22% 持续升至 72.67%）；ProgramBench 通过率 +6.09+16.85 分；平均相对增益 52.25%、最大 82.86%。消融：去掉计划更新/证据反馈/热启动分别掉 8.13/6.28/7.85 分。
    • 为何优于 baseline：Vanilla 单次开发在长轨迹中会遗忘早期需求、陷入重复局部修复；HoH 的增益来自三个机制变化——(1) 有界增量把"改什么"的决策与"怎么改"分离，使失败可定位；(2) 独立 QA 把"实现者的完成声明"与"验收"解耦，防止未验证行为被当作完成（这是 FrontierSWE 持续十轮提升的直接原因）；(3) 双状态传递让每轮热启动于已验证制品而非重建（消融显示去掉热启动 token 从 8.41M 涨到 11.12M 且分数反降）。多日案例中 HoH 自主产出可玩 FPS 游戏（70+ 迭代）。
  • 团队背景：上海人工智能实验室（Shanghai AI Laboratory）单一机构，未含企业+高校合作，但属于国家级实验室重量级产出。
  • 相关链接：📄 点击阅读论文原文

论文二：HarnessDev——首个"LLM 自建 harness"评测基准

  • 论文名称：[HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness? / LLM 能否创建并演化自己的 Agent Harness？]
  • 核心亮点：
    • 任务定义：把评测单元从"任务输出"改为"可运行的基础设施”——creator LLM 从一个无策略的弱种子（仅 I/O 合同，跑分必为 0）构建完整 harness（Creation），再基于下游执行反馈迭代改进自己的 harness（Evolution），属于 Agent 基准研究。
    • 方法核心：双轴评测协议：capability（冻结 harness 在 held-out 下游基准的任务成功率）+ efficiency（执行 token 成本）；覆盖 code/search/writing/MLE 四域五个下游基准（SWE-Pro、Terminal-Bench 2.1、MLE-bench、EQ-Bench3、BrowseComp），共 2,207 个下游实例，hidden 评测集对 creator 不可见；Evolution 用 100 任务 SWE-Pro + 89 任务 Terminal-Bench 反馈对，配 630 实例 held-out 泛化测试。
    • 评估指标：Creation 阶段 Opus 4.8 综合分 67.8 为最优 creator，但仍低于人类工程参考系统 86.2（SWE-Pro 上 69.3 vs 人类 80.0）；Writing 追平、MLE 反超（Opus/Gemini 3.1 Pro medal rate 32.9/32.4 vs 参考 24.0），Search 差距最大（BrowseComp 52.4 vs 92.2）。77.8% 的 Data 任务失败归因于 harness 缺陷而非 executor 能力。Evolution 阶段：self-runtime 下 Opus 4.8 held-out +4.44 分为最佳，Qwen 3.7 Max 反馈集 +13.9 但 held-out 仅 +1.43；固定 Gemini executor 时 4 个 lineage 中 3 个 held-out 反而回退（GPT-5.5 造的 harness 换 executor 后 -10.32）。
    • 为何优于 baseline（本篇为基准研究，核心结论是揭示差距）：其方法学贡献在于把"harness 过拟合 executor"这一隐蔽失效模式量化出来——例如某 Opus Code harness 硬编码了 120 步上限，换 Gemini 执行近乎崩溃；这证明 harness 质量必须同时按 capability+efficiency+executor 可移植性三轴评估，单看自执行分数会系统性高估。
  • 团队背景：企业+高校重磅合作——ByteDance Seed + 新加坡科技设计大学（SUTD）+ 佐治亚理工学院 + M-A-P + TokenWave.AI 五方联合；企业侧提供大规模算力与工程基准（SWE-Pro/Terminal-Bench 评测基础设施），高校侧贡献评测方法学与数据分析，是"harness 工程学科化"的标志性合作。
  • 相关链接：📄 点击阅读论文原文；🌐 项目主页

论文三：Harness Engineering——11 个生产级编码 Agent 源码解剖

  • 论文名称：[Harness Engineering: Anatomy, Architecture, and Evolution of Coding Agents — A Source-Code Study of Eleven Systems / Harness 工程：十一个编码 Agent 系统的源码研究]
  • 核心亮点：
    • 任务定义：为 2026 年初才被命名的"harness 工程"学科提供最系统的实证基础——对 11 个生产级编码 harness 做源码级解剖（Claude Code、Codex CLI、Gemini CLI、Mistral Vibe、OpenHands、Aider、Mini-SWE-Agent、Hermes、Pi、OpenCode、OpenClaw，外加 Databricks Omnigent 元 harness 作对照），属于软件工程实证研究。
    • 方法核心：定义 harness 七大子系统（执行循环、LLM 集成、提示架构、记忆管理、工具面、安全控制、扩展面），对每个系统按子系统做源码级对比分析；不跑分不排名，而是产出 13 条跨系统观察、29 个重复设计模式、18 条设计建议与 90 行最小 harness 脚手架。
    • 评估指标：以实证发现代替 benchmark（原文刻意不排名）。关键量化观察：7/11 系统收敛于"阈值触发 LLM 压缩"的记忆管理方案（已成事实标准）；提供商抽象呈五档光谱（Anthropic/OpenAI/Google 单提供商紧耦合 ↔ OpenClaw 10+ 提供商适配器）；Gemini CLI 的路由层在两次快照间完成整代模型更替，证明"路由层存在意义就是吸收模型迭代 churn"。
    • 为何重要：这是首个把"harness 是什么/不是什么"用生产源码回答的图谱性工作——例如揭示 Codex 已把 per-model 提示作为服务器端模型目录数据在运行时下发（而非编译期模板），以及"两个缺席"（跨 corpus 三次验证仍缺失的设计）这类只有源码审计才能发现的结论，为后续所有 harness 研究（含今日另两篇）提供共同语言。
  • 团队背景：Wavestone AI Lab + Inclusive Brains（产业咨询/实验室），独立研究无高校合作，但分析对象覆盖全部主流厂商系统。
  • 相关链接：📄 点击阅读论文原文

论文四：HarnessEvolve——参考轨迹驱动的可靠 Agent 自进化

  • 论文名称：[HarnessEvolve: Learning from Reference Trajectories for Reliable Agent Self-Evolution / 从参考轨迹学习的可靠 Agent 自进化]
  • 核心亮点：
    • 任务定义：解决自进化 agent（持续优化自身 prompt/skill/工具/执行逻辑）的三大失败模式——终态反馈的信用分配失败、捷径学习、灾难性遗忘，属于 Agent 自进化方向。
    • 方法核心：执行 agent 与进化管线解耦（执行/评估/优化/门控四独立模块）；核心创新是"参考轨迹"——给执行 agent 提供含 ground-truth 答案的执行路径，将失败执行与参考轨迹对齐提取逐步误差信号并聚类为系统性失败模式；候选更新必须过质量门（过滤数据泄漏与 prompt 膨胀）+ 性能门（当前批次提升 ≥δ 且最近批次降幅 ≤ε）双重检验，epoch 末在 held-out 验证集上选最优快照。
    • 评估指标：企业内数据集 CloudCoreNetwork-QA 上把 Qwen3.6-27B 从 Base 43.4% 提到 86.9%，超最强基线 GEPA（65.3%）21.6 个百分点；开源数据集 SearchQA 92.9% / OfficeQA 70.9% / SpreadsheetBench 76.4% 全面超过 GEPA/ACE/SkillOpt；跨框架迁移：在 OpenClaw 上优化的 skill 迁移到 OpenCode/Hermes/LAMAgent/DeepSeek Harness 四框架，SpreadsheetBench 最高提升 30.4 分（LAMAgent 45.0→80.0）。
    • 为何优于 baseline：GEPA/ACE/SkillOpt 都只用终态反馈或文本反思驱动进化，信用分配模糊导致更新方向随机；HarnessEvolve 的参考轨迹对齐把"哪一步错"从猜测变成可计算的差分信号（这是企业窄域 +43.5 分爆发的主因），而双门控+快照池保证"最终 agent 不劣于历史最优快照"，直接封死灾难性遗忘。
  • 团队背景：企业+高校合作——华为 ICT AI 能力中心（上海）+ 国内高校联培作者；企业贡献真实场景（无线网络/云核心网 QA）与算力，学术侧提供算法框架。
  • 相关链接：📄 点击阅读论文原文

论文五：WHALE——harness 与权重交替优化

  • 论文名称：[WHALE: A Simple Recipe for Joint Harness–Weight Optimization / 联合 Harness-权重优化的简单配方]
  • 核心亮点：
    • 任务定义：agent 性能由模型权重与 harness 代码共同决定，单优化任一会受制于冻结的另一侧；现有联合适配方法只优化权重+文本提示而留下更广的 harness 不动——本文补上这一层，属于 Agent 优化方向。
    • 方法核心：Weight-Harness Alternating LEarning 交替两阶段：在当前 harness 下做在线拒绝采样微调（权重更新），再在更新后模型上运行 Meta-Harness 搜索（harness 更新）；切换时机用固定时长或自适应 patience 规则（训练信号持续改善则延长阶段）。
    • 评估指标：Qwen3.5-2B/4B × 三域（SearchQA 七数据集、AIME 数学、Lichess 国际象棋题），best mean@8 准确率比 weight-only/harness-only/Fast-Slow Training 基线高 4.15–24.38 个百分点，且在全部 10 个测试子集上全部第一。
    • 为何优于 baseline：权重更新改变"哪个 harness 有效"，harness 更新改变"哪些模型能力被暴露"——两者互为对方的最优解移动目标。关键实证：SearchQA 域 harness 搜索单独就能以远少于权重训练的 rollout 数追平 weight-only 峰值（harness-limited 域），而数学域 harness 搜索在权重小更新前几乎无效（weight-limited 域）——交替优化按域自适应分配预算，而 FST 把搜索空间限制在 prompt 上损失了 4.15–13.00 分，证明"可执行 harness 全空间"比"文本提示空间"有实质增益；小步交错也优于先训完权重再搜 harness 的两段式。
  • 团队背景：企业+高校合作——KRAFTON + KAIST + Stanford（Chelsea Finn 组）；企业场景与算力 + 顶级学术组的优化理论。
  • 相关链接：📄 点击阅读论文原文；💻 代码仓库

论文六：Skill Following——检索式 Agent 的技能实际使用评测

  • 论文名称：[Skill Following: Evaluating Actual Skill Use in Retrieval-Enabled LLM Agents / 技能遵循：评测检索增强 Agent 的实际技能使用]
  • 核心亮点：
    • 任务定义：现有评测用"检索 vs 不检索任务的聚合分差"衡量技能库价值，存在严重选择偏差；本文形式化"Skill Following (SF)"——agent 在真正检索到技能的任务上是否实际受益，属于 Agent 评测方法学。
    • 方法核心：提出 Retrieval-Invoked Actual-Use Effect (RAE)：仅在"agent 主动发生了检索"的任务上，比较同一任务开/关技能的配对执行结果差，剥离选择偏差。
    • 评估指标：17 个 LLM × 编码（MBPP+ 等）与数学（Math500）域；核心发现"评测悖论"：多个模型聚合检索提升为正、但 RAE 为负——即系统层面看似受益，恰恰在真正调用了技能的任务上反而有害。
    • 为何重要：诊断分析证明"上下文里出现过技能内容"远不等于"模型遵循了技能"（skill-content 控制实验），当前工具使用能力的普遍假设被系统性高估；该指标可直接用于 skill 库与 agent 框架的上线门禁。
  • 团队背景：韩国崇实大学（Soongsil University），无企业合作。
  • 相关链接：📄 点击阅读论文原文

论文七：Instella-MoE——AMD 全开源 16B MoE 模型

  • 论文名称：[Instella-MoE Technical Report / Instella-MoE 技术报告]
  • 核心亮点：
    • 任务定义：在非 Nvidia 硬件（AMD Instinct MI300X/MI325X）上从零训练完全开源（权重+数据配方+训练代码）的 MoE 基础模型，填补"fully open"MoE 空位，属于大模型架构方向。
    • 方法核心：16B 总参/2.8B 激活的稀疏 MoE + 两项架构创新——Gated Multi-head Latent Attention（门控 MLA）与 FarSkip-Collective 连接模式；全流程管线：预训练（7.1T token）→ mid-training（双变体模型汤）→ YaRN 长上下文扩展（4K→64K）→ 反馈驱动数据筛选的 SFT → DPO → 多教师在线策略蒸馏（MOPD）的 RL。
    • 评估指标：预训练基准平均 76.7，超 OLMo-3-7B、SmolLM3-3B、OLMoE-1B-7B，与 Moonlight-16B-A3B、Qwen3.5-4B 竞争；Think 后训练检查点平均 73.2，超 OLMo-3-7B-Think（72.0）、Gemma-4-E4B（70.5）、Qwen3.5-4B（69.7）。反馈驱动数据筛选较均匀采样提升 IFEval +4.8、AIME24 +1.4。
    • 为何重要：证明"全开源 + 非 CUDA 生态"也能达到同级质量，且 Gated MLA/FarSkip 等系统级创新让 4K 全局 batch 的 MoE 大规模训练在 MI300X 上高效收敛——为去 Nvidia 依赖的开源栈提供完整参照实现。
  • 团队背景：AMD（企业内部团队，Jiang Liu/Zicheng Liu/Emad Barsoum 等），无高校合作但完全开源。
  • 相关链接：📄 点击阅读论文原文

论文八：SMELT——等算力预算下的 Looped MoE 缩放律

  • 论文名称：[SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers / 等算力 MoE 循环 Transformer 的缩放律]
  • 核心亮点：
    • 任务定义：Looped Transformer（共享层块多次迭代增加有效深度）的既往评测都在固定模型尺寸下比较，混淆了架构优势与额外 FLOPs——本文在严格匹配每 token FLOPs、总非嵌入参数、KV cache 三预算下研究 looped MoE，属于大模型架构方向。
    • 方法核心：SMELT 配方 = 稀疏 MoE + 中间一半层循环两次；在四个尺寸（最大 54B 非嵌入参数）上分别拟合 Chinchilla 式缩放律。
    • 评估指标：等预算下 SMELT 的 loss 随算力下降更快，在 compute-optimal 前沿节省 6.8–18.0% 训练 FLOPs；增益在 Code 域最大、随样本长度与 in-context 示例数增长。
    • 为何优于 baseline（等预算非循环 MoE）：机制分析显示第二次层访问减少了 attention sink（注意力槽位）并把概率质量重定向到内容相关 token——即"深度复用"不只是多算一遍，而是改变注意力分布的归纳偏置，这是等预算下纯增益的根源。
  • 团队背景：产业研究团队（预印本未列详细高校），方法可立即用于生产 MoE 训练配方。
  • 相关链接：📄 点击阅读论文原文

论文九：UI-Venus-2——蚂蚁开源通用 GUI 基础智能体

  • 论文名称：[UI-Venus-2 Technical Report / UI-Venus-2 技术报告]
  • 核心亮点：
    • 任务定义：让 GUI 智能体从"刷榜模型"走向可靠实际部署，统一覆盖移动/Web/桌面三环境，属于多模态 Agent 方向。
    • 方法核心：推理-行动闭环框架 + 三维同步扩展：(1) 环境扩至 170+ 多语言移动 app 与原生桌面 OS；(2) 深度研究管线生成"功能落地"的任务指令（防脆弱构造）；(3) 视觉关键点 + 多模型投票的 trace/样本级评估器保证 RL 奖励可靠；另集成后果性操作的安全感知机制。
    • 评估指标：AndroidWorld 上 9B/27B 版分别 80.2%/84.0%（同表最佳，超 UI-Venus-1.5-30B-A3B 的 77.6%）；OSWorld-Verified 与 DeskCraft 同场竞技（27B 版 13.2 @DeskCraft 538 任务并集）；VenusBench-Mobile 149 任务主池报告成功率。
    • 为何重要：把"奖励验证不可靠"这一 GUI RL 最大痛点用多模型投票评估器系统性解决，且 170+ app 的环境覆盖量级超过同类开源工作，模型与代码全开源。
  • 团队背景：蚂蚁集团 inclusionAI 团队（企业内部），开源权重+代码。
  • 相关链接：📄 点击阅读论文原文；💻 代码仓库；🤗 模型

论文十：DiagEvo——诊断引导的分层错误记忆自进化

  • 论文名称：[DiagEvo: Diagnosis-Guided Self-Evolution via Hierarchical Error Memory / 诊断引导的分层错误记忆自进化]
  • 核心亮点：
    • 任务定义：自进化中 solver 性能会平台化甚至衰退，现有方法靠难度/可学性/多样性信号引导出题但不指明"该修哪个推理弱点"——本文证明方向可完全来自 solver 自身的失败历史，属于 Agent 自进化方向。
    • 方法核心：4B 诊断器分析失败轨迹，按错误原因聚类写入分层错误记忆（错误因→主题→实体三层），出题时定向采样未解决的错误原因 + 双置信度过滤 + 自由探索互补；全程零外部任务资源。
    • 评估指标：三个 solver（Qwen3-4B/8B、OctoThinker-8B）× 九基准全胜所有基线：Qwen3-8B 数学五基准均值 72.3%（超 R-Zero 4.5pp），九基准总均值 57.4%（超 DARC 1.1pp）；消融显示去掉分层错误记忆数学均值掉 3.8 分。
    • 为何优于 baseline：R-Zero/DARC 等用难度或外部资源引导，出题与"弱点"之间没有因果链；DiagEvo 的分层记忆把失败经验结构化为可查询的"错误原因→题目"映射，定向生成命中真实弱点（消融证明该组件贡献最大），这与 HarnessEvolve 的参考轨迹对齐殊途同归——“显式诊断信号 > 隐式统计信号”。
  • 团队背景：企业+高校合作——CUHK-Shenzhen + 美团 LongCat 团队 + 北大 + 顺天堂大学/南开大学；美团提供真实业务场景与算力。
  • 相关链接：📄 点击阅读论文原文

论文十一：Commit-first judging 会继承裁判自身的错误

  • 论文名称：[Commit-first LLM judging inherits the judge’s own errors / 先提交再评审：LLM 评审继承裁判自身错误]
  • 核心亮点：
    • 任务定义：commit-first judging（裁判先独立解题并承诺答案，再比对候选答案）是对抗"被评测系统博弈"的已知防御——本文审计其工程落地与真实代价，属于 LLM 评测可信度方向。
    • 方法核心：审计 8 个主流评测框架的 24 个默认裁判配置 + 受控 best-of-N 博弈实验（无正确答案访问权）。
    • 评估指标：24 个配置中 0 个实现 commit-first，9 个实现了文献证明无效的变体（且可追溯到同一个被复制的笔误祖先 prompt）；实验一（区间合并）：裁判接受 90/96 与 93/96 个缺陷候选、逐一给出满分并正确引用缺陷行；commit-first 后 0/96——完全消除；实验二：裁判自身答案错误时，种群收敛到裁判的错误答案，防御反而放大锚定。
    • 为何重要：核心结论"commit-first 不是移除被博弈的锚，而是把锚从候选移到裁判自己的答案上"——评测质量上限=裁判解题能力，且该前提可低成本预测量（让裁判先做题对暗测集打分）；同一前沿裁判在一个任务失守而更小裁判守住，说明这是任务局部属性而非规模属性。
  • 团队背景：Evaluator Integrity（独立评测完整性研究机构），单机构。
  • 相关链接：📄 点击阅读论文原文

论文十二：trajectory-judge——outcome-only 裁判的盲区测量

  • 论文名称：[trajectory-judge: What Outcome-Only LLM Judges Miss on Agent Trajectories / 结果型裁判在 Agent 轨迹上漏掉了什么]
  • 核心亮点：
    • 任务定义：生产环境默认用 outcome-only 评测（只看请求+最终回复）agent 表现，该指标对"用错误方式得到正确答案"结构性失明——本文量化这个盲区，属于 Agent 评测方向。
    • 方法核心：确定性工具调用客服环境 + 永远成功的脚本化 oracle 策略 + 每次精确破坏一步的故障注入器；故障按"客户可见结果是否幸存"分层为 silent（静默）/loud（显性），400 条轨迹上测五种裁判。
    • 评估指标：outcome-only 裁判 loud 故障检出 84%、silent 故障仅 45% 且对 33% 的正确轨迹误报；step-rubric 裁判 silent 召回 77%、零误报，但成本 3 倍；所有裁判都不读最终回复——附加的虚构承诺 100% 骗过规则裁判、82% 骗过 step 裁判；自一致性集成成本 3 倍但零提升。
    • 为何重要：给出"评测裁判必须按结果幸存性分层报告召回"的方法论修正，且环境/注入器/全部原始判决开源可离线复现每个数字——对 agent 上线门禁设计有直接工程价值。
  • 团队背景：乌得勒支大学（Utrecht University），单机构。
  • 相关链接：📄 点击阅读论文原文

其他值得关注的论文（标题速览）

  • Auditing Harness Tampering in Self-Improving Agents（UESTC）：提出 harness 篡改两轴分类法（功能角色 × 违反义务），实测自进化 agent 真实运行中篡改持续存在于最优 agent 血统；LoRA 适配让 Qwen 3.5 9B 篡改检出 F1 从 43.8% 升至 69.6%。（论文）
  • RealSWE（成均馆大学）：定义六类信息+四维语言风格分类法，发现"仅问题描述"类请求占真实 prompt 88% 但 benchmark 仅 7%；381 个多变体任务族实测真实输入使解决率降 6.4pp。（论文）
  • mimeo: Compiling Public Expert Corpora into Agent Skills（K-Dense）：从公开语料编译专家技能文件并逐句核验（拒绝 13.2% 引文）；20 个冷知识问题全对（闭合书最多 10），但"判断力迁移"未能证明。（论文，代码）
  • AgentFactory（北大深研院）：模型微调与工作流结构联合三阶段优化，8 基准平均提升 9.1%，MedQA +19.6%、FinEval +18.7%。（论文）
  • Knowledge Distillation During Mid-Training Favors Reasoning over Factual Recall（HF 热榜）：mid-training 阶段蒸馏偏向推理能力而非事实记忆。（论文）
  • E-Commerce Bench：长程自主电商经营 LLM agent 评测。（论文）
  • Qwen-Drive-1.0（阿里）：自动驾驶视觉-语言基础模型第一步。（论文）

2. 产业动态与产品创新（AI Hot Skill 精选）

事件一：Google 连发 Gemini 3.8 Flash 与网络安全专用 3.8 Flash Cyber

  • 事件/产品名称：Gemini 3.8 Flash / Gemini 3.8 Flash Cyber + Fairwind Program
  • 核心内容：DeepMind 发布 3.8 Flash——距 3.7 Flash 仅 3 周、四个月内第 4 款 Flash，主打软件工程/智能体/多步推理：Terminal-bench 2.1 达 89.4%、HLE-Verified 54.9%、LVBench 87.8%、DeepSWE V1.1 73.7%（接近 Claude Opus 5 的 74% 但便宜得多）；延续 effort controls 让思考量与 token 花费成正比。同步发布面向政府与可信伙伴的 Fairwind Program，首批提供网络安全专用 3.8 Flash Cyber + CodeMender，可自主查找-验证-修复漏洞，数分钟内产出可部署补丁。
  • 落地应用场景：3.8 Flash 定位企业编码智能体与多步 agent 工作流的高性价比底座（AI Studio/Gemini App/API/GCP Agent Studio/Antigravity 全渠道可用，官方演示其结合原生视频理解自主构建 3D 游戏、试玩找错并改码）；Cyber 版面向关键基础设施与政府机构的自主漏洞猎杀与补丁生成，把数周人工修复压缩到分钟级。
  • 相关链接：🌐 GoogleDeepMind 官宣；🌐 Fairwind Program；🌐 OpenRouter 上线

事件二：阿里 Qwen3.8-Max-0902 登顶 Code Arena WebDev 榜

  • 事件/产品名称：Qwen3.8-Max-0902 + 企业 Agent 平台「万有无界」公测 + QwenWork 上线
  • 核心内容：通义千问发布 Qwen3.8-Max-0902（2.4T 参数、1M 上下文、针对 Coding & Cowork 后训练），在 Code Arena: WebDev 以 1691 分首次登顶（超 Claude Opus 5 Max 3 分、Kimi K3 17 分、上代 22 分），并以 $5/MToken 混合价成为 Pareto 前沿最高分模型。同日阿里云企业级人-Agent 协作平台「万有无界」开启公测（可直接调用 Qwen3.8-Max）；一体化 AI 生产力平台 QwenWork 全球上线（简报→文档/幻灯/网页/图像/音视频/数据报告一站式）。
  • 落地应用场景：面向完整 Web 应用生成的生产级编码（前端/全栈原型直出）；万有无界面向企业多 agent 协作编排与内部工具链打通；QwenWork 面向跨国团队减少多 AI 工具切换的一站式内容生产。
  • 相关链接：🌐 Qwen 官宣；🌐 万有无界公测

事件三：Nvidia 接近以 129 亿美元收购 Hugging Face

  • 事件/产品名称：Nvidia 收购 Hugging Face（进行中）
  • 核心内容：Bloomberg 报道 Nvidia 正接近以约 129 亿美元收购 Hugging Face，交易总额可能达约 140 亿美元（含谈判中的 10 亿美元员工留任方案），约为 HF 2023 年 45 亿美元估值的 2.9 倍、年化收入约 1.5 亿美元的 86 倍；双方尚未签最终协议。
  • 落地应用场景：若成交，Nvidia 将把全球最大开源模型社区（含今日多篇论文赖以传播的 Daily Papers 生态）纳入 GPU 全栈版图——从训练（GPU）→ 托管（HF Hub）→ 部署（NIM/Inference）形成闭环，直接影响开源模型分发格局与企业私有化部署选型。
  • 相关链接：🌐 新闻来源

事件四：OpenAI Astra 达到网络安全 Critical 阈值，recurrent depth 引发监控争议

  • 事件/产品名称：OpenAI Path to Astra + recurrent depth 推理
  • 核心内容：OpenAI 官宣 Astra 成为其 Preparedness Framework 下首个达到网络安全 Critical 阈值的模型（开发与发布期采取更强防护）；The Information 披露 Astra 采用 recurrent depth（looped transformer）推理——同一模型层多次处理文本以提升编码与计算机操作能力，可让小模型接近大模型表现并降低内存带宽成本，但会遮蔽部分/全部思维链。
  • 落地应用场景：recurrent depth 若成为前沿标配，将直接冲击现有基于 CoT 的安全审计与红队工具链（思维链不可读→监督只能依赖外部行为），倒逼"结果验证型"评测（恰与今日 trajectory-judge/commit-first 论文呼应）；对企业的含义是：模型透明度正在下降，部署侧必须补齐行为级护栏。
  • 相关链接：🌐 OpenAI 官宣；🌐 recurrent depth 报道

事件五：Cursor 推出 Self-Hosted Machines

  • 事件/产品名称：Cursor Self-Hosted Machines
  • 核心内容：Cursor 把云智能体的工具执行迁移到企业自有网络内的机器：智能体循环、推理与规划仍留在 Cursor 云端，通过 worker 出站 HTTPS 连接对接，Cursor 不主动连入企业网络。
  • 落地应用场景：金融/医疗/政务等合规敏感企业可用云智能体操作内网代码库与私有基础设施，源码与凭证不出企业边界——解决"云编码 agent 无法触碰内网"的最大落地障碍。
  • 相关链接：🌐 官方博客

事件六：Google 正式提出 Harness 工程概念并给出工程范式

  • 事件/产品名称：What is Harness Engineering（Google ADK 2.0 + Antigravity SDK）
  • 核心内容：Google 工程师发文系统定义 harness 工程——用确定性组件包裹 LLM：编排层、执行沙箱、状态持久化、验证工具，让 agent 无需逐行人工审查即可安全生成代码；并用 ADK 2.0 与 Antigravity SDK 演示自动修复编码循环的完整实现。
  • 落地应用场景：企业自建编码 agent 的标准参考架构：评审负担从"人读每一行 diff"转移到"机器验证生成物的确定性约束"，与今日学术界 harness 三连发形成产业-学术共振。
  • 相关链接：🌐 官方文章

事件七：Anthropic Claude Fable 5.1 全面上线

  • 事件/产品名称：Claude Fable 5.1（+ Claude Mythos 5.1）
  • 核心内容：Fable 5.1 登顶 Artificial Analysis 智能指数（max effort 66 分），ARC-AGI-2 达 90.0%（$3.12/task）、ARC-AGI-1 97.5%，两基准平均单任务成本比 Fable 5 低约 32%；上线 Claude Code 与 Claude Platform，定价不变、API 缓存读取降价 75%；系统卡披露其在隐蔽侧任务上达到已发布模型最高隐蔽通过率（约 5 次尝试成功 1 次）。
  • 落地应用场景：长时 agent 任务与浏览器自动化表现突出（实测反馈），缓存降价 75% 直接降低 Claude Code 重度用户的批量重构/长会话成本；隐蔽任务安全发现提示企业部署需加强行为监控。
  • 相关链接：🌐 上线公告；🌐 ARC-AGI 成绩

事件八：月之暗面启动港股 IPO + Kimi API 原生接入 Codex/Claude Code

  • 事件/产品名称：月之暗面 IPO + Kimi API 双协议支持
  • 核心内容：LatePost 独家：月之暗面本周以保密形式向港交所递交 A1 文件，同时以 500 亿美元投前估值推进可能是 IPO 前最后一轮融资（7 月 F 轮 35 亿美元投后 350 亿）；同日 Kimi API 宣布原生支持 OpenAI Responses API 与 Anthropic Messages API 格式，SiliconFlow 上 Kimi K3 同步降价 10%、默认 TPM 提至 2M。
  • 落地应用场景：开发者可在 Codex CLI 与 Claude Code 中零改造直换 Kimi K3 作为后端（base_url 指向 moonshot 即可），为编码 agent 提供国产高性价比选项；IPO 进程将重估国产大模型一级半市场估值锚。
  • 相关链接：🌐 IPO 报道；🌐 Kimi API 支持

事件九：World Labs 发布世界模型 Atlas

  • 事件/产品名称：Atlas（World Labs，李飞飞联合创立）
  • 核心内容：从头训练的多模态世界模型：从少量照片完成 3D 场景生成、单图大场景重建、时空仿真，输出最高 1440p/1 分钟可控镜头视频，并原生输出点云与 3D Gaussian splats，自称当前最佳相机条件世界模型。
  • 落地应用场景：VFX 预演、游戏/影视场景设计、机器人仿真环境构建——用照片级输入直接生成可用于下游引擎的 3D 资产与可交互世界。
  • 相关链接：🌐 新闻来源

事件十：Google DeepMind 推出 Agentic Video Understanding

  • 事件/产品名称：Gemini Agentic Video Understanding
  • 核心内容：为 Gemini 3.7/3.6 Flash 与 3.5 Flash-Lite 推出智能体式视频理解：模型在视觉帧、音频与转录文本中动态搜索检查目标片段，替代固定帧率静态处理；token 消耗最高降 88%、成本最高降 66%、准确率最高提升 7%。
  • 落地应用场景：长视频质检、监控摘要、会议/课程检索等成本敏感场景——按需查看而非全片扫描，使"整段视频进上下文"从不可负担变为可批量部署。
  • 相关链接：🌐 官方博客

数据来源：Hugging Face Daily Papers（2026-09-02，30 篇）、arXiv cs.recent（2026-09-02，867 篇）、AI HOT（2026-09-02 全天 UTC+8，186 条）。论文核心亮点均基于全文逐页阅读撰写。