AItonomy 基金会联合 Oxford、Berkeley、Stanford 等 25 家机构发布 ScienceIDE：把全球科学代码库（PLUTO、Athena++、MITgcm 等天体物理/等离子体/海洋模拟器）改造成 64 个可执行环境、2,812 个经验证任务、1,076 项数值检查的 Agent 训练基础设施。ScienceIDE-Hard 上 15 个前沿模型横评显示 Claude Fable 5.1 仅 67.1%——科学代码仍是 Agent 洼地；而用验证轨迹 SFT 小模型，修复奖励最多 +33 分且正向迁移到 HumanEvalFix/BBH 等通用基准。本精读拆解『环境即基础设施』的设计哲学与『科学经验 bottleneck』的解法。
港科大联合中科院深圳先进院、南科大发布 SSD-LLaMA：面向万亿参数 MoE 的 SSD 原生本地推理系统——SSD I/O 流水线优化专家投递、SSD-RAM-VRAM 三层存储动态驻留、CPU-GPU 均衡混合执行，保证每个选中专家无剪枝无替换。三大前沿 MoE 家族上 prefill 提速 1.52–4.19×、decode 提速 2.10–15.58×，单张 RTX 5090+32GB RAM 实现万亿模型 >1 token/s。本精读拆解『把带宽受限问题转化为层次调度问题』的系统设计。
本篇合并精读两篇互补的 Agent 可信性研究：剑桥×Google DeepMind 的 XConf 提出『置信度不该只看当前推理，还要检索自身历史经验』——Recall 相似任务的过往胜率、Reflect 命名复发失败模式后重述置信度，以 1/10 成本在 24 组对比中 23 组追平/超越 10-sample 自一致性，弃答最不确定 10% 换来 Agent 成功率最高 +8.7 分；德州理工的 Not All Agents Are Equal 则用 37,623 个溯源 PR 首次大规模量化『AI 编码 Agent 的代码落地后发生了什么』——Codex 的 revert 率只有人类一半、Devin 反而更高，质量差异是厂商特定的而非『AI 代码更差』的笼统印象。
2026外滩大会主论坛首场圆桌，蚂蚁韩歆毅、万事达卡Jorn Lambert、OPPO刘作虎、阿里周靖人同台讨论「当Agent成为交易主体」。最真实的细节是：台上四人只有韩歆毅真让Agent付过钱——用「阿福」买了40多元坚果。行业共识是Agent交易落地比去年四季度的乐观预期慢很多，卡点不在模型，而在授权、身份（KYA）、能力评估、资金安全、可追溯五层信任基建；支付网络正为「没有银行卡的交易者」重构，流量逻辑从时长转向意图。本文梳理机制、各方立场与三个可跟踪信号。
9月16日双主线：智能体社会基础设施日——华盛顿提出五层Social Harness协议栈、ScienceBuddy实现harness×模型双递归自改进、SWE-bench前沿29/29排名全不可分、Gensyn开源首个全可审计训练运行OPEN-1B、OpenClaw生态治理实证；产业侧Google Gemini 3.8 Live登顶语音榜、ChatGPT联合发明人发布决策模型Jev（快200倍/便宜400倍）、Meta One订阅上线、OpenAI传1.2万亿美元估值融资。
OpenClaw 技能注册表 91 天近翻倍（33,399→65,175）后热潮退去，留下什么治理遗产？Monash 大学的三快照纵向研究给出冷峻答案：下载量 Top10% 占 46.93%（Gini 0.528）；77.86% 的 skill 零星标零评论，但 85.06% 携带特权证据（shell 执行 58.08%）——4.2 万个零审查特权工件；7 个基线元数据关联在 pre-cutoff 队列 0/7 存活、下载量关联符号反转；三大安全扫描器对 23,702 个 skill 互相分歧，人工裁决参考标准下灵敏度仅 21.67%-61.06%。‘派对之后，账单由治理信号从未被验证过的注册表支付’——Goodhart 定律的 skill 生态版。
当不同主人的 AI 智能体开始自主协作，会发生什么？华盛顿大学的系统实验给出冷峻答案：即使全部诚实的 agent 也会因上下文分裂与信道争用大量失败（7 人群组排程成功率最低 0%），恶意 agent 凭’言论’即可让欺骗攻击 100% 成功、日历侧信道 100% 泄露。论文提出五层 Social Harness 协议栈（身份→有序通信→个人防火墙→协作规范→社会机构），把人类社会协作的制度智慧移植为 agent 社会基础设施。本精读覆盖’诚实 agent 也失败’的失败解剖与’协议栈防类别性失败’的设计哲学。
SWE-bench Verified 榜首之争还是能力之争吗？对 254 个公开提交的逐实例审计给出否定答案：Top10 系统 500 题中 285 题全对、51 题全错，仅 164 题有区分力；29 对相邻排名精确 McNemar 检验 0 对可分；同模型换 scaffold 分差可达 29.8pp 而前十总差距仅 8.8pp。论文提出 n_eff 有效规模、对基线嵌套系数两个新构造，证明’解集嵌套’是分辨率丧失的机制，并给出五步审计协议与修复方案（报 n_eff、记录 model×scaffold、发布 tier、按不一致预算纳新题）——对一切正在构建内部评测选型基准的团队有直接方法论价值。
让模型依次学 100 个知识任务且不留旧例、不给任务 ID——‘长程记忆化’设定下，任何单一持续学习机制都崩盘（保留率普遍个位数）。Johns Hopkins 的系统学研究证明机制要’组合’：锚点类型（data 复演/function 蒸馏/权重正则——保留什么）×低秩分配（merged LoRA——保留在哪）两维设计，任务级逐次减半搜索组合空间+因子实验量化交互。最优组合（三锚点+merged LoRA）把最终保留率从 1.2% 拉到 34.9%（28 倍），且 data 锚点×merged LoRA 在三个数据集上一致超可加——遗忘来源互补，组合解决结构问题。HF 日榜 281 赞当日第一。
四篇互补的 coding agent 可靠性研究合读：Intel×北大的 ExecuCritic 给 RLVR 加’校准 critic 塑形’——ρK 秩相关门控让 critic 失准自动坍缩，SWE-bench Lite +3.7pp 且 sandbox 执行省 42%；York 的 AgentGuard 从 642 条异常轨迹自动学条件激活护栏，异常执行率 69.0%→26.7%（代价：过度拒绝 19.3%）；北航 RepoAtlas 用 select-project-refresh 演化多模态仓库视图，三 VLM 一致 +2.4pp 且 token -5.8%；Intuit 工程报告量化协议保持裁剪——常规裁剪成功率 66.6-77.3% vs 协议感知 92.2%/自适应护栏 96.0%，临界阈值随复杂度上移。合读视角：可靠 coding agent 的四层防线——训练时（奖励塑形）、执行时（护栏）、探索时（上下文视图）、压缩时（协议保持）。