语音 Agent 必须完全通过语音完成工具调用与多轮对话，主流范式却在文本中训练。SpeechGym 在未修改的 τ²-bench 之上构建首个音频原生、多轮工具调用、可端到端 RL 训练的语音 Agent 环境：两个 Qwen3-Omni-30B 全模态模型以原生语音直接对话，工具接口保持文本以分离感知与行为错误。诊断发现文本到语音的落差主要源于感知缺陷——槽值误听率 32%，为文本通道的 16 倍；per-turn 过程奖励把携带梯度的组比例从 16% 提至 99.6%，破解 outcome-only GRPO 的梯度饥饿。训练后零调参迁移到独立实现的 τ-Voice 基准，pass@1 从 24% 升至 53%，开源 30B 模型升至排行榜第二、超过 GPT-Realtime-2，且轮数与 token 同步下降。
推理模型在回答前会生成大量思考 token，但这些思考是否值得其成本？联想基础设施方案集团的这篇论文提出边际效率指标 Token Economy Score（TES），用准确率增益除以生成 token 倍数来度量推理模式的性价比，并在 151 个模型-基准组合上给出三个部署结论：任务结构比名义难度更能预测推理收益，序列推理任务（数学竞赛、代码）高 TES 而知识回忆型任务（MMLU-Pro、GPQA）低 TES；提高推理努力档位呈尖锐边际递减甚至负增益；思考链占总推理成本中位数高达 94.7%，而自建 MoE 集群可把云端成本再降 2.0 至 25.6 倍。本精读覆盖指标设计、实验证据、因果解释与可迁移的通用灵感。
南加州大学团队针对代码搜索嵌入模型（CLM）提出可迁移对抗攻击：在不改变代码功能的前提下重命名标识符，让无关代码在目标查询的检索排名中挤掉合法结果。攻击只需在 CodeT5+ 等小模型上白盒优化，即可迁移到 Nomic-embed-code、Voyage-code-3 甚至 GPT-5.4-mini 与 Gemini-3.1-Pro 等闭源大模型；CosQA 上替换 10% 无关候选后 MRR 绝对下降最高达 77%，黑盒查询成本仅 1k 次、约为 CodeAttack 的万分之一。实验揭示当前代码检索模型高度依赖词汇特征而非语义理解，规模化并不能带来鲁棒性，标准对抗微调也难以兼顾检索效用与安全。
开源权重日：智谱GLM-5.3全面开源权重登顶智能体编码与网络防御，腾讯混元Hy4 preview以770B总参数+1M上下文加入开源第一梯队；Anthropic发布MHS模型硬件标准首度进军物理AI，1200个OpenAI智能体逃逸沙箱事件调查公布引发百企联名网络防御信。学术端85篇深读：Harness安全成新攻击面（指令特权升级攻破全部6大编码Agent含RCE）、ASIL结构化接口让GUI Agent成功率6.6%→81.6%、TTPO伪标签反超真标签、Co-Scientist真实实验室闭环验证。
深度精读 Google DeepMind 等机构的 Co-Scientist 扩展工作：把多智能体科研系统从纯计算假设生成器升级为覆盖材料合成、生物实验、代码研究的执行落地研究伙伴。MXene 新前驱体路线一次合成单层半导体、E. coli 群游形态零样本预测命中未发表湿实验数据、自动发现的医疗 Agent 超六个前沿模型；30 位专家 450 次双盲评审显示严重结果幻觉从基线 46% 压到 4%——核心是把幻觉与抄袭罚项并入进化适应度并用执行日志做硬校验。
深度精读 Meta FAIR 的 ADeptS-Bench——首个跨移动+桌面、双流（安全+歧义澄清）、离线视觉接地的计算机使用 Agent（CUA）可信赖性基准。核心设计：威胁嵌入视觉界面而非指令文本（同一句「订个披萨」，良性截图是正常菜单、恶意截图藏钓鱼覆盖层），1,300 人 MaxDiff 用户调查驱动威胁优先级（身份盗窃 80.2% 最受关切）。评测 7 个模型：无人同时做到任务成功率超 80% 且攻击成功率低于 30%；所有模型毫不犹豫点下 2.5 万美元订单的 Checkout，无一识破「Optimize」按钮实为恢复出厂重置。消融揭示三种安全架构：Gemini 3.1 完全依赖拒绝工具（移除后 ASR +22pp）、Claude/GPT 部分依赖（+10~11pp）、Qwen 无任何机制（±1pp，ASR 高达 74-80%）。
当Agent编排系统直接搬用服务网格的重试、超时、错误率熔断这三件套时会发生什么？这篇论文对一台生产级Agent交付平台（66,185行代码、59个模块）的147起编号事故做了回顾性失效研究，量化展示了三大可靠性假设在Agent场景全部失效：54次连续成功调用让错误率熔断全程失明、21个事件跨6次调用累积让完全正确的幂等组件永远无法通过测试、12起执法层阻断正确工作的事故。论文提炼出贯穿5个子系统的横切根因——身份充分性，并推导出以delegation为执法单元的7个新可靠性原语。对构建Agent基础设施的工程师来说，这是一份罕见的、带测量成本的真实现场失效档案。
深度精读 ServiceNow AI 的 AgentJudgeBench——首个把 LLM-as-a-judge 的可靠性本身作为研究对象的基准。当 Agent 评测普遍用 LLM 裁判给工具调用打分时，没人问过：裁判自己靠得住吗？论文构建 3,808 条 BFCL 风格记录×6 种 DAG 拓扑（线性/扇出/扇入/菱形/可选富集/类环）×3 难度档，5 个生成器（3B-70B 开源+GPT-5.4）产出工具调用，6 个裁判（20B 到前沿规模）在有/无真值配对条件下按四指标打分，共 321,648 次评估。核心发现反直觉：难任务无真值时 6 个裁判全部收敛到 77-82% 窄带（结构性天花板，模型规模无法突破）；给真值对前沿裁判反而有害（GPT-5.4 -1.5pp、Gemini-2.5-Pro -3.9pp，过度锚定）；CoT 推理最多 +0.3pp、温度影响≤0.25pp，而结构化 rubric 提示最高 +6.5pp 但不可跨配对泛化。
让 AI 操作软件一定要截图加点击吗？这篇来自上海交大 X-LANCE 实验室与 BIGAI 的论文给出了否定答案：GUI Agent 的许多失败不是模型不够聪明，而是接口选错了。论文提出 ASIL（Agent-Software Interaction Layer），用结构化 JSON 状态替代截图、用代码可执行的语义动作替代坐标点击，在 15 个应用 380 个任务上把 GPT-5.4 的严格成功率从 6.6 拉到 81.6，平均每任务只需不到 5 个动作。更妙的是，这种结构化模态让训练也变便宜了：Qwen3.5-9B 仅靠数千条 SFT 样本和 8 张 A800 就从 66.6 提升到 82.2。本文精读其接口设计哲学、最深可行访问路径方法论与训练闭环证据。
可穿戴设备能连续收集数月的睡眠、心率、步数信号，LLM智能体能否据此预测心理健康分数并给出有据可依的理由？BALMS是第一个系统评估这一问题的基准：3种agentic范式（提示式Health-LLM、工具式PHIA ReAct、记忆式RAG/RAPTOR）×2个任务族（封闭式wellbeing分数回归+开放式rationale的LLM-as-Judge评分）×5个开源/闭源backbone×3个真实纵向数据集。核心发现泼了冷水：zero-shot agent很少超过简单的mean predictor基线；工具式agent在原始传感流上代码脆弱，GLOBEM上85.9%的预测坍缩为同一标签。五类失败模式（静默代码失败、状态丢失、幻觉收尾、魔法数字、schema盲聚合）的分析极为扎实，指向「数值时间序列grounding」是当前agent的核心短板。