今日焦点：谷歌EnvHarness把『环境改造』变成与Agent Harness对称的新范式，静态基准可被插件化重塑且保留原验证器（最高+9.0pp）；USTC+上海AI Lab的FACET用『可执行状态共享接地』合成终端任务，1.2K轨迹让Qwen3.5-9B在Terminal-Bench 2.1提升8.24分；复旦SWE-bench Science揭示最强编码Agent在科学软件上Pass@1不足50%；MemTrapBench首次系统量化『记忆认知陷阱』——所有记忆框架都不如不用记忆。产业侧：OpenAI开源Codex Harness并送全量额度重置（周活破2000万），谷歌神秘模型Ox Alpha 1M上下文免费一周，DeepSeek-V4-Flash-Vision-Exp多模态逼近Opus-4.8，Anthropic拟8月底递交史上最大IPO申请。
今日学术主线：具身智能闭环自进化（清华AIR Zetta在LIBERO-Pro将冻结VLA从32%拉至71%、RoboCasa 93.6%并现机器人Aha时刻）、视频生成语义任务完成评测（SemComp-Bench揭示最强模型OA不足38%）、无监督推理从多智能体同群涌现（Co-RL理论+实证）。产业主线：Stripe以75亿美元收购OpenRouter并宣称奇点已至、OpenAI宣布最迟2027年IPO并推出零数据留存安全机制、Grok Bot/Build全量开放引爆个人智能体、Anthropic被曝内部运行超越Mythos 5的Model 2、宇树上市次日回调18.7%、世界机器人大会人形机器人上半年出货暴涨300%。
微软亚洲研究院联合复旦、浙大、爱丁堡大学发布Agent Lightning v1.0，首次系统定义harnessed agentic RL范式——当部署级agent harness直接参与RL训练时，训练引擎只能看到一串LLM请求-响应对。论文刻画了重分词破坏token前缀连续性、动态样本数下的优势计算、损失归一化与后端调度四大挑战，以约3500行代码给出参考实现，仅用6K训练样本让Qwen3.5-9B在SWE-bench Verified上从41.8%提升到56.4%（+14.6个百分点），并公开完整数据清洗管线与防reward hacking脚手架。
新加坡国立大学、南方科技大学与牛津大学团队论证：在长程agent微调场景中，进化策略（ES）不只是更便宜的RL替代品，而是结构性更优的选择。Agentic ESOpt以参数空间扰动+奖励加权更新实现免反传全参优化，GPU显存与推理持平（8.41GB，比GRPO低85.7%），在可控Sudoku实验中呈现horizon-dependent crossover——H*=15时超最强GRPO 12.5个百分点；WebArena-Lite上完成27B模型全参适配（29.47%→36.16%），并支持prompt-参数协同进化。
清华联合MIT、哈佛、CMU等13机构40余位专家、投入31000+工时构建ASI-Bench——首个联合评估AI创新探索与自主科研能力的基准。核心设计是在同一研究项目内渐进撤除人类方法学指导：B1给完整方法、B2只给方法名、B3需自主定方法、B4加干扰。18个agent×模型配置的评估揭示了关键瓶颈：平均分从B1的50.91骤降至B2的29.10（-21.82），而B2到B3仅再降2.48——瓶颈不在选方法而在把方法变成完整可执行研究流程的方法操作化。
北京大学提出’本体信任’（ontological trust）这一新问题定义：长程agent的关键监督问题不是每步是否合规，而是不断演化的轨迹前缀是否仍对应用户授权的任务——漂移可以静默累积，每步都合规但整体已偏离。RGE监视器沿Role/Goal/Evidence三轴分解信任，LLM仅用于推导结构化表示，状态更新与干预决策全部确定性，输出可重放可审计的信任轨迹。在OSWorld/FinanceBench/EICU-AC跨域语料上，RGE的Drift F1超过93%且良性覆盖率≥95.8%，并实证了伪一致性检测受任务完成是否外部可见的结构性限制。
独立研究者 Xabier Muruaga 提出 Agentic Principal Chain（APC），把提示注入的安全后果定性为授权架构问题而非模型鲁棒性问题：有外部通信工具权限的 agent 可被诱导渗出文档，没有该权限的 agent 无论注入什么都渗不出。APC 沿 principal 到 principal 的委派链跟踪会话级授权状态，用六项授权检查对照累积会话状态评估每个请求，范围与预算沿链继承且只收不扩，composition closure 拦截’每步合法但组合违禁’的动作序列，决策在模型之外强制执行。3154 实例评测显示：AgentDojo 四域渗出率 75-100%→0%，InjecAgent 全部 544 个数据窃取案例被阻断，意图绑定使破坏类攻击 38.6%→4.0%、操纵类 90.5%→12.1%，授权延迟 P99 仅 0.24ms，代价是 949 个任务-注入对上效用下降 8.6/13.9 个百分点。
当推理能力超越人类可靠评估的范围，真值标签反而成为最稀缺的资源。Co-RL 给出的答案是：让多个不共享参数、来自不同家族的模型组成『学习共同体』，彼此用多数票伪标签互为奖励源。理论上，论文证明自奖励 RL 受 sign(p-1/2) 自确认动力学支配——错误会被系统性自我强化；而交叉监督把正确收敛盆从『每题各自 p>1/2』扩大到『pA+pB>1』，互补性可以直接兑换正确性。实验上，4 款 LLM 在 7 个纯文本基准平均提升 3.0–8.6%，5 款 VLM 在 4 个多模态基准平均提升 2.3–7.2%，Gemma-3-12B 甚至反超有真值监督的 GT-Reward。
AnalogyAI 发布 FM-Bench：让 LLM agent 经营一家足球俱乐部 20 个游戏年，通过 26 个工具在约 340-400 个决策节点上转会、谈判、投资、排阵容，由确定性引擎累计出唯一终分（无 LLM judge）。基准将管理者的四大压力——隐藏信息、累积后果、反适应市场、多目标压力——全部机制化，并以 Solo（1 模型对 15 脚本）与 Arena（15 个 LLM 同世界头对头）双轨评测 15 个前沿模型。结果：claude-fable-5 以 90.94 登顶（达特权 oracle 的 95%），规模、价格、厂商均不预测排名，token 花费与得分零相关；区分模型的是管理行为——终局前削减慢回报投资、保持现金部署、提前开启续约。Arena 中联赛冠军在 10 个模型间轮换，首次游玩的人类垫底模型榜。
UIC、华盛顿大学、McGill、MBZUAI与UCLA五校联合完成首个把记忆底座（substrate）作为受控变量的统一harness评测：11类底座×3个骨干模型×4组基准×26项指标。核心发现颠覆选型直觉——没有任何底座全面称雄，QA任务的前沿（图+向量混合）与决策任务的前沿（扁平检索/精炼蒸馏）完全不相交；检索宽度k在QA上单调涨分、在决策任务上反向往下跌分，注意力探针揭示同一稀释机制在不同任务中后果相反。这为记忆系统按工作区间路由底座提供了实证基础。