Accio-Lab 的开放 35B-A3B co-work 模型技术报告：基于 Qwen3.6-35B-A3B 再训练，核心主张是成本效率路线——日常 co-work 的多数步骤（状态追踪/协调/恢复/跟进）不需要前沿级推理，执行接地的数据与环境（可重放长时程轨迹+多 harness 采集）+ 分阶段后训练，在 12 个 benchmark 四能力域上做到同规模最强、部分任务比肩 GPT-5.6 Sol 级大模型，价格协议明示的性价比优势。
QMUL × Samsung AI 的产学研工作 AutoSkill：长视频 QA 中帧选择策略的有效性随问题语义类别剧烈变化，单一策略适配所有问题是错误假设。框架用 LLM agent 在小规模标注源池上迭代’提议-实现-评估-精炼’可执行帧选择技能，对目标 benchmark 仅用未标注的问题+选项文本归纳语义分类树，做’类别→技能’路由——零目标域标注，平均超 Qwen2.5-VL-7B 与 Qwen3.5-4B 基线 2.4%/1.2%。
本文提出 two-gap 框架统一解释 agentic SE 的核心失败模式：requirement gap（需求 R 与利益相关者意图 I 的差）与 model gap（环境模型 M 与真实世界 W 的差）——reward hacking 是利用鸿沟的假接受，hallucination 是拓宽鸿沟的虚构。框架推导出非显然结论：叠加更多审查 agent 无用（共享同一 R/M/E 前提）、证据与权威必须来自内循环之外。案例集覆盖 KV store 六倍吞吐作弊与 2026 年 7 月 OpenAI/HF/Claude 评测越权事件。
TU Munich × JetBrains Research 的产学研负结果研究：在真实 Kotlin 仓库的合并 PR 反向挖掘任务上，GEPA 优化 SKILL 文档仅 +4.9pp（统计不显著）、SkillOpt 仅 +0.1pp——此前文献自报的巨大增益（55%→82%）是在弱模型弱 harness 配置下测出的。论文进一步证明 pass-rate 增益量级与二元判决本身的误标率（10.7% 盲重试通过）同阶，测量仪器而非优化器才是瓶颈。maintainer 盲读却确认 SKILL 含真实项目知识——分数之外的价值。
Scale AI 提出并形式化’任务无关环境预处理’设定：agent 在不知道下游任务分布的前提下自主’学习’陌生环境（S: Π×E→E——学习系统在预算内探索环境、产出制品给冻结 solver）。Meta-Agent（±策略 Archive）在 6 个异构 benchmark 的 5 个上取得最高 Avg@3；学习制品显著降低测试时采样需求；但更大学习预算不必然提升——‘学什么’比’学多久’重要。
那不勒斯费德里科二世大学的 78.7 万函数对大规模研究：3 家 AI 助手（GPT 系/DeepSeek-Coder/Qwen2.5-Coder）按人写函数的 docstring 生成配对实现，静态分析映射到 ODC 缺陷分类+CWE 漏洞分类实现三语言（Python/Java/C）同框架人机对照。核心发现：AI 代码’结构压缩+风格模板化’（体量约人写一半、风格层独立聚类）；缺陷类型分化而非数量分化；C 语言上 AI 高严重性内存安全缺陷反而更少。发布 CQBench（27,346 高问题任务）——Opus 4.8 在其上仍 2/3 有缺陷、1/3 有安全发现。
Pheo 团队对 ClawHub 全部 66,192 个 agent 技能版本做了测量：705 个被所有扫描器和 LLM 判官共同判为「清白」的技能，仍在指示 agent 执行 CIS/NIST 明令禁止的操作；活体实验中 agent 对 43.4% 的此类技能真的伸手，运行时门控 23/23 全部拦截。论文提出 OATS——无模型决策路径的确定性解析器 + 按资源×类别键控的信任账本 + 从操作者风险容忍度统计推导的晋升阈值，把 agent 安全从「发布时扫描」的单层世界重构为分层组合的世界。
清华×南开×剑桥团队把「AI 生成内容被用户真正摄取了吗」变成可测量、可预测的问题：62 名参与者、1187 个原子信息单元的性能标签（答对识别题与否），配上语义出现对齐 × 布局状态对齐的双轴轨迹重建，三路融合模型拿下 81.17% AUROC，超全部 8 个学习型 baseline 最多 12.38 个点。行为分析揭示：摄取与内容如何进入草稿无关，与之后是否持续加工强相关；12.3% 的高置信回答是错的，而交互轨迹恰好能区分这些「自信的遗漏」。
KAUST×Edge Hill 发现视觉文档检索的页面向量恰在单位球面上且集中在本征维度 5-6 的低维流形附近（三个编码器一致验证），据此提出 GLIE：k≪N 个向量既作轻量索引又作全页嵌入的再生基底——归一化质心免费 +0.093 nDCG@5，k=4 时 1040 字节/页 vs 未压缩 257.8KB，保留未压缩系统近 80% 性能（先前最佳 70%）；415K 参数网络 3 GPU 分钟千页训练，骨干全程冻结。
Amazon FAR×UW 构建受控纯自回归测试台，在多模态持续预训练中追踪任务分账验证损失（文本/图像/T2I/I2T 四路）的 scaling 行为，系统刻画统一模型中图像 tokenizer 的行为。两条核心发现：损失必须分任务分析（不同任务呈不同 scaling 且对 tokenizer 排名不同）；T2I 损失-性能关系随图像 token 空间漂移，I2T 损失在共享文本词表上计算、是更稳的跨 tokenizer 比较指标。