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。
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）。
两篇互补的 multi-agent 工程研究：NVIDIA×哥本哈根的 Mo’ Models 用 23 模型×3 科学基准证明 MAS 模型池’加模型常降性能’——oracle 潜力与实际达成存在鸿沟、同族池是唯一稳定正收益、准确模型解集高度嵌套（rM=0.931）；哈工大的 Co-Skill 诊断边云 skill 演化的’盲通信’根因（上传 token 25-42% 是重复前缀），用前缀合并轨迹 trie+渐进 skill 树双向解盲，token 省 15.6-41.9%、成功率提升 25.8-76.4%。合读视角：多 agent 系统的两个新瓶颈——选谁进队（异构组合的聚合噪声）与怎么通信（协作双方的信息结构）。
开源 LLM 即使放出全部数据与配方，也因浮点非结合性无法逐位复现——你无法验证发布的 checkpoint 真是声明的配方训出来的。Gensyn 的 OPEN-1B 定义第四层透明度’完全可审计’：RepOps 跨硬件逐位复现算子（固定规约序、统一 FMA/次正规数约定、计数器式 RNG）、拓扑不变数据流（token 流=种子的纯函数）、确定性 butterfly all-reduce，多审计者各验若干步拼出全程、整跑收敛为单一哈希。代价是 MFU 从一个数量级掉到 5%——可验证性与速度的明码标价，以及首个该层级的开源 LLM 全套产物。
ScienceBuddy 把’与研究者聊天’变成模型-线束双改进的燃料：研究者交互免费产出任务定义与评估 rubric，内层递归固定模型演化 harness（有界编辑+成对回归检查），外层递归固定 harness 做 rubric 奖励 GRPO——三周期后科学任务准确率 42.2%→73.3%，纯 harness 演化即可 +20pp（权重冻结），纯模型 RL 覆盖率 +19.5pp。Recursive-in-Recursive 范式为 RSI 提供了’两条改进通道各自可评估、互为条件’的工程化路径，并作为可下载的科研产品发布。
RL 训练的 agent 调用工具的理由可能是错的：UW+UCSD+Stanford 团队构造受控环境注入与工具强相关但因果无关的线索，发现反事实评估下伪工具调用率最高暴涨 +39.2%——而且捷径只在 agent 已可靠掌握该工具时形成（任务能力是捷径的前提）、语义对齐线索放大效应（对齐 +39.2% vs 交换 ≤3.5%）。反直觉结论：提升能力的 RL 同时放大捷径易感性，标准任务奖励不足以产生鲁棒工具策略；LLM 裁判的’工具必要性’密集奖励可有效压制且不损准确率。