Amazon 的评测效度清算之作：persona 驱动 LLM 用户模拟器 + LLM-as-judge 这道廉价’离线发布门禁’被 GAUGE 协议全面体检——盲评面板判’满意’的会话 57.5% 实际任务失败（ρ=−0.147）；能力相近的强 agent 对比中门禁 31% 选出奖励更低的一方；满意度阈值放行失败率 48-60% 的 agent。结论：门禁’human-validated yet mis-anchored’（人觉得准但锚错了构念），并给出 calibrate-then-trust 补救节奏。附同日 TraceJudgeBench 对照：去偏 prompt 在压偏差的同时损坏分辨率。
evolutionID GmbH 用 256 个私有任务的污染控制套件，首次把 agent 编程中 harness（驱动模型的软件层）作为唯一变量隔离测量。结论颠覆直觉：厂商原生 harness 无平均能力优势（±1.25pp 统计不显著），但按任务类型剧烈分化（仓库任务落后 9pp、竞赛任务领先 23.7pp）；中立 harness 每解一题成本反而高 1.3-1.6 倍。论文还自曝自家成本遥测存在缺陷并全量重算——测量诚实度的范本。
Microsoft 的系统性受控实验颠覆 agent 工具接口直觉：5 种接口配置（纯 typed tools / typed+bash / 纯 bash / bash+持久化自合成工具 / PTC）× 2 企业 benchmark × 2 前沿模型（Opus-4.8、GPT-5.5）下，纯 bash 全面对碾压 typed tools——TheAgentCompany 高 21.8-24.5pp、APEX 高 4.8-7.4pp，同时省 19-72% token。给 bash 加 typed tools 或工具合成均无增益。企业 agent 选型的迄今最硬证据。
北理工 BITHLP 实验室的 agent 记忆工作 LifeMem：针对跨环境经验迁移与灾难性遗忘两大难题，按底层 workflow 聚类交互轨迹提取可复用技能（结构级抽象而非表层相似），推理时召回技能+轨迹引导动作。在 5 场景 10 环境 13k+ 任务上验证（其中 4 环境新标注 2k+ 轨迹），遗忘降低与跨任务迁移双优；并发现任务流顺序影响学习、结构相似巩固有增益。数据集代码全开源。
针对 agent 动作的’静默失败’（产生貌似合理但错误的效果且不报错），本文提出 success/clean-failure/silent-failure 三分框架与确定性预检层：shell 命令侧 9,930 命令+482 工具上静态验证器捕获 95.8% 无效命令（语法/二进制检查 oracle-exact 零假阳性）；代码编辑侧 640 编辑×224 文件基准揭示格式尖锐分化——内容锚定格式（search/replace、diff）近零静默失败，行号/函数名格式高静默失败。护栏微秒-毫秒级、零模型调用，可包裹任何黑盒前沿 agent。
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。