Show-Harness 用一组离散语义动作单元（单步方向移动+夹爪动作）作为 VLM 与任意机器人本体之间的唯一接口：VLM 在语义空间推理意图，本体专属解释器把语义动作确定性落地为局部控制，VLM 始终对细粒度物理决策负责。同一接口实现零样本解锁前沿闭源 VLM（ZS 60%→82%）与几 GPU 小时微调小模型（FT 40%→65%），GUMI GUI 接口让人类与智能体用同一套语义动作采数据。本文精读其 perceive-reason-act 插件体系、语义-物理解耦机制与为何它能在跨任务/跨本体/跨环境全面超越 VLA 与智能体基线。
Agent skill（技能包=指令+脚本+资源的多文件包）的主流执行方式是把指令载入主上下文让 agent 遵循；本文系统对照另一种方式——把技能包作为 subagent 在隔离的全新上下文窗口中调用。在 SkillsBench 长程任务上的结论：当技能包有明确输入输出契约、指令编码了履约所需过程知识时，subagent 执行稳定胜出，且随干扰技能增多退化更平缓；代价是主-sub 协调的额外 token。‘可复用知识的价值不仅取决于内容，也取决于组织与调用方式’——这是 skill 工程从’写什么’转向’怎么调’的第一份系统证据。
这篇来自西班牙团队的论文给 agent benchmark 的分数有效性下了诊断书：执行关键决策由固定 scaffold 而非模型做出（第一重测量混杂），scorer 用与任务正确性脱节的标准打分（第二重），两者合谋让排行榜测的是’评测管线属性’而非’模型能力’。论文提出测量论框架+审计修复协议三步——把执行决策移交给模型（de-scaffolding）、种子化金标评分替代形状匹配、用最差情形/尾部风险报告超越均值的可靠性。在 ComtradeBench 上：无 LLM 的规则基线得 96.8 分 vs Kimi/Claude 的 97.5，联合干预把平坦排行榜变成’平均性能×种子鲁棒性’的可靠性谱。
持久语言智能体面临两个常被混为一谈的决策：记忆里存什么、回答时用什么。本文提出 RD-Forget——档案层保留全部源观察，查询条件化视图层决定本次回答使用哪些证据；槽位替换抑制过期信息（旧雇主让位新雇主）但保留独立关系（地点不变），历史意图与救援开关共同决定被取代条目何时可重新启用。在 AMB-Text/LME-KU/BEAM 三基准四个骨干上，事实固化较最优基线 +11~26 个百分点（Luna +26、Qwen +17、Kimi +14、MiniMax +11）。‘遗忘不是删除，是使用策略’——记忆管理的新范式。
XAgent 把仓库级 issue 解决从’读描述猜位置’升级为’跑起来看分歧’：执行引导定位对 buggy/非 buggy 版本做差分执行分析+树编辑距离定位行为分歧点，上下文感知测试增强器生成超越 issue 描述的边缘用例验证补丁。SWE-bench-Lite 上 resolve rate 62.0%（SOTA）、函数级定位准确率 72.8%、每 issue 成本 $1.56（比前 SOTA 便宜 37%）、token 省 40%，并解决 7 个所有顶级基线（SWE-Agent/EXPEREPAIR/Refact）全部失败的问题。本文精读’静态描述→动态执行’范式转移的机制细节。
USTC×StepFun×北大×HKUST×Yale×UPenn 六机构联合的 Φ-Bench 提出一个自指性问题：LLM 推理所依赖的基础设施（kernel、服务栈、集群）能否由 LLM 自己来工程化？85 个任务、三种渐进格式——Kernel 函数补全（KFC）→长程实现（LHI）→端到端优化（E2EO），双轴评分（性能+实现）+内置作弊检测。最强 Claude Opus 5 总分仅 36.53%（KFC 37.16%/LHI 21.60%/E2EO 62.94%），硬件与边缘类最好模型也仅 5.4%——‘造物者维护造物’的能力缺口被量化暴露。
偷到强 Agent 的技能文件，就能复制它的能力吗？本文给出否定答案并定义了’技能执行鸿沟’：技能规定做什么，而任务分解、工具选择、结果验证等隐式程序行为由强 Agent 在执行中现场补充——弱 Agent 拿到同一技能仍然完不成任务。更关键的发现是：这道鸿沟本身是泄漏面——对比受害 Agent 的成功执行与攻击者的失败执行，缺失的能力关键行为暴露无遗。AgentLeak 据此实现黑盒能力克隆：20 场景 600 实例上，比直接技能复用 pass rate 高 40%+、恢复 80%+ 能力差距，且模型/harness/工具全部不变。
KV cache 压缩方法都用’最近的查询’预测未来注意力——本文发现长程推理中这个假设根本不成立：解码会不定期产生’思维重访令牌’（TRT），重新关注数千 token 之前的推理计划，而近期查询无法预知这次重访。关键观察是 TRT 对应的全局查询在嵌入空间聚成少数簇——只需为每簇维护一个’信标查询’（Continual FPS 在线选取），就能预判哪些 KV 将被重访。训练自由、无需改动架构：四个开源推理模型上内存最高压缩 5.8×、精度近全量、吞吐 +4.3×，对 RPC/R-KV 最高领先 31.7 个百分点。
编码 Agent 沙箱内的工具天然携带’环境权威’——命名一个资源就能操作它，间接提示注入正是利用这一点让 Agent 干用户没让干的事。北大团队的 CapScope 不让模型识别恶意文本，而是在 harness 层做能力作用域授权：从可信输入导出任务级权限上限，每个 sub-agent 持有独立的类型化能力集（存于模型上下文之外），每次工具调用逐主体检查。300 组对照实验：注入生效 ambient 权威 47/75、静态全局策略 33/75、CapScope 仅 3/75，而任务完成度 68/75 基本无损。论文已被 LMPL'26（ACM SIGPLAN 工作坊，Oakland）录用。
harness 进化后，让弱模型模仿更强专家的轨迹——这个’显然正确’的配方在七个企业任务上全部翻车（平均 -14.9 分），而同样的做法在未进化 harness 下却有增益。论文定位出根源：模仿让弱模型学会了专家的知识，却也继承了专家的规划风格，破坏了它与’围绕自身原生风格进化出来的 harness’的拟合。解法是 on-policy 专家修正：meta-MLE agent 定位失败 turn、专家只重写那一轮，平均 +1.7 分且规划失败桶保持地板水平。本文精读拆解’模型-harness 拟合’这一新概念与其共进化配方。