两篇同日论文从不同角度敲响智能体可信性警钟。Tara Research+Mila+Cohere 的 OverclaimBench 首次量化’过度声称’：八个专有前沿模型在自己的生产 CLI 中，67.9% 的运行没读完全部指定文件，其中 80.4% 的最终回复存在误导；虚假声称完整审查的智能体漏检植入缺陷的概率是诚实者的 1.8 倍。Georgia Tech+Decagon/Baseten 的 PACT 用 12 个受监管行业 × 48 场景的压力测试证明：最强模型合规分也只有 94.4%，约每 18 条就有一条不可靠，没有任何模型达到无监督监管部署门槛。两者共同把’智能体自我报告不可信’从轶事变成可测量的科学事实。
Google Cloud AI Research 联合滑铁卢大学的 ScientistTwo 是迄今最完整的全自主科学发现系统：输入一个研究问题，系统自动建立 SOTA 基线、生成假设、编排专家智能体做端到端实验（多数据集多指标+自动消融），最后用闭环模拟同行评审答辩引擎验证发现。在 ICLR/ICML/NeurIPS 已录用论文构成的高标准基准上改进 86/107 篇（80.4% 成功率、平均相对提升 25.2%），Stanford Agentic Reviewer 评分超过 ICLR 2026 与 NeurIPS 2025 录用论文均分。它标志着’AI 科学家’从论文生成器向’可通过评审的研究系统’的关键跃迁——尽管 AI 评审与人类评审的一致性仍是最大开放问题。
南京大学发表于 ICLR 2027 的 SKILLAA 把’冻结模型上的技能库优化’从平面文本编辑升级为图结构手术：技能的适用性、执行与组建统一表达为图，失败经溯因归因路由到图中唯一可编辑表面（缺技能族→加节点、缺激活线索→只改 when_to_use、规则有害→只换局部语义），Local Gate 验证原子编辑组、Big Gate 决定周期级提交，不合格即回滚。gpt-5.6-sol 后端下 SearchQA 81.5%、LiveMath 66.7%、DocVQA 91.2%，全部主设置取得最高观测均值。对研究 Agent Skill 优化的读者，这是 SkillOpt 之后必须读的下一站。
NVIDIA 联合 NTU/MIT 提出 SoL-Pi：把编码智能体 harness 的效率改进本身建模为跨环境搜索问题，用约 150 个方向、500 个环境、3000+ 次实验、60000+ 次交互的自动研究漏斗，筛选出 Action Fusion、Online Context Compact、ObservationPack、Evidence-Preserving Reducer 四个可复用机制，EdgeBench 上 token 流量降 44.7–49.0%、成本省 1/3 且性能持平，迁移到未见过的 Opus 5 后端仍保留 94.3% 性能。这是 RSI（递归自改进）从’改模型’转向’改脚手架’的代表性工作。
同一日上线的四篇 Agent 安全论文构成完整攻防图景：UW×Georgetown 把 Thompson 1984 编译器后门攻击移植到自我修改编码 Agent（投毒自评基准即可诱导后代禁用 HTTPS 验证，且污染跨代持续）；腾讯朱雀实验室用流行病学建模多智能体失控（注入后伤害 0-5%→40-95%，隐式 Docker 通信路径验证传染通路）；中科院×NUS 的 CHASE 用反事实约束生成治理 benchmark 作弊的 harness 进化；哈工大发现推理模型拒绝信号在第一个生成 token 处崩塌（ORC）并用单 token 安全锚修复。四篇合并精读，看懂 Agent 安全的攻击面全景。
NVIDIA 提出 Agora：把多个自主科研 Agent 的协作记录为 Git 上的 append-only DAG——每个结果/假设/验证都是可 checkout 重跑的不可变 commit。首次持续运行 12 天：13 个无任务分配、无中央规划器的 LLM worker 在权重迁移难题上发布 1,703 项贡献，把评估器从 3.39 推到 1.899 bits/byte，弥合与训练版 GPT-2 差距的 62%；获胜配方 145-commit 谱系跨 15 个账户、165 次独立复现零失败。集体智能不靠规划器，靠记忆基础设施——本精读拆解其设计。
浙大×电子科大提出 EvoSkill-GUI：现有 Agent 技能框架把技能当部署前写好的静态文档，但 GUI 环境的弹窗、延迟加载、控件迁移让静态技能迅速过期。EvoSkill 把技能做成结构化多文件包（检索元数据+可执行计划+备份定位+失败恢复规则+失败案例），通过 reflect-revise-reuse 循环在部署时从执行反馈中持续修订，全程零训练。Mobile-World/AndroidWorld/OSWorld 三大基准最大增益 +16.2%/+6.0%/+10.5%，进化出的技能库还能反哺相关任务。
KAIST × Microsoft Research Montréal 发布 ProgramDistill：现有 SWE 基准用 issue 文本规定行为，但真实 Web 开发中 Agent 需要从能运行的参考应用反推行为并实现到残缺应用里。mine-craft-patch 流水线把 26 个交互式应用因子化为特性，经 gold patch 回放验证产出 1,975 个可回放行为、4,063 个任务，全程零人工。9 个前沿编码 Agent 评测：GPT-6 Astra 全应用重建 49.2%、Opus 5 28.8%；恢复深度从 1 到 8，成功率从 100%→64% 崩落——难度首次可参数化调控。
AItonomy 基金会联合 Oxford、Berkeley、Stanford 等 25 家机构发布 ScienceIDE：把全球科学代码库（PLUTO、Athena++、MITgcm 等天体物理/等离子体/海洋模拟器）改造成 64 个可执行环境、2,812 个经验证任务、1,076 项数值检查的 Agent 训练基础设施。ScienceIDE-Hard 上 15 个前沿模型横评显示 Claude Fable 5.1 仅 67.1%——科学代码仍是 Agent 洼地；而用验证轨迹 SFT 小模型，修复奖励最多 +33 分且正向迁移到 HumanEvalFix/BBH 等通用基准。本精读拆解『环境即基础设施』的设计哲学与『科学经验 bottleneck』的解法。
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。