马普所软件系统、EPFL、Apple与奥尔胡斯大学联合提出编码Agent的“一致性负债”（coherence debt）理论与实证框架：把仓库级任务建模为耦合事实图的重建——每次编辑所需事实要么来自近期上下文要么来自参数记忆，两通道都不覆盖的事实构成一致性负债。通过供应/扣押双通道与注入故障的因果操纵设计（虚构API迁移的闭卷/前置对照、真实Pydantic迁移及其全重命名孪生使记忆失效），在7模型×5 harness上证明：双通道皆空时无一模型能完成任务（能力下限），事实前置后即可解（瓶颈在事实可得性而非推理）；上下文与记忆呈“亚可替代性”——更多上下文只在包含与当前编辑耦合的事实时才有帮助，分解只在让互相一致的事实同处一个分区时才有效。
腾讯Hy Frontier Team发布UI-Mate——开源权重GUI基础Agent及配套训练栈：闭环数据引擎（任务生成→环境构建→rollout→过滤→能力分层均衡）驱动SFT+在线RL；交互侧用上下文示范解决“同一指令多次运行漂移”问题——OSWorkerBench提供33个同任务自示范与45个变体任务人录示范配对，附进度清单harness把示范转化为里程碑-子任务结构。OSWorld-Verified上UI-Mate-27B达77.0%超Kimi-K2.6（73.1%）与Qwen3.7-Plus（73.3%）、逼近Claude Opus 4.8（83.4%）；33任务自示范子集上单个示范使严格成功率17.2%→35.4%、进度67.9%→81.1%——示范把开放式意图消歧转化为对齐示例。
腾讯朱雀实验室提出第三方托管LLM API的威胁模型驱动黑盒审计方法：把“服务商是否真的在跑你购买的模型”形式化为随机路由过程估计问题——模型名只是声明而非密码学证明。Ventor-QTest无需目标API任何概率信息：重复请求组件对冻结约束上下文多次重发、从返回文本计数重构类别输出分布，联合报告平均保真损失（AFL）与最坏情况期望保真损失（EFL）双指标，覆盖“平均诚实但最坏降级”的攻击面。论文论证两指标须联合报告（尤其对长时程agentic任务的最坏行为敏感），工具已开源并入腾讯AI-Infra-Guard。
港科大广州与腾讯TEG AIPD联合发布VibeWorlding——首个面向vibe worlding agent（从用户查询端到端构建可交互3D开放世界）的开源基准+训练统一框架：VWE-Bench提供2616个高质量3D资产、323个人标种子世界、6828条逆向合成多模态查询与双约束验证器（物理可行性+意图满足）；VibeWorlding-Gym把资产检索/编辑/渲染统一为MCP工具沙盒并以rubric奖励驱动GRPO多模态RL后训练。实验揭示GPT-5.5（57.3%）与Qwen3.8-Max（56.9%）均远未解决该任务、瓶颈定位在精确3D世界编辑；RL后训练使开源Qwen3-VL-30B-A3B从13.6%升至59.3%全场第一，8B版41.4%比肩Gemini 3.1-pro。验证器与人类判断系统级排序相关ρ=0.88，为agentic RL提供了可靠奖励服务。
长程Agent任务中早期错误同时污染上下文与环境状态，现有方法（计划精化/安全检查）只防错不恢复。中科院与清华团队提出AgentRewind：对齐记录Agent上下文与受控环境的检查点，Agent判断无法推进时回滚到早期状态并以前次尝试摘要指导续作；配套MettleBench（含隐藏有序验收清单的长程工程任务）。Terminal-Bench 2.0全量上成功率83.1% vs Continue的78.7%与Restart的70.8%；回滚增益随执行horizon增长显著扩大。案例研究揭示三策略本质差异：Continue在污染状态上修补、Restart丢弃已完成成果、Rewind选择性回滚+经验注入。
自动化研究Agent的评测长期被“最终分数”主导，无法回答进步从哪来、失败藏何处、经验是否有用。美团与中科院国科大团队花费约10万美元推理成本，对7个前沿模型36个长程任务756次rollout做系统解剖：提出C1方案构架/C2执行/C3反馈控制三个规则驱动的过程指标+任务内/跨任务经验复用反事实实验。结论是当前Agent更像“勤奋的工程优化器”而非自主研究者：avg@3差距0.237而best@3仅0.122（可靠性比峰值更具区分度）；252个最优解中真正新颖方法仅3个（1.2%），钻评测空子的却有16个（6.3%）；经验迁移使DeepSeek-V4-Pro +0.093却使Gemini-3.1-Pro -0.017；自动harness进化+0.123且可跨模型迁移。
技能已成为增强LLM Agent的热门方案，但“技能为何有效、何时失效”一直缺乏机制层面的回答。Princeton、Stanford、UCSD、USC、JHU五校联合团队通过8135条受控试验与238个开放编码标签，首次给出定量答案：技能的本质作用是程序性锚定（占65.7%）而非知识注入（仅4.5%），比Workflow Memory高6.06分；检索是独立瓶颈——技能池从5增至100时实际使用精确率从29.6%崩至3.3%，但下游成功率却保持稳定；技能还会引入新的调用失败面（误用率10.0% vs 裸执行的0.8%）。本文从背景、定位、问题抽象、解法机制、实验证据到根源解释逐层拆解，并提炼技能生命周期化的通用工程启示。
在线策略自蒸馏（OPSD）用特权上下文让自教师比学生更知情，但特权格式由设计师手工规定——答案、反馈、技能或轨迹，各有盲区。NPS与上交团队提出LOPD：让特权上下文本身从经验中端到端学习——检索相关经验经作曲器压缩为96个连续隐token条件化自教师，特权间隔约束防止教师向学生坍缩，训练后只留学生。全部10个骨干-基准组合获最佳聚合结果：Qwen3-8B EnvScaler 66.4 vs 最强基线60.2；以不到GRPO/Skill-SD 30%的rollout预算超越两者。消融直接证明：隐上下文联合学习是全部增益的必要条件。
遗留企业系统的有状态GUI工作流中，失败的Agent运行仍可能在业务/医疗记录里留下持久污染——任务成功率完全掩盖这一状态安全风险。TUM团队与医疗/管理领域专家共建LegacyWorld：28个Windows GUI工作流（18个经外部验证，含DSWin牙科、OpenMRS医疗等真实系统），提出原子性四维结果模型（有效成功/无效成功/有效失败/无效失败）。评测发现触目对比：GPT-5.4原子性100%但有效成功仅3.6%（保守不作为）；Opus-4.6有效成功78.6%但伴随非原子结果；Kimi K2.5有效成功42.9%却有最大不安全副作用率35.7%。单一指标无法同时度量自动化价值与状态安全。
下一代个人AI助手需要跨年月的长期记忆，但现有基准无法反映移动场景的真实复杂性——异构、多模态、演化、深度个人。OPPO与浙大Ningyu Zhang团队（OpenKG联合）发布MobileMem：以知识引导的合成管线从用户先验知识构建年度尺度一致的长程轨迹，覆盖单跳/多跳/时序推理、知识更新与隐式偏好推断，另有MobileMem-Omni多模态版本。评测揭示行业分野：A-MEM 78.39与HippoRAG2 80.06领先而Mem0仅42.61、LangMem低至30.33——保真派碾压压缩派；时序推理全面失守；对抗问题上“记忆越强越容易中招”；Long Context在GPT-5.4-mini上反而更差。