LLM 多角色工作流中，上游确立的安全约束（如“未获审批不得执行“）经摘要、计划、工单等交接变换传给下游后，是否仍然“说话算数“？深圳大学团队提出“操作性状态保持“概念并设计阶段分离受控实验：1296 个主实验 episode 中，直接交接对照 100% 保持约束，而正常级别的交接压缩使约束失活率达 100%、违规执行 54.2%；恢复全部四个状态字段则将两者归零。下游验证可在不改工件的情况下消除违规（0%），证明工件修复与端点遏制是互补的系统功能层。核心发现：语义可用不等于操作保持——内容还在，约束力没了。
深度精读深圳大学 + 中科院深圳先进院论文：把 LLM 结构化输出失败分解为「值放错位置」（structural）与「值本身错误」（content）两种模式独立测量，发现跨 6 个模型一致的「结构先退化」剪刀差——前沿模型在最复杂任务上仍放错 24-35% 的值而小模型达 74%；机制消融指向语义捷径而非拓扑寻址；SA-RLVR 把结构感知奖励用于 GRPO，VPA 从 0.26 提到 0.63 而 SFT 仅 0.28。
CatchBench（USC，PyOD 作者 Yue Zhao）构建了首个在 PRE（运行前声明配置）/LIVE（运行中轨迹前缀）/POST（运行后完整轨迹）三种信息状态下统一评分 Agent 审计方法的竞技场：9 个计分板、72 个方法。它最大的贡献是方法学自律——公开每条标签的生成方式从而暴露自身语料的捷径（injecagent 源仅凭声明顺序即 F1=1.000）、给注入故障设’可采性门槛’、并如实发表 71/118 个无法分离的对比。‘分数在标签过程公开并检验其捷径之前不可解释’，这是对所有基准的警世恒言。
北大×BIGAI 提出 ContinualSkillBench，首次系统回答「Agent 技能库能否自主进化」：五个领域各 100 个按难度与技能依赖排序的关联子任务，三回合协议让 Codex CLI 与 Claude Code 在执行-反馈-反思中自建技能。15 组模型-领域设置中 14 组顺序执行提升归一化奖励（整体相对 +16.9%），但关键对照实验揭示：纯 ICL（不维护显式技能）平均 0.605 vs 显式技能 0.602，几乎无差异——顺序收益大部分来自保留上下文与反馈适应而非可复用技能抽象；且弱模型（GPT-4o）堆积 384 个碎片化技能，远多于强模型（GPT-5.3-Codex）的 205 个。
深度精读HKUST(GZ)与清华大学合著的DataSpace基准：把数据智能体放进散落着数据库、CSV、长PDF与视频的异构工作区，要求其返回完整表格并通过确定性评测。410个跨语言任务、7439个工件、15.01GB规模下，六前沿模型×五智能体框架的最好成绩仅66.34%，换框架即拉差15.36点，视频证据与join是所有模型的共同短板。该基准同时是KDD Cup 2026数据智能体赛道的官方评测。
NVIDIA 提出 ACES，把 Agent 技能从「扫描文档」推进到「活体配对评测」：同一任务在有技能/无技能两种条件下运行，唯一变量是目标技能是否可用，六指标差值即 Skill Lift。145 个技能上结构分与 LLM 评分相关性仅 Spearman ρ=0.14，94.5% 通过结构门槛的技能与活体 Lift 相关性近零（-0.018）；947 个配对案例显示平均复合 Skill Lift 为 0.2134，其中技能执行 +0.33、行为检查 +0.30 等过程指标贡献最大，且负 Lift 可区分「从未发现」与「发现但误用」两类失败——这是文档扫描永远看不到的信号。
LongWoF-Bench（EvoMap × 清华大学，778 个机器可验证长工作流任务）回答了一个技能资产化的核心问题：什么样的’经验’才值得复用？对照实验给出干净答案——‘验证器确认的执行经验’（Gene）在 7 个消费模型上稳定超越静态技能文档 8.7~15.5pp 且 token 更省；而没有经过验证器确认的’参考蒸馏’经验反而全面落后。经验的有效性来自’经过端到端验证的失败与修正信息’，而非表示形式。
深度精读阿里巴巴×浙大×北大×复旦合作论文 MerchantBench——首个通过 365 天订单级电商仿真评测 LLM Agent 长期连贯性的基准。基于 1688 平台 98,843 条真实商品记录与 26 个工具，8 个主流大模型在 48 次全年运营中无一接近人类：最佳配置（Qwen3.7-Max + Hermes）最终净资产仅为人类参与者的 27.3%。论文提出操作连贯性与战略连贯性双维分析框架，揭示『活动衰减』与『战略漂移』两类渐进性失败，并提出 SWR（持续窗口率）这一可诊断『高分掩盖停摆』的过程指标。
MobilePA-Bench（阿里巴巴通义 MAI Team）填补了移动端 Agent 评测的中间地带：不是像素级 GUI 操作、也不是离线函数调用，而是’有状态沙箱里的中央规划器’——212 个真实工具×13 领域的活数据库沙箱，原生注入权限阻断/缺参/实体歧义等环境摩擦，并把子 Agent 协作、个性化记忆、技能加载设为三维能力门。1705 个任务上 13 个前沿模型最高只有 75.52%（Claude-Opus-5），且各维度冠军分散在 4 个不同模型——移动端没有全能规划器，Memory 维度全员不及格（最高 64.63%）。
Repo2Skill-Evo（字节跳动 × 北京大学 × 北京交通大学）提出并评测了一个此前无人命名的问题：‘仓库技能静默失效’——仓库版本升级后，从旧版蒸馏的 Agent 技能不报任何错、继续被加载检索，但内容已全面过时。基准要求 Agent 依据官方 release patch 维护技能集（删掉过时内容），用人工逐行验证的 12,217 行’黄金过时行集’做删除式指标：6 个前沿模型全部不及格，最强的 Claude-opus-4.6 也只有 69.7% F1，85/105 个版本转换低于 0.65 的 Easy 阈值。