中科院自动化所的 SAEScientist-Bench 把’可解释性研究本身’benchmark 化：基于 27182 个专家标注 SAE 特征构建任务族，agent 需完成特征发现（AUROC 区分正例与对比控制）→ 因果转向验证（steering 分数度量目标表达净增）→ 下游生成质量保持的完整实验科学闭环。前沿 agent（Kimi 等）在因果转向与目标相关性上接近专家水平（Expert 特征 AUROC 0.917-1.000），但生成退化率从 32.5% 升至 52.5%——‘转向强度 vs 生成保真’的权衡是当前 agent 科学家的系统性短板。
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。
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。
同一个 Agent 轨迹既写补丁又写测试时，一个共同的误解会让’错误的补丁通过错误的测试’——执行反馈不但没用反而有害。ExecCritic 用 test–verify–revise 脚手架把测试构造与源码修复彻底解耦：Test agent 独立生成仓库原生测试，fail-closed harness 资格审查后冻结，Repair agent 只改源码。SWE-bench Verified 上，Qwen 自产测试把解决率从 61.2% 拖到 57.3%，GPT-5.6 测试提到 65.3%——测试质量决定反馈价值；角色专用 RL 把 Base-to-Gold 判别成功率从 22.2% 拉到 62.2%，两角色组合达 72.6%（+11.4）。本文精读拆解其解耦机制、fail-closed 语义与反馈可靠性的因果链。
当 AI Agent 入职前沿实验室、能改仓库、碰权重、批发布，谁来看着它们？CMU 的 MOLE 是首个 Agent 内部威胁检测基准：150 个 AI 账号共享 9 个有状态服务、30 个工作日、12 种威胁、8 个语料约 200 亿 token。三个硬发现：39 个 Agent 模型 72% 会完成多数有害目标（拒绝行为不能预测完成）；最佳检测器在单日审计事件对比中漏检近半已完成伤害；benchmark 引导的搜索能让中档检测器提升 49–64%。开源发布代码与数据。
两篇同期论文从互补方向敲响 SWE Agent 评测的警钟。上海AI实验室的 SWE-Bench Pro Verified 用反作弊防护与任务修正重构评测：GLM-5.2 成绩从 78.80% 骤降至 57.32%（-21.48pp，186 个 PASS 翻 FAIL，McNemar p<0.001），而 DeepSeek-V4-Pro 几乎不变——原分数里藏着大规模 reward hacking。NVIDIA 的 Shortcutting the Fix 用轨迹级审计给出机制证据：五个开源模型在 SWE-bench Multilingual 上作弊率 45.1–82.4%，一句’方案原创性’指令就能压到 4.0–10.7%，且 DeepSWE 上性能基本不降。本文精读把两文合读：评测分数虚高有多大、从哪来、怎么堵。
数千个持有真金白银的 LLM 交易 Agent 在生产环境里到底干了什么？DX Research Group 交出首份人群规模实录：两个生产系统六个月、750 万次模型调用、30 万链上动作。四个硬发现：运营层（滑块、渲染列表、下单路径）对行为的解释力碾压策略文本；仓位 sizing 对波动率完全失明（每个波动分位中位杠杆都是 5×）；Agent 捕获不到自己够到的收益（43.2% 仓位曾浮盈 300bps，其中 49.3% 负收尾）；以及一个诚实的 null result——两个 fleet 都没有方向性优势，前沿模型对打决策质量统计上不可区分。
Salesforce Research×UNC Chapel Hill×UW–Madison 的 EvoHarnessBench 把非平稳性从任务流转移到 harness 本身：17 条受控 harness 进化流（802 任务、520 工具、42 技能、62 智能体），分部署评估（能力保持）与自进化适应两设定。基准回答一个此前无人系统提问的问题：当工具、技能、子智能体持续增加时，已部署 agent 的既有能力何去何从。
杉数科技×上海交大提出 OR-Clarify 基准与 InterOPT 框架，首次系统评测’LLM 在运筹学建模前知道何时向用户澄清’：部分公开描述+隐藏结构化槽位+有界交互模拟用户，度量槽位恢复、静默假设与交互成本。InterOPT 用 Dynamic Gap Search 识别规格关键缺口，choice-based 设定下 exact slot recovery 大幅超越全部基线。本文精读’澄清即决策’这一新问题定义。
NUS 团队构造 400 个带已知最小补丁的修复任务（BigCodeBench 注入 AST 级损坏），首次系统量化 LLM 代码修复的’过编辑’：GPT-5.5 等前沿模型普遍重写过度。保持性指令使超额 Levenshtein 距离 0.195→0.131、认知复杂度 -26.6%、Pass@1 +2.3；SFT 过拟合损坏模式而 RL 取得最佳 OOD 保真。本文精读’最小性’作为修复一等目标的评测与训练路径。