今日焦点：谷歌EnvHarness把『环境改造』变成与Agent Harness对称的新范式，静态基准可被插件化重塑且保留原验证器（最高+9.0pp）；USTC+上海AI Lab的FACET用『可执行状态共享接地』合成终端任务，1.2K轨迹让Qwen3.5-9B在Terminal-Bench 2.1提升8.24分；复旦SWE-bench Science揭示最强编码Agent在科学软件上Pass@1不足50%；MemTrapBench首次系统量化『记忆认知陷阱』——所有记忆框架都不如不用记忆。产业侧：OpenAI开源Codex Harness并送全量额度重置（周活破2000万），谷歌神秘模型Ox Alpha 1M上下文免费一周，DeepSeek-V4-Flash-Vision-Exp多模态逼近Opus-4.8，Anthropic拟8月底递交史上最大IPO申请。
今日学术主线：具身智能闭环自进化（清华AIR Zetta在LIBERO-Pro将冻结VLA从32%拉至71%、RoboCasa 93.6%并现机器人Aha时刻）、视频生成语义任务完成评测（SemComp-Bench揭示最强模型OA不足38%）、无监督推理从多智能体同群涌现（Co-RL理论+实证）。产业主线：Stripe以75亿美元收购OpenRouter并宣称奇点已至、OpenAI宣布最迟2027年IPO并推出零数据留存安全机制、Grok Bot/Build全量开放引爆个人智能体、Anthropic被曝内部运行超越Mythos 5的Model 2、宇树上市次日回调18.7%、世界机器人大会人形机器人上半年出货暴涨300%。
OpenAI因Astra触及网络安全Critical阈值暂停前沿RL训练两周，安全治理首次成为训练节奏的决定因素；智谱GLM-5.3上线以AA指数60分并列开源第一且权重下周开源；Anthropic让Claude自主完成蛋白质设计全流程，14/15靶点命中率26.8%远超行业10-15%；Mojo语言Apache 2.0全面开源。学术侧harness研究爆发：Agent Lightning v1.0定义harnessed agentic RL四大挑战、HarnessRisk揭示配置阶段最脆弱、ESOpt证明进化策略在长程场景反转RL优势、ASI-Bench定位方法操作化瓶颈。
8月18日核心动态：Cursor在GitHub全球宕机同日发布Origin代码托管平台正面挑战GitHub；Anthropic年化收入飙升至650亿美元为IPO铺路，同时披露未发布的Model 2模型；OpenRouter将GPT-5.6 Sol调用费用下调50%引发价格战预期。学术方面：StateM用15美元的harness scaling在Terminal-Bench 2.1做到95.3%原始准确率，证明模型不是瓶颈、执行系统才是；HarnessEval-W把agentify范式引入世界模型评测，人类偏好相关性达0.93；VibeWorlding让8B开源模型经RL后训练比肩Gemini 3.1-pro；AutoResearchEval解剖800条科研Agent轨迹发现元认知循环缺失是跨模型共通短板。
8月17日核心动态：Stripe超70亿美元收购OpenRouter重塑AI路由层格局；OpenAI在IPO前悄然解散Preparedness灾难性风险团队引安全担忧；Codex为GPT-5.6 Sol开放100万token上下文；DeepSeek API峰谷定价生效高峰翻倍。学术方面：上海AI Lab提出Mobius知识-推理解耦架构实现近4倍推理加速；RA-Bench揭示AI生成危机视频检测全面失守（检测器AUC从公开基准98.6%跌至44%）；Beyond Final Scores十万美元评测证明前沿模型是工程优化器而非自主研究者；SimpleOPD跨分词器蒸馏将ProofBench提升21.2分；LOPD可学习隐上下文自蒸馏全面超越手工特权上下文方法。
DeepSeek 开源 Harness 三天斩获 12.2 万星成 GitHub 史上增长最快项目，并把编排层做成了契约化的插件体系；SpaceX 正式完成 600 亿美元收购 Cursor，独立编码工具时代落幕。学术侧 14 篇深读：技能自进化成主线——SkillEvo 腾讯云生产 TSR 30%→81.8%，DIVE 冻结模型技能进化超 SkillOpt +16.7，Practice Makes Unsafe 首次系统揭示技能劣化安全风险；CREST 轮级功劳分配、Capability Sheaves 层论修复、Behavioral Contracts 免独立性可靠性证书、AQuA 密封沙盒量化自改进等 11 篇达顶会标准触发精读。
8月15日（周六）：HF/Arxiv无新批次，深挖8月14日批次未被覆盖的前沿论文——微软全带宽Transformer用潜变量反馈把垂直通道拓宽到全带宽，1B模型等效1.5倍训练数据；DFM Mimir以纯合规数据在1B规模逼近Qwen 3.5 4B；Agent记忆与技能两条主线集中爆发，RippleMem联想式回忆、ERSkill检索技能共进化、SkillEvo多轮反馈梯度、SkillShapley步级归因、DIVE多样性技能进化、Practice Makes Unsafe首次量化技能误进化风险；产业面GLM-5.3发布、Qwen3.8-27B开源生态刷屏、Anthropic营收破115亿美元首度运营盈利、英伟达5000亿美元AI融资平台落地、OpenAI年化收入破400亿但高管持续流失。
SpaceX 600亿美元正式完成收购Cursor，AI编程工具独立时代落幕；智谱GLM-5.3仅靠后训练将Terminal-Bench 3.0从4.6拉升至28.3、CyberGym 84.5%登顶；阿里开源Qwen3.8-27B单GPU模型与2.4T旗舰权重；学术侧DarwinX把Agent Harness进化升级为带准入契约的种群自然选择（四基准平均+17分）、AutoDesign用元harness优化将论文转海报提升至78.32分、PlayWorld以Agent-as-Player揭示世界模型’持续演化’共同瓶颈。
当 Agent 开始执行代码、改写文件、发送消息、操作数据库，把安全寄托在 RLHF 这类训练时对齐上，在结构上是不够的。本文精读 arXiv:2608.11274，拆解其提出的’运行时契约’范式：预防面阻止危险、证据面验证完成，并以 52 起事件、32 起虚假完成、12 个系统轨迹审计和 28560 篇论文的会议审计四条证据线汇聚论证。
Salesforce AI Research 提出强到弱脚手架范式：让强构建者模型为固定弱目标模型构建推理时脚手架，在不更新参数的前提下，将 GPT-5.4-mini 在四个心智理论基准上的宏平均准确率从 0.49 提升至 0.91。本文从背景、定位、问题定义、解法、知识反推、通用灵感六个维度精读全文。