OpenAI 携手 Ironclad 推进 computer use
OpenAI 与 Ironclad 合作在复杂合同工作流程上训练并评估 AI 智能体，旨在推进面向专业工作的 computer use 能力。
#Agent
#Agent
今日 3 条OpenAI NewsAI 评分4141 AWS Machine Learning BlogAI 评分5050 如何使用 Amazon Bedrock AgentCore、Knowledge Bases 与 Nova Sonic 构建语音旅行管家
AWS 介绍了基于 Amazon Bedrock AgentCore、Knowledge Bases 与语音到语音模型 Amazon Nova 2.5 Sonic 构建航空语音管家的技术方案。
NVIDIA BlogAI 评分3737 电信运营商为何基于开源模型构建 AI 战略
NVIDIA 报告显示 89% 的电信运营商将开源模型视作 AI 战略核心，以兼顾低成本前沿能力、业务定制与安全部署。NVIDIA 联合 AdaptKey 推出 30B 参数的 Nemotron 3 Large Telco Model，并开放基于 NVIDIA NeMo 的端到端微调方案。软银、AT&T 等运营商正借助开放模型开发电信专属模型并落地生产级智能体工作流。
AWS Machine Learning BlogAI 评分4646 智谱 GLM 5.3 正式上线 Amazon Bedrock
智谱（Z.ai）753B 参数 MoE 模型 GLM 5.3 正式上线 Amazon Bedrock，面向符合条件的企业客户提供全托管 API 服务。该模型专为编程和长流程智能体任务优化，发布时在 CyberGym 安全基准测试中取得 84.5 分。用户可通过兼容 OpenAI 的 API 或 Bedrock 原生接口调用，并支持跨区域推理与提示词缓存。
AWS Machine Learning BlogAI 评分4848 Amazon SageMaker AI 为编程 Agent 推出生成式 AI 推理优化技能 aws-ai-ml
Amazon SageMaker AI 通过 Agent Toolkit for AWS 推出 aws-ai-ml 技能，为编程 Agent 赋予生成式 AI 推理优化与基准测试能力。
AWS Machine Learning BlogAI 评分3434 用 Claude Code 与 Amazon Bedrock 加速受监管工作负载
AWS GovCloud (US) 的 Amazon Bedrock 现已上线 Claude Opus 5.5 与 Claude Sonnet 5.5，支持结合 Anthropic 智能体编程工具 Claude Code 处理受监管工作负载。
Together AI Blog精选AI 评分7070 Together AI 推出 Together Link：一键将现有编码智能体接入开源模型
Together AI 推出 Together Link 工具，支持开发者通过单条命令将现有编码智能体直接接入平台上的开源模型，官方称可降低超过 50% 的模型支出。该工具适配 Claude Code、Claude Desktop、Codex 等环境，内置 Together AI Router 能够根据会话首个任务自动在轻量模型与前沿模型间分流，同时保留各工具的原生设置与登录状态。
推荐理由：该工具允许现有编码智能体无缝切换至开源模型并按任务复杂度动态路由，为工程团队降低闭源模型开销提供了直接落地路径。
AWS Machine Learning BlogAI 评分4747 使用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与实用性
Amazon Bedrock AgentCore Evaluations 提供针对多智能体系统的全托管评估能力，支持在开发与生产阶段衡量系统准确性、任务完成度及决策可解释性。方案提供评估通用维度的内置评估器，以及校验业务约束、路径可行性与决策依据的自定义评估器。系统同时支持用于 CI/CD 与回归测试的按需模式，以及用于生产监控告警的在线模式。
AWS Machine Learning BlogAI 评分5050 基于 LangChain 与 Amazon Bedrock 知识库实现智能体检索
AWS 官方介绍了如何在 Amazon Bedrock 托管知识库与 LangChain 中实现智能体检索（Agentic retrieval），以解决复杂多意图问题下标准向量检索召回不足的缺陷。
AWS Machine Learning BlogAI 评分4343 让 Amazon Quick 具备企业级能力：自动化、可审计的跨账户资源迁移
AWS 推出基于 Amazon Bedrock AgentCore 的 Quick Resource Migrator 示例 MCP 服务器，实现 Amazon Quick 资源的自动化跨账户迁移。该工具支持智能体、连接器、知识库等资源的幂等更新与权限复制，并在变更前向 Amazon S3 写入版本备份以支持回滚，源码已在 aws-samples 开源。
GitHub Blog · AI & ML精选AI 评分6565 GitHub 推出 AI 代码审查开源评测基准 ReviewBench
GitHub 发布面向 AI 代码审查智能体的开源离线基准 ReviewBench，基于 1.039 亿真实拉取请求分布抽样构建了覆盖 19 种语言的 219 个公开拉取请求测试集。
推荐理由：ReviewBench 基于真实拉取请求分布构建，提供了与线上生产表现一致的离线评测信号，有助于客观比较代码审查智能体的实际表现。
Cloudflare BlogAI 评分5454 Cloudflare 发布 2026 年生日周产品更新汇总
Cloudflare 在 2026 年生日周期间集中发布了 46 项产品与技术更新，全面围绕智能体互联网、开源生态、后量子安全及开发者工具展开。
arXiv stat.MLAI 评分4343 GTDD：面向 AI 编码智能体的对抗式生成测试驱动开发
研究者提出面向 AI 编码智能体的生成测试驱动开发（GTDD）框架，通过独立测试智能体在候选实现确定后对抗生成新测试输入。受信任评估器将精简的反例反馈给编码智能体并留存为回归测试，使系统持续暴露初始测试集之外的缺陷。在有状态键值存储实验中，开发期间重新生成测试的策略平均故障率低于单次生成测试的策略。
arXiv cs.AIAI 评分4444 通过 Recursive Self-Rewrite 扩展复杂任务轨迹
研究团队提出 Recursive Self-Rewrite（RSR）框架，基于 Qwen-3.8-27B 将多样环境下的复杂任务求解经验重构为通用训练轨迹。该方法通过规划器、审核器与执行器，将 2,001 条源轨迹扩展为 11,094 条重写轨迹用于 SFT 微调。
arXiv cs.AIAI 评分3737 Ego2World：将第一人称烹饪视频编译为信念状态规划的可执行世界
Ego2World 提出一种将标注的第一人称烹饪视频转化为部分可观测可执行环境的评测基准，将真实世界状态与智能体信念分开维护。在 105 个任务上评测 6 种规划器显示，已执行操作常未能达成目标；Qwen-Plus 对照实验表明，持久信念使动作有效性提升 4.15 个百分点，视觉查询减少 90.27%，但 token 消耗更高且未见完成率提升。
arXiv cs.AIAI 评分3636 解耦记忆与上下文：面向 Token 高效测试时持续学习的结构化记忆
研究人员提出轻量级图记忆系统 GraphMemory，通过将记忆与上下文解耦实现测试时持续学习，构建记忆消耗的 token 较基线减少约 81-85%。GraphMemory 负责累积与组织可复用策略，每个查询仅检索相关子图，检索量不随处理样本增加而膨胀。实验表明，该方法在大幅削减开销的同时保持了具备竞争力的下游任务性能。
arXiv cs.AIAI 评分3535 DataWeave：面向探索性结构化数据分析部署人机协同 LLM 分析系统
研究团队推出人机协同数据分析系统 DataWeave，结合对话交互、Schema 对齐、分析规划与可执行查询生成，支持结构化数据的探索性分析。该系统将 LLM 定位为可检查、修正与引导的交互伙伴，以应对 Schema 漂移和领域语义误读等问题。专业记者已使用 DataWeave 对美国教育部 IPEDS 数据集开展案例研究，提炼出可信人机协作设计原则。
arXiv cs.AIAI 评分4747 长流程 AI 智能体的 GHOST 风险：跨轮次忽视安全约束引发的治理隐患
研究发现长流程 AI 智能体在良性交互中容易忽视数轮之前指定的安全约束，这种被称为 GHOST 的失效模式在 GPT-5.5 上的发生率达 11.5%。为此团队提出双层防御方案 STAR-Guard，结合历史语义安全约束恢复与执行前确定性审计来拦截潜在违规。实验表明，STAR-Guard 在 GPT-5.5 测试环境下未出现任何 GHOST 事件。
arXiv cs.AIAI 评分4242 LLM 智能体中连贯性驱动的信念形成与传播群体动力学
研究实测了 LLM 智能体的信念采纳行为，发现其采纳概率核呈 S 型（sigmoid），展现出复杂传播的典型特征。该采纳阈值受主张合理性、来源可靠性与智能体倾向共同影响，可近似统一为输入信念与先验信念的连贯性。智能体群体在聚集网络中的信念传播范围大于随机网络，并展现出自维持的滞后共识，导致共识一旦形成便极难消除。
arXiv cs.AIAI 评分4444 表达差异如何干扰邮件 AI 智能体的检索与行动
研究测试了邮件 AI 智能体在表达方式变化时的鲁棒性，发现间接请求降低了一个 RAG 管线和两个工具调用智能体共 3 个基准的性能。分析表明，冗长请求主要通过干扰词法检索器阻碍定位邮件，而间接与正式请求在智能体场景中主要导致模型遗漏必要操作。研究指出评测应引入多样的请求表述，并单独测量智能体是否完整执行任务。
arXiv cs.AIAI 评分4949 VERSE：面向 AI 智能体 Harness 的可验证自演化优化器
研究者提出面向 AI 智能体 Harness 的优化器 VERSE，在保持模型权重不变的前提下，通过基于执行的验证机制让优化器同步迭代自身的工具与流程并改进执行器。在保留的 SWE-rebench 任务与 5 种语言的分布外任务中，VERSE 产出的最佳 harness 准确率分别达 42.3% 和 37.7%，显著超过最强基线的 39.2% 与 29.3%。该项目相关代码已开源。
arXiv cs.AIAI 评分5555 Open-Endedness Bench：基于执行记录评估智能体认知过程
研究人员推出 OEB（Open-Endedness Bench），一种无需参考答案即可通过执行记录评估智能体在开放式科研任务中假设检验与修正过程的评测方法。该方法将记录编译为认知事件图，通过对比陈述与实际运行结果，在证据、实验、修正和规避奖励黑客四个能力维度进行评分。对涵盖大语言模型后训练、芯片设计等 12 项任务的 119 次运行分析显示，智能体自称取得的改进中仅有 16% 至 29% 属实。
arXiv cs.AIAI 评分4444 如何训练世界模型：基于大语言模型的微调与 RAG 对比
一项跨 5 类环境的系统评估显示，基于大语言模型构建世界模型时微调通常优于 RAG，在 15/20 种设定下使智能体获得了更高奖励。研究指出 RAG 数据效率更高，但微调在扩展经验规模时收益更显著，且检索模块易给出次优状态转换。团队据此提出分层查询重构并构建兼顾参数化与记忆检索的混合系统，在多环境与模型下均取得最优表现。
arXiv cs.AIAI 评分4242 学习下一步调查什么：面向长周期科研 AI 智能体的元推理架构 MIRA
分层架构 MIRA 将长周期科研决策与执行解耦，由外层元推理器规划调查工单，内层执行器独立落地。该架构在定理证明与神经架构研究中提升了推理与算力分配效率，其生成式评判器的收益预测表现优于 token 级方案。在此基础上训练的 MIRA-AC 联合模型在 4 个自动科研环境中提升了最终表现，实现了长周期强化学习的高效优化。
arXiv cs.AIAI 评分3636 基于程序细化的假设引导认知算法发现
研究团队提出一种基于程序细化的混合系统，利用 LLM 智能体协助发现人类推理的认知算法。该系统将人类构建的概率程序交由 LLM 智能体识别与行为数据的偏差，在预设约束下生成代码级修改，并交由概率推理模块计算数据似然。在问题解决实验中，修改后的模型拟合度持续优于前代模型，并提炼出刻画行为变异性的关键机制。
arXiv cs.AIAI 评分3939 MEA：用于高忠实度模型解释的奖励驱动多智能体系统
研究人员提出多智能体框架 MEA，利用 Proposer 智能体配置解释工具，并通过端到端忠实度奖励优化的 Actor 智能体生成跨表格、文本与视觉模态的自然语言解释。在 6 个数据集的评估中，该优化相比未训练基干模型在表格、文本和视觉模态分别取得 +28%、+21% 和 +34% 的忠实度提升，持续超越现有基线。
arXiv cs.AIAI 评分4343 热带强化学习（Tropical Reinforcement Learning）
研究者提出热带强化学习及训练算法 TROPIC，通过将解方案概率相加改为取最大值的热带半环，使大语言模型能跨不同尝试拼接最佳步骤，解决组合推理难题。该方法将状态价值定义为最可能验证解的对数概率并记录显式路径；在 Sokoban、Countdown、FrozenLake 和 WebShop 任务中，TROPIC 超越最强 on-policy 基线达 16 个百分点。
arXiv cs.AIAI 评分4343 当终端 AI 智能体训练停滞：揭秘数据生成与验证挑战
针对使用 Claude Opus 生成终端任务进行 RL 训练的流程，研究诊断出基准无效、测试框架脆弱和奖励不对齐三类失效模式。提示词重构与上下文扩展将基线可解性提升 5.6 倍，但 9B 模型在 20 步内便饱和于 81.3% 的平均 pass@2。未改变配置下引入高难任务后，平均 pass@2 降至 20.6%，证实任务可解性区间具有模型特异性。
arXiv cs.AIAI 评分4444 DeReAct：面向可靠 AI 智能体的解耦推理与行动架构
模块化智能体架构 DeReAct 通过外置 Critic 与 Context Manager 策略，独立实现执行前动作验证与任务完工认证。在 GAIA 和 SWE-bench Verified 上，该架构使 Qwen3-Coder-480B 的 Pass@1 提升 6.5–7.0 分，Claude Sonnet 4.5 提升 4.2–5.2 分。
arXiv cs.AIAI 评分4343 世界编辑：在可执行世界中进行更深层次的干预
研究团队提出世界编辑（World Editing）概念与基准 IGMBench，通过游戏模组评测 AI 智能体干预可执行世界的能力。IGMBench 涵盖 Minecraft 与 Terraria 的 110 项任务及超 1.1K 个可执行标准，前沿编程智能体最强配置达成 78.2% 的严格任务级解决率。评测显示编辑可靠性随干预深度增加而下降，且所有配置的联合视觉通过率均低于 50%。
arXiv cs.AIAI 评分3939 行动前先选择：长流程工具调用 AI 智能体的比较价值评估
研究人员提出 CITA 框架，让长流程工具调用 AI 智能体在实际执行动作前对比评估候选工具调用的长程价值。该框架结合工具行为记录、贝叶斯工具图模拟器监督与大语言模型语义判断训练出 CIM 模型，精准评估候选调用对任务成功的支持概率。在 3 个工具调用评测基准和多个骨干大语言模型上，CITA 均持续提升了 Tool F1 与任务成功率。
arXiv cs.AIAI 评分5151 LLM 智能体 System-1 决策模型评测：Laya 与 Jev 配对对比及管线自审计
研究人员针对大语言模型智能体框架中的 System-1 决策模型展开配对与自审计评测，对比了开源模型 Laya 与托管模型 Jev 在 11 项任务中的表现。评测显示 Jev 在 9 项决策点上准确率高出 10.8 至 46.0 个百分点，但两款模型在零样本路由任务上均未超过随机概率，且 Laya 在候选项调序后答案改变率达 30%。
arXiv cs.LGAI 评分4646 OpenGameEval：在有状态游戏引擎中评测智能体编程与探索能力
OpenGameEval 是一个在 Roblox Studio 中评估 AI 智能体游戏开发与探索能力的基准框架，现已以 MIT 协议开源。该基准提供 8 种操作工具以分离观察与编辑行为，并在 84 个核心任务上评测了 13 个前沿模型。结果显示最佳模型单次通过率为 51.7%，且提前检查目标对象的探索行为在纯场景任务中使通过率高出 13.4 个百分点。
arXiv cs.LGAI 评分3434 基于分解价值梯度流的测试期多智能体协同
离线多智能体强化学习框架 SCOUT 首次通过测试期动作精炼，将生成式基础模型与学习到的价值函数相结合。该框架解耦训练流匹配（flow-matching）行为先验与分解价值函数，在测试期借助 Stein 变分梯度下降将动作样本引导至高价值区域并实现自适应计算扩展。
arXiv cs.LGAI 评分4646 将 LLM 作为智能体驾驭：需要付出什么成本？
研究提出了 Language Model Agent Machine（LAM）模型，用于形式化量化大语言模型智能体 harness 消耗的计算资源。该框架给出了通信、内存访问、重计算与可靠性四类理论边界，并推导出最优验证检查点法则。在 GPT-6 Astra 上的实验验证了关于检查点最优值与链式 MATH 任务可靠性的理论预测。
arXiv cs.LGAI 评分4141 AI Theorist 揭示 $\alpha$-RuCl$_3$ 的激子结构
AI Theorist 智能体系统成功揭示量子材料 $\alpha$-RuCl$_3$ 的激子结构，实现了从光学光谱数据自主构建物理模型。该系统通过假设生成、第一性原理与多体计算及证据驱动迭代，识别出具备不同光学选择定则和实空间分布的激子态。这是首次展示 AI 自主建立物理模型解释量子材料实验观测，为材料科学的自主理论发现开辟了新路径。
arXiv cs.LGAI 评分3737 Prompted to Discriminate：提升恶意输入探针在真实场景中的泛化能力
在用户输入后添加简短分类后缀可显著强化激活探针，在 13 个安全基准及 Llama-3.1-8B、Qwen3.5-9B、Gemma-4-12B 上将分布外检测最高提升约 4 个 AUC 点。该增益主要源于分类格式本身而非具体标准，采用无内容标签同样有效，且能扩展至 attention、multi-max 和 MLP 等生产级多位置池化探针。
arXiv cs.LGAI 评分4646 基于训练的智能体上下文管理
微调后的 Qwen3.6-35B-A3B 仅凭 8,000 tokens 上下文，在 OOLONG-synth 基准且文档超 40K tokens 时表现匹敌 1M 上下文的 GPT-5.4。该方案通过合成数据集训练模型使用自提示调用与指定范围 token 读取两项极简工具来管理长上下文，研究代码已公开。
arXiv cs.LGAI 评分3535 VisAudit：评估多模态智能体的可视化诊断与修复能力
研究人员推出评测基准 VisAudit，用于评估多模态智能体对数据可视化的诊断、代码修复与验证能力。该基准涵盖已诊断修复、自主修复和开放世界验证三个赛道，包含跨 21 种图表类型和 10 类缺陷的 1,900 个缺陷实例以及 300 个初始正确图表。实验显示，表现最强的前沿多模态模型在自主修复设置下仅能完全恢复 47.4% 的缺陷图表。
arXiv cs.LGAI 评分3636 Inherit-MAS：基于工作流与执行继承的多智能体系统测试期演进
Inherit-MAS 提出在工作流与执行层面引入显式继承，实现大语言模型多智能体系统的测试期演进。系统在优化时局部修正工作流，并在上下文匹配时复用已存结果以消除冗余计算。配备 GPT-4o-mini 时，其在 WorkBench 达成 55.4% 完成率，HotpotQA 联合 F1 达 49.7%，并使工作智能体 token 消耗分别降低 29.1% 与 34.6%。