研究提出 GenUI-Harness：通过数据感知生成式 UI 优化智能体主动交互
研究团队提出多智能体框架 GenUI-Harness，通过工具智能体与 GUI 编程智能体协同生成临时结构化界面，以替代认知负荷较高的纯文本交互。针对交互式 UI 强化学员的训练难题，研究引入了轻量沙盒 Dynamic UX 与监控奖励分布的元奖励机制 Reward Auditor，并发布了包含 10 个领域数据库的评测基准 UI-TAU Bench。
#Agent
#Agent
今日 12 条arXiv cs.AIAI 评分5252 arXiv cs.AIAI 评分4949 AgentHorizon：评估长流程计算机使用任务中的智能体裁判
研究团队推出 AgentHorizon 基准，用于评估智能体裁判在长流程计算机使用任务中的判断能力。该基准涵盖跨 3 个操作系统的 166 小时真人轨迹与 1,373 个任务，轨迹最多含 300 张截图与动作。评测显示表现最优的智能体裁判 GPT-5.5 在 AH 子集取得 80.9% 平衡准确率，而工具使用反而降低了开源模型的表现。
arXiv cs.AIAI 评分4545 LLM Agent 常驻上下文筛选：带截断反馈的容量限制选品模型
研究将 LLM Agent 常驻上下文的筛选建模为容量限制选品问题，以解决盲目追加指令导致的 token 成本上升与性能退化。理论证明最优文件大小存在上限，单纯追加所有正收益指令在净价值上可能远劣于选取最优子集，且直接删除被智能体忽略的指令会误删有益规则。实验进一步证实，来自真实上下文文件的无关规则会降低大语言模型的依从性。
arXiv cs.AIAI 评分5151 StoreBench 动态电商评测环境发布：用于评估与训练自主运营智能体
研究人员推出 StoreBench 动态电商模拟环境，用于评估和训练智能体在不确定性下的长程规划与经济决策能力。评测的 7 款前沿 LLM 中表现最好的 DeepSeek-V4-Pro 任务通过率仅为 49%，低于人类专家和启发式脚本基线的 97%。通过 GRPO 后训练微调后，Qwen3.5-27B 在测试任务上的平均综合得分从 0.136 提升至 0.373。
arXiv cs.AIAI 评分4242 察言观色：LLM 规范能力的基础、设计与挑战
一项新研究首次形式化并评估了 LLM 仅通过交互识别社区规则的“规范能力”，发现基线 LLM 智能体无法学会这些规范。测试显示规范遵循对规范风格和模型高度敏感且缺乏泛化性；当无关特异行为与真实规范并存时，智能体会不加区分地照搬噪音，即便受罚也依然模仿。研究表明当前 AI 擅长行为模仿，但缺乏识别社会强制秩序的能力。
arXiv cs.AIAI 评分4545 时间预算下的 AI 智能体：如何兼顾守时与高效利用时间
研究人员针对千问 Qwen3.6-27B 和 Qwen3-4B 在 MLE-Bench Lite 与 Zork I 基准上的测试表明，仅在提示词中指定时间预算时，小规模 LLM 智能体无法有效控制时间。
arXiv cs.AIAI 评分4444 Plan-and-Patch：面向智能体规划的扩散语言模型框架
研究提出 Plan-and-Patch 智能体规划框架，利用扩散语言模型并行生成结构化计划，并在固定前后步骤的前提下局部修复计划。在未经特定训练的 Natural Plan 上，扩散规划器 DreamReasoner-8B 的计划修复成功率达 53.7%，接近自回归模型 Qwen3-8B（27.0%）的两倍。
arXiv cs.AIAI 评分3434 面向冻结空中 VLN 智能体的轨迹对齐指令翻译方法 TGIT
研究者提出了轨迹对齐指令翻译器 TGIT，在保持空中视觉语言导航智能体 OpenFly 冻结的前提下，将用户简短的意图型指令转化为可执行指令。TGIT 将弱指令输入的成功率提升至 37.93%，并零样本迁移至真实人类指令，将成功率从 11.33% 提升至 32.51%。
arXiv cs.AIAI 评分4242 信贷流程中 LLM 智能体的合规约束自我进化机制：将测试框架作为唯一可变表面
研究提出一种合规约束下的 LLM 智能体自我进化机制，在保持模型权重固定的前提下，仅允许修改指令、工具调用逻辑等运行时测试框架（harness），并通过准入门控在部署前记录哈希链日志。在模拟信贷流程实验中，该门控从 7,449 个候选变更中准入了 144 个，且均未在保留历史数据上恶化错误；而无边界检查则准入了 309 个有害变更。相关机制已被映射至欧盟 AI 法案的高风险信贷评分条款。
arXiv cs.AIAI 评分3737 Agentic AI 的验证与自我改进：基础与理论极限
研究者提出了一个基于有界验证与隐蔽终端随机性的理论框架，用于形式化分析 Agentic AI 系统的验证能力与自我改进极限。研究证明，在统一完备解释器与固定验证协议下，一致有界的递归自我修改仍严格保留在同一验证复杂度类内。框架还将自我改进声明与正确性、容许证据及条件选择误差控制等要求直接绑定。
arXiv cs.AIAI 评分4545 工具调用 AI 智能体的受控遗忘机制：可逆上下文整理实践
受控遗忘机制允许工具调用 AI 智能体将历史工具输出替换为简短注释并归档以供恢复，无需特定模型训练。在 OpenTelemetry 调试测试中，该方法使 prompt token 从 912,492 降至 231,951，累计输入 token 减少 50%，预估 API 成本从约 4.38 美元降至 1.28-1.44 美元，但耗时增加 17%。其资源节省表现高度依赖具体工作负载。
arXiv cs.AIAI 评分4545 Synthesis Through Simulation (STS)：通过 Agent 与系统交互生成连贯企业数据
研究者提出名为 Synthesis Through Simulation（STS）的免 schema 数据合成范式，利用 LLM Agent 在模拟企业环境中调用策略 API 执行操作来生成连贯数据。
TechCrunch · AIAI 评分3434 Amazon 放弃数据中心保密协议，AI 智能体盯上用户信用卡
Amazon 宣布在与地方政府谈判数据中心交易时停止使用保密协议（NDA），跟进今年早些时候 Microsoft 的类似举措，以缓解公众对 AI 基础设施秘密开发的抵制。与此同时，新一轮初创企业正押注消费者会向 AI 智能体开放收件箱、文件与信用卡权限，但外部智能体仍面临主流平台设立的准入限制。
TechCrunch · AIAI 评分4444 Amazon 等停止对数据中心交易保密，这足以建立信任吗？
Amazon 宣布在与地方政府谈判数据中心交易时停止使用保密协议（NDAs），此前 Microsoft 也在今年早些时候采取了类似举措。保密做法曾引发公众对 AI 基础设施的强烈反对，导致从纽约到旧金山出现了数百项拟议或生效的暂停令。与此同时，押注 AI 智能体接管用户邮箱与支付权限的初创公司也同样面临信任考验。
AWS Machine Learning Blog精选AI 评分6666 Postman 如何基于 Amazon Bedrock 为 4000 万开发者运行 Agent Mode
Postman 与 AWS 联合拆解了 Agent Mode 接入成熟软件的生产架构，核心解决工具膨胀与上下文治理瓶颈。系统通过向量检索将 170 多个工具动态精简至约 15 个，并采用专用上下文处理器替代渲染层数据，同时解耦了界面状态与工具操作。底层基于 Amazon Bedrock 调用 Claude 模型，配合跨区域推理与多层 Prompt 缓存应对流量突发并降低成本。
推荐理由：原文结合生产实测指出了工具膨胀门槛与上下文瓶颈，展示了成熟软件接入智能体时的工程化落地方案。
AWS Machine Learning BlogAI 评分4040 AWS 汇总 2026 年 9 月 AI 构建者更新
AWS 汇总了 9 月在 Amazon Bedrock、AgentCore 及 Strands 的重要更新，包括公测支持 OpenAI 模型的托管智能体及上线多款前沿模型。
The Verge · AIAI 评分5656 AI 智能体 Instinct 实测：纯短信交互能否在巨头竞争中突围
The Verge 实测了估值 100 亿美元的个人 AI 智能体 Instinct，评估其在面对 Meta 的 Muse 与 OpenAI 的 Dots 竞争时的实际表现。
SolidotAI 评分2929 人类愿意向女性形象的 AI 智能体支付的报酬低于男性形象智能体
爱尔兰 Limerick 大学一项涉及 189 人的研究显示，在底层技术相同的情况下，人类在 VR 办公室中向女性形象 AI 智能体 Johanna 支付的报酬比男性形象 Johan 低 10%。同时，Johan 还被参与者认为比 Johanna 更像人类。不过，该研究的实验数据被指存在严重不足，可能不足以支持上述结论。
The Verge · AIAI 评分6565 The Verge 实测亚马逊 Alexa Plus：更擅长管家，但难当个人助理
The Verge 对亚马逊生成式 AI 语音助手 Alexa Plus 进行了为期一年的实测，认为其在自然语言家居控制、多步骤指令及例程管理上显著进步，但在个人助理场景中仍不成熟。
Simon WillisonAI 评分5454 Simon Willison 博客上线通讯归档页面，全程借助 Codex 语音模式辅助开发
Simon Willison 借助 ChatGPT 桌面端 Codex 的语音对话模式，在做饭期间通过纯语音交互为其个人博客开发了通讯（Newsletters）索引页面。
The Decoder精选AI 评分7676 OpenAI 解雇三名安全研究员引发信任危机，涉事员工发公开信质疑监督机制
OpenAI 解雇了参与 Hugging Face 安全调查的 Tomek Korbak 等三名安全研究员，引发三人在公开信中指责公司破坏安全监督并制造内部恐慌。被解雇员工表示曾多次预警模型思维链监控能力下滑，并要求公司兑现外部安全审计与前沿模型可监控性承诺；OpenAI 回应称解雇是因违规处理敏感信息，与提出安全担忧无关。
推荐理由：事件梳理了前沿模型思维链可监控性的分歧，有助于理解头部机构在智能体安全与内部治理上的拉扯。
Scientific AmericanAI 评分6969 实测把密码交给 Meta Muse 与 OpenAI dots 一周的日常体验
作者将个人账户密码授权给 Meta 的 Muse 与 OpenAI 的 dots 智能体深度实测一周，对比两者在搬家杂务与账号代管中的实际能力。Muse 深度集成社交与银行等权限且能自主购买家具，但易受营销诱导并多次推销商品；OpenAI dots 擅长常识推理与垃圾邮件检索，却频繁触发第三方平台的防机器人封禁。
The DecoderAI 评分5757 Anthropic 的 Claude Science 绘制出完整全天紫外线地图
Anthropic 的 Claude Science 协调多个 AI Agent 完成了首幅完整全天紫外线地图的构建。该系统从多项太空任务中下载并校准观测数据，利用图像修复技术补全了 NASA GALEX 任务遗漏的亮星形成区，测试中预测值与实际测量值的平均偏差约为 10%。该成果旨在作为教学材料，并展示 AI 分担繁琐科研数据处理工作的可行性。
量子位AI 评分4545 Aether AI 具身因果系统 CRIS-0 亮相：实现 0.2 秒急停与秒级重规划
Aether AI 公布具身因果系统 CRIS-0 演示，使机器人能基于物理因果规律应对突发扰动，实现 0.2 秒安全急停。在咖啡制作干扰测试中，系统可在平均 2 秒内完成实时重规划并在 10 次扰动中实现 9 次有效恢复；在模糊指令测试中，其对 20 条任务实现了 18 次精准抓取与放置。
量子位AI 评分3535 联想天禧自研代码智能体 TianxiCode 斩获 SWE-bench-Live 全球第一
联想天禧AI自研代码智能体框架 TianxiCode 配合 DeepSeek-v4.1-Flash，在软件工程评测 SWE-bench-Live（Lite分榜）中以 71% 的问题解决率登顶全球第一，并通过官方审查获得 Verified 认证。该框架具备跨文件多跳检索、自驱动规划与多轮工具调用、闭环补丁生成与测试驱动自愈能力，未来将应用到联想 AI 硬件产品中。
量子位AI 评分7070 TRAE 正式将 Code 与 Work 双端合一
TRAE 正式将 TraeCode 与 TraeWork 双端融合成统一的新版 TRAE，提供支持多智能体协作的 Agent 模式与保留经典编辑体验的 IDE 模式。用户可以在全局工作台中并行分发需求、设计、编码和测试任务，相关交付文档与报告会自动归整至产物管理区并支持一键切换到 IDE 调整代码细节。新版本还提供模版库，并支持绑定飞书、微信以及手机端跨平台同步任务进度。
arXiv cs.LGAI 评分4242 MemoWM：世界模型如何改变智能体需要记住的内容
研究者提出 MemoWM 框架，利用世界模型的共享预测压缩长期 AI 智能体保留的经验信息并重构省略内容。在 5 个长期智能体记忆基准上，MemoWM 取得 42.42% 的平均回答准确率，比最强基线高出 2.62 个百分点，同时相比存储效率最高的基线 MIRIX 减少 53.9% 的平均经验存储。该项目相关代码已开源。
arXiv cs.LGAI 评分3636 表格数据对话式任务消歧：防泄露形式化定义、基准套件与训练
针对表格数据对话式任务消歧中的 oracle 信息泄露问题，研究者提出了解耦提问与求解策略的形式化框架，并推出统一 6 个消歧数据集的 text-to-SQL 基准套件 AmbiTab。该框架提供了免裁判泄露诊断指标，并通过强化学习训练提问策略。实验表明，训练后的提问策略在全部 6 个数据集上提升了消歧指标，并在 5 个数据集上提高了任务成功率。
量子位AI 评分6969 MirroS 发布 AgentGarten：结合代码物理引擎与神经渲染的智能体交互演练平台
MirroS 团队发布开源智能体演练平台 AgentGarten，将代码驱动的确定性物理引擎与实时神经渲染器相连接。平台通过代码定义物理碰撞与几何草图，利用神经渲染器以超过 30 fps 的吞吐流式输出拟真画面，并借助智能体自主记录的文字实验手册实现跨轮次策略演进。相关技术报告与代码已同步在 GitHub 和项目主页公开。
量子位AI 评分6161 openJiuwen 发布并开源企业级 AgentOS
开源 AI Agent 平台 openJiuwen 正式发布并开源企业级 AgentOS，旨在解决多智能体协同、经验沉淀与安全隔离等企业落地难题。系统采用插件化架构，支持任务编排、自演进优化、多租户沙箱与算力调度，并联合硬件生态推出一体机加速方案以实现小时级私有化部署。目前相关代码已在 GitHub 与 AtomGit 开源。
量子位AI 评分7070 谷歌发布办公智能体 Gemini Agent，支持调用 Claude 模型并具备独立企业身份
Google Cloud 正式发布企业办公智能体 Gemini Agent，支持多模型编排并可在自家 Gemini 与 Anthropic 的 Claude 系列模型之间动态路由调用。该智能体可配置独立的 Google Workspace 账号、企业邮箱与日历，具备会话、语义、程序性及情景四种记忆机制，能够自主编写 Skills 并跨应用协作完成长期工作任务。
PhoronixAI 评分5050 Linux 内核提案拟引入 AI 智能体资源与技能辅助开发者
上游 Linux 内核最新提案计划引入 AI 智能体资源基础设施。初期这些资源将用于提供特定技能，使 AI 智能体能够自动在相关补丁中添加“Fixes: ”标签，从而自动标出该补丁修复的首个问题 Git 提交。
Latent SpaceAI 评分3636 AINews：OpenAI 解雇三名安全研究员，GPT-6.1 Sol Ultrafast 与 Claude Haiku 5.5 发布
OpenAI 因涉及外部审计及 Agent 逃逸安全事件解雇了三名安全研究员，涉事员工指责公司优先考虑商业利益。模型方面，OpenAI 推出速度提升至 8 倍的 GPT-6.1 Sol Ultrafast，输入与输出每百万 token 定价 $12/$60。
NVIDIA BlogAI 评分4848 开发者如何借助前沿 AI 智能体构建 NVIDIA Omniverse 仿真
开发者正将 GPT-6 Astra 等前沿 AI 智能体与 NVIDIA Omniverse 结合，通过自然语言指令快速构建物理 AI 与数字孪生仿真应用。相关实践包括从实景扫描重建可编辑仓库结构、开展燃气轮机故障假设分析，以及调用包含超 2,000 个 USD 资产的 SimReady Central Library 搭建场景。
NatureAI 评分6666 AI 会抢先发表科研成果吗？部分学者担忧被 AI 抢先而收紧工具使用
随着 AI 智能体自主科研能力提升，近期多位科学家公开质疑 OpenAI 与 Anthropic 在其未发表成果公开前后抢先发布了类似研究突破，引发对上传数据可能被用于训练的担忧。OpenAI 与 Anthropic 均明确否认使用过相关用户的未公开交互记录进行训练，但持续的信任危机已促使部分实验室开始禁止向商业大语言模型上传未公开研究数据。
AWS Machine Learning BlogAI 评分5555 BlockRun 与 Incarna 如何利用 Amazon Bedrock AgentCore payments 实现 AI 智能体按次推理付费
AWS 介绍了 Incarna 与 BlockRun 利用 Amazon Bedrock AgentCore payments 实现 AI 智能体按次推理付费的架构方案。
TechCrunch · AIAI 评分7373 Google 为 Gemini 引入企业级智能体
Google 在 Google Cloud 活动上为 Gemini 推出统一智能体，率先面向企业客户开放，能够根据目标自主规划任务、编写代码及安排日程。该智能体默认调度最优模型，也支持切换至 Anthropic 的 Claude 等第三方模型及连接 MCP 服务器；它拥有专属 Workspace 账号和邮箱，能直接接入企业内部系统协作。
Solidot精选AI 评分7676 Manus 完成逾 5 亿美元融资且投后估值达 40 亿美元
中国 AI 智能体企业 Manus 母公司蝴蝶效应完成超过 5 亿美元融资，投后估值达到 40 亿美元。本轮融资由博裕资本和 IDG 领投，腾讯、红杉中国及真格基金跟投，创始人肖弘也已解除边控。此前 Meta 曾计划斥资 20 亿美元收购 Manus，但该交易被监管部门要求撤回。
推荐理由：该报道梳理了 Manus 在跨国收购受阻后的巨额融资与投后估值，读者可以借此了解中国智能体初创企业的资本动向。
The Verge · AIAI 评分5656 Google 推出面向企业工作任务的通用 Gemini 智能体
Google 在 Gemini at Work 活动上推出面向企业的通用 Gemini 智能体，支持在后台跨应用与跨设备协同执行任务。该工具集成在 Gemini Enterprise 应用中，可连接 Workspace 以及 Slack 和 Microsoft 365 等第三方应用并保持云端上下文一致，还能以专属邮箱身份或调用特定子智能体协同工作。目前该功能仅面向企业客户提供非公开预览。
TechCrunch · AIAI 评分6363 Goodfire 推出基于内部激活监控的 AI 智能体防护工具
AI 可解释性初创公司 Goodfire 推出基于模型内部状态的监控工具，已面向 Baseten 客户上线，旨在以更低成本监测失控 AI 智能体的越轨行为。该方案通过轻量探针直接复用模型前向传播中已有的中间激活值进行分类，仅在异常时触发二次复检；在针对 Kimi K3 的测试中，其监控 1500 个会话仅耗费约 51 美元，拦截了 94% 的恶意黑客行为，且首字延迟增加不到 2%。