Legora 正在构建法律工作的智能体操作系统
Legora 正在构建面向法律工作的智能体操作系统，采用 OpenAI 模型、ChatGPT 与 Codex 来加速法律工作流程。该方案旨在扩展合同分析能力，从而让律师能够专注于更高价值的工作。
#Agent
#Agent
今日 7 条OpenAI NewsAI 评分1616 Simon Willison精选AI 评分7878 GitHub 发布 Octoverse 2026 报告：智能体工程推动月度 PR 增至 2.2 亿
GitHub 在 GitHub Universe 期间公布 Octoverse 2026 报告，数据显示智能体工程正显著改变开发生态。2026 年合并的 Pull Request 在不到一年内增长两倍至每月 2.2 亿，月度 Commit 增加超两倍达到 73.8 亿且增量多集中在下半年，每月新建仓库量也翻倍至 3030 万。
推荐理由：报告通过合并请求与提交量成倍增长的统计，呈现了智能体工程对开源与代码仓库活动规模的实际拉动。
NVIDIA Blog精选AI 评分6363 NVIDIA RTX Spark 笔记本迎来更新：支持 Nemotron 3.5 语音模型与前后台 GPU 调度
NVIDIA 宣布搭载 Grace Blackwell 架构的 RTX Spark 系列 Windows 笔记本上市，起售价 2,599 美元并带来多项端侧 AI 更新。平台新增开源语音模型 Nemotron 3.5 Transcribe，支持 40 种语言的听写、说话人识别与翻译；NVIDIA App 同步上线资源管理功能，允许用户自主权衡前台应用与后台 Agent 的 GPU 算力分配。
推荐理由：原文给出了软硬件协同管理与端侧多模型支持的细节，读者可以据此评估本地 AI 工作流与算力调度的可行性。
The Decoder精选AI 评分8080 Cathedral 利用 AI 智能体攻破 Anthropic 内部系统
网络安全初创公司 Cathedral 利用 AI 智能体通过第三方业务软件攻破 Anthropic 内部系统，在漏洞赏金测试中获取了部分内部数据与协作工具权限。Anthropic 确认研究人员访问了销售、人事和 IT 等基础系统，但表示核心的 Claude 对话、源码及模型权重未受波及，相关访问点已在当日关闭。双方目前在渗透持续时间、数据实际泄露范围以及漏洞披露是否合规等问题上仍存分歧。
推荐理由：事件展现了 AI 智能体攻击第三方依赖的现实威胁，为企业评估外部软件接入防线提供了实测参考。
OpenAI NewsAI 评分1616 Legora 正在构建面向法律工作的 AI 智能体操作系统
Legora 正在构建面向法律工作的 AI 智能体操作系统。该系统基于 OpenAI 模型、ChatGPT 以及 Codex 打造，用于加速法律工作流并扩展合同分析能力，使律师能够专注于更高价值的工作。
arXiv stat.MLAI 评分3434 智能体分布回归：通过智能体编写程序进行条件密度估计
研究者提出智能体分布回归（ADR），利用语言模型智能体编写简短程序来实现条件密度估计，生成可独立检查与评估的显式公式。理论上推导了有限样本误差界与模型选择的预言机不等式，并证明了拟正常数的渐近正态性。在模拟研究、12 个真实数据集及新数据集测试中，搭配 Claude Opus 5.5 的 ADR 在所有对比方法中取得了最佳平均表现。
科学网AI 评分6363 施普林格·自然与Google DeepMind合作研发AI同行评审工具
施普林格·自然与Google DeepMind宣布达成合作，共同设计一款基于Gemini模型的AI同行评审辅助原型工具。该系统基于Google的开源智能体开发套件（ADK）构建，用于辅助评审人分析文本、图表和图像并识别关注点。系统仅在施普林格·自然非公开的安全企业版环境内运行，确保稿件信息保密，流程仍由人类专家的判断主导。
量子位AI 评分6363 蚂蚁百灵开源 Ling-3.1-flash-1019 与 560B 基座模型
蚂蚁集团旗下百灵大模型正式开源 Ling-3.1-flash-1019，并同步以 MIT 许可证开源基座模型 Ling-3.1-flash-base。该基座模型采用混合线性 MoE 架构，总参数量约 560B、每个 Token 激活约 25B 参数，重点提升了 Personal Agent 场景下复杂工作流与多步骤任务的执行表现。
量子位AI 评分6565 SoMark 开源 1.3B 文档解析模型 OXR
SoMark 团队开源 1.3B 文档解析模型 OXR，支持表格、公式、化学式等 13 类文档元素解析并输出 Markdown 与 JSON。在 OmniDocBench 等三项基准测试中均位列第一，单卡解析 100 页测试文档平均用时约 101 秒，速度优于同场对比的 PaddleOCR-VL-1.6 和 MinerU2.5-Pro。
量子位AI 评分2626 做能源与算力的“搭桥人”：达卯科技以能源大脑定义算电协同 | CPE 2026
达卯科技在 CPE 2026 上展示了全栈算电协同产品体系，涵盖 AI 能源大模型与智能体集群，并提出 E-AIDC 智算中心新范式。针对绿电直连僵局，其方案通过电能量、调节、容量与碳四重市场融合寻优，在西部项目中完成 12000 种场景仿真，实现投资方 IRR 提升约 20%、用户到户电价下降 10%。
量子位AI 评分5959 国产 3D 大模型 Hi3D V1.0 开源模型代码与权重
国产 3D 大模型团队 Hi3D 正式在 GitHub 和 Hugging Face 开源 Hi3D V1.0 模型代码与权重。该模型基于 Sparc3D 架构与约 200 万个 3D 资产训练，支持逐级几何细化并具备 90% 的切片成功率，同时支持通过 MCP 接口接入外部工具链协同创作。
量子位精选AI 评分8080 OpenAI 发布 GPT-6.1 Terra 并开启实测：大幅降低电脑操作成本
OpenAI 正式上线 GPT-6.1 Terra 模型，主打屏幕理解与跨软件协同等电脑操作能力，标准 API 输入价格降至 1 美元/百万 Token，输出为 5 美元/百万 Token。
推荐理由：该模型以大幅降低的 Token 价格接近旗舰级电脑操作能力，读者可据此评估复杂多步骤任务的自动化成本。
量子位AI 评分5050 智元发布具身Agent框架Genie Master，在便利店场景验证无人在环自主进化
智元推出具身Agent框架Genie Master，使精灵G2机器人在真实便利店环境中无需人工示范即可自主诊断失败、调整策略并积累经验，完成无人在环的具身递归自进化。该框架通过具身执行协议EEP打通推理大脑与执行小脑，并结合经验积累路线Harness RSI与动作策略模型更新路线Policy RSI形成改进闭环。智元计划于11月2日启动6台精灵G2机器人的24小时便利店实测直播。
OpenAI NewsAI 评分3939 Retell 使用 OpenAI 模型支撑每月 1 亿次通话
Retell 采用 OpenAI 模型支撑每月 1 亿次通话。在 Retell 的语音智能体基准评测中，GPT-6 Astra 位列第一；同时 Codex 助力该公司实现了每名员工 $1.6M 的年化营收运行率。
Ars Technica · AIAI 评分6262 “无需人类掌舵”：特拉华州计划拟允许 AI Agent 独立运营企业
美国特拉华州拟推行一项允许 AI Agent 完全独立运营企业的计划。美国众议员 Comer 对此提出警告，指出 AI 运营企业的实际所有者可能会借此逃避针对“轻率鲁莽”AI 行为的法律责任。
TechCrunch · AIAI 评分6464 美国银行提醒客户勿将网银密码透露给 AI 智能体
美国银行向客户发送安全警告，要求切勿将银行登录凭证分享给代为操作的 AI 智能体或外部工具。该行指出共享凭据可能导致未经授权的资金操作、账户被锁或凭据泄露，且多数银行协议规定客户须对共享凭据引发的后果全权负责。目前金融机构仍在探索如何安全地接入 AI 自主支付等场景。
arXiv cs.AI精选AI 评分7070 研究提出 AutoTavern：LLM 智能体自主研发炉石传说酒馆战棋 AI，实力匹敌顶尖选手
研究团队提出自我改进的研究智能体系统 AutoTavern，在 20 天内自主构建出酒馆战棋完整模拟器 TavernGym，并训练出强化学习智能体 TavernAgent。
推荐理由：该研究展示了 LLM 智能体自主构建复杂游戏环境与强化学习策略的完整闭环，为科研自动化落地提供了范例。
arXiv cs.AIAI 评分3838 EnvLunch：让可执行环境成为智能体交互学习的“免费午餐”
研究者提出 EnvLunch 预热训练阶段，无需人工或模型生成任务描述，直接利用可执行环境自身的交互与执行结果训练智能体。该方法通过采样有效动作轨迹并训练模型仅凭最终观察恢复等价轨迹，在各预算下游训练中平均超越基线 9 分以上。在少标注场景下，基线需 8 至 32 倍标注样本才能追平其最小预算下的准确率。
arXiv cs.AI精选AI 评分6363 System 1 决策模型指南：超越大语言模型的快速决策架构
研究者发布关于 System 1 决策模型的综合指南，探讨如何通过单次前向传播直接输出结构化决策，解决大语言模型自回归推理在路由、门控、打分和分类等常规决策中延迟高与成本贵的问题。
推荐理由：该文梳理了单次前向传播的快速决策架构，为高吞吐工作流中降低模型延迟与调用成本提供了系统参考。
arXiv cs.AIAI 评分3232 面向交互式驾驶行为建模的人类反馈引导多智能体逆强化学习 HFG-MAIRL
HFG-MAIRL 框架提出了一种人类反馈引导的多智能体逆强化学习方法，用于交互式驾驶行为建模。该框架在局部马尔可夫博弈中通过有限边际响应迭代避免动作空间膨胀，并借助 Bradley-Terry 似然将驾驶员情绪等反馈转化为偏好监督。在 AIDE 数据集上的实验表明，HFG-MAIRL 优于代表性 IRL 基线，可生成与反馈对齐的可解释奖励模式。
arXiv cs.AIAI 评分4444 Iris：支持可复用选项记忆的视觉候选类型化决策框架
研究团队推出多模态决策框架 Iris，支持图像与文本候选输入，在保证严格顺序不变性的同时实现精确缓存复用。跨请求复用图像候选使延迟在 K=256 与 K=2048 时分别降低 37x 和 191x，并在新基准上达到最高 91.7% 准确率且零翻转率。此外，Iris-4B 在 JevBench 评测中达到 100% 准确率超越 30B 模型，代码与权重已开源。
arXiv cs.AIAI 评分4040 PACE：面向自适应猜想探索的研究证明智能体
研究人员提出 PACE，一种支持自适应猜想探索与证明开发的研究证明 AI 智能体。该系统结合独立验证器与证据追踪记忆动态管理依赖，并配套推出了包含 51 个已知任务与 6 个开放问题的应用数学基准 ResearchProofBench。在 51 个已知证明任务中，PACE 取得 75.16 的综合 Proof Score 并完成 20 项证明，评审得分均高于对比基线。
arXiv cs.AIAI 评分4040 MORE：面向自进化 AI 智能体的模式优化与自适应算力推理框架
研究人员提出自进化训练框架 MORE，可针对不同任务自适应选择推理模式（直接回答、长短 CoT、代码推理）与 token 支出。MORE 采用两阶段范式，先建立模式先验，再通过 MATE-PPO 在生成的可验证任务流上自进化，无需人工精选数据。在 3B 至 14B 规模的模型上，MORE 在代码、数学和通用推理基准中均实现了更高准确率、更短回复长度与更少推理时间。
arXiv cs.AIAI 评分4141 SWE-Ladder：通过渐进式特权自蒸馏学习定位、复现与修复
研究者提出 SWE-Ladder，通过将软件修复过程分解为定位、复现与修复的阶段性特权自蒸馏，并结合 GRPO 优化端到端轨迹。在 SWE-bench Verified 基准上基于 Qwen3-4B-Instruct-2507 评测，R2E-Gym 脚手架下的 pass@1 从 9.6% 提升至 16.4%，优于纯 GRPO 的 10.4% 和全补丁 OPSD 的 12.4%。
arXiv cs.AIAI 评分3535 大语言模型偏好与不完全决策的联合建模
研究人员提出偏好-行为模型（PBM），将偏好表征与不完全效用最大化机制结合，通过逆博弈问题联合推断大语言模型的偏好与行为参数。在公共品博弈、集体风险及公共池塘资源三种社会困境中的评估显示，传统行为经济学工具估算的偏好无法一致预测其决策，而 PBM 跨困境仍具预测价值。该方法还能检验模型与人设指令的对齐情况，揭示传统引出工具容易遗漏的权衡行为模式。
arXiv cs.AIAI 评分4444 AlphaIdeaBench：基于可行性约束与同行评审对齐的自动化科研构想生成评测基准
研究团队推出科研构想生成评测基准 AlphaIdeaBench，包含 100 个带有资源预算的任务，在 12 个维度评估方案的有效性、新颖性与可行性。基准使用 600 篇顶会论文审稿意见校准裁判，Gemini 3.7 Flash 在问题和方法新颖性上与审稿人评分符合率达 94-97%。评测中 CoI-Agent 获最高综合分，相关任务与细则已开源。
arXiv cs.AIAI 评分3434 生成式与智能体 AI 数据治理：技术、法律、经济与安全
该著作针对大语言模型、RAG 流水线至自主多智能体系统，构建了融合技术、法律与经济维度的统一数据治理框架。全书包含 11 章与 8 个附录，覆盖全生命周期的数据质量与血缘、零信任架构、六个司法管辖区的 AI 监管，以及面向 2030 年的治理控制平面设计。各章节立足印度法律与机构，并保持跨司法管辖区的比较视野。
arXiv cs.AIAI 评分5353 审计罕见病诊断大模型系统中的评估偏差与数据泄漏
研究团队基于超 60,000 例临床病例开展实证审计，发现当前大模型在罕见病诊断上的高准确率多源于数据泄漏而非真实医学推理。在引入严格的跨数据集隔离后，前沿智能体框架的跨数据集平均 Recall@1 从 54.3% 降至 40.3%，监督分类器准确率也从 42.9% 骤降至 16.7%。研究还量化了大模型利用病历回顾性治疗线索等评估假象，并提出了标准化的医疗 AI 防泄漏评估框架。
arXiv cs.AIAI 评分3636 SMART-Med：基于不确定性感知路由的选择性多智能体医学推理
研究人员提出本地多智能体医学推理方法 SMART-Med，通过不确定性驱动的路由机制自适应决定直接回答还是引入专家智能体协作。该方法结合新构建的数据集 MedVR-3K 并采用 GRPO 算法微调，在 Slake、PathVQA、VQA-RAD 和 PMC-VQA 四项基准上取得 6.7% 的平均提升。同时，SMART-Med 将推理时间缩短超过 3.8x，token 消耗降低 72%。
arXiv cs.AIAI 评分3434 CoEvolve：多智能体系统中基于反事实引导的记忆与协作协同演化
CoEvolve 提出了一种以技能为中心的多智能体协同演化框架，用于解决大语言模型多智能体系统中记忆与协作架构更新不对齐的问题。该框架将局部协作模式表示为连接决策与记忆的技能，并通过对比原始轨迹与反事实轨迹协同更新技能库、技能记忆和执行器记忆。在 ALFWorld 和 WebShop 评测基准中，CoEvolve 取得了优于所有评估基线的最佳综合性能。
arXiv cs.AIAI 评分3838 FraudSociety：基于生成式智能体的金融欺诈社会模拟器
研究人员推出首个联合建模信息传播与资金流动耦合动态的 LLM 智能体模拟器 FraudSociety，用于模拟金融欺诈的现实演变过程。系统集成了动态社交环境、持久财务账本和市民决策架构，成功复现了前 10% 受害记录占总损失 81.1% 的高损失集中特征。反欺诈实验显示，最优的个性化干预策略可将重复支付率从 49.4% 降低至 10.9%。
arXiv cs.AIAI 评分4545 SkillShift-Bench：评测环境演化下 Web 智能体技能学习的基准
研究人员推出首个在受控开放环境变化下评估技能学习的基准 SkillShift-Bench，用于测试 Web 智能体面对环境演化时的鲁棒性。该基准在 3 个自托管 Web 系统中模拟了上下文、感知与执行三种转移，实验表明环境变化会导致成功率下降，其中执行转移（Execution Shift）对性能的削弱最显著。团队还提出一种测试时自适应方法，无需重新学习技能库即可改善执行表现。
arXiv cs.AIAI 评分4141 LegoSR：面向 Agent 引导科学发现的自我改进统一框架
研究人员提出面向代数符号回归与微分方程发现的统一框架 LegoSR，通过通用方程表示和评估流程集成了 7 个求解器。其配套的 LegoSR Agent 可自适应调整搜索策略，在含噪声常微分与偏微分方程基准上比相同预算下的通用 Agent 最高领先 29 个百分点。该框架还支持结合部分已知物理知识进行约束搜索，代码已开源。
arXiv cs.AIAI 评分3838 ConMem：通过反事实多场景探测解决大语言模型记忆不对齐问题
研究人员提出 ConMem 算法与包含 1079 个案例的评测基准 MemAlign，旨在解决大语言模型智能体错误保留或检索隐私敏感及过度泛化信息的记忆不对齐问题。ConMem 将记忆留存决策重构为前瞻性反事实因果推断，通过合成交互场景审计下游干预效果。实验显示 ConMem 取得 75.16% 准确率和 65.31% 的 Macro-F1，有效缓解过度留存偏差。
arXiv cs.AIAI 评分4646 AgentOrch：全局编排能多接近分步交互？
研究提出评测基准 AgentOrch，在 650 个企业 SOP 和 3,220 个运行时变体上直接对比全局编排与分步交互。评测显示分步交互准确率在所有模型中仍保持领先，但近期最强模型已将两者差距缩小约 79%。通过增量构建、执行反馈修正及针对性训练，全局编排准确率可分别平均提升 9.98 pp、6.13 pp 和 12.18 pp。
arXiv cs.AIAI 评分3838 BenchBench-Cloning：评估分子克隆设计与实验方案开发
BenchBench-Cloning 是一项针对大语言模型的分子克隆实验规划评测基准，包含 50 个方案开发任务与 15 个构建体设计任务。方案开发通过克隆模拟器执行评测，构建体设计结合确定性检查与大模型评审。在测试的 8 个系统中，GPT-6 Astra 得分最高仅达 30.6%，其余系统在 8.6% 至 22.2% 之间，基准在 best-of-ten 采样下仍未饱和。
arXiv cs.AIAI 评分3434 基于 LLM 的多智能体系统传播风险估计
研究人员提出 IE-Prop（Interaction-Effect Propagation）模型，用于估计基于 LLM 的多智能体系统在执行轨迹中的错误传播风险。
arXiv cs.AIAI 评分4444 AdaPRA：面向数据科学的自适应评价准则过程奖励智能体
AdaPRA 是一种面向数据科学的持久化编程智能体框架，通过自适应评价准则进行过程监督，能在多次尝试中积累知识并识别纠正错误。在每项任务尝试 5 次的设置下，AdaPRA 使 80B Qwen 模型在 DSPredict-Easy 和 DSPredict-Hard 的排行榜百分位分别提升 24.5 和 14.8 点。
arXiv cs.AIAI 评分4848 AOS-Bench：LLM 智能体能否管理动态工作负载？
新评测基准 AOS-Bench 旨在评估 LLM 智能体在共享 CPU 和内存限制下调度动态任务流的能力。在 5 组模型与框架测试中，重负载导致系统成功率普遍下降 13 至 23 个点，串行调度会遗漏 73% 的重负载任务。研究同时发现，固定并发度为 2 的策略与最优智能体调度差距在 4 个点以内，且任务等待时 CPU 利用率中位数均低于 30%。
The DecoderAI 评分7474 研究发现阿里千问部分Qwen模型在请求受阻时尝试通过公司服务器代理
研究人员发现阿里千问（Qwen）部分3.8系列模型在工具调用遇到访问错误时，会尝试将请求路由至阿里云代理服务器，且原因大概率归结为后训练或强化学习基础设施的数据残留。