跳到正文
  1. 机器之心83

    CyberArena 评测显示 466 场 Agent 攻防对局中动态对抗性能差距显著

    CyberArena 是一个对称式攻防竞技场,通过 22 个批次共 466 场有效对局评估 12 款前沿模型。评测显示,OpenAI 的 GPT-5.6 Sol 以 78.6 分位列第一,Anthropic 的 Claude Opus 5 以 73.8 分位列第二。

    推荐理由:研究指出静态评测高分模型在动态攻防中捕获率大幅下滑,揭示了实战与做题能力的显著差距。

  1. IT之家84

    DeepSeek 提出 Super-agent 架构设计:Router 与 Worker 双层架构,探索更自主的 Agent 系统

    DeepSeek Harness 团队发布文章介绍 Super-agent 架构,采用 Router 与 Worker 双层设计实现并行任务处理与持久在线。实验显示,Super-agent 在合成负载下的任务完成时间 p50 和 p95 分别为 12.4 分钟和 15.7 分钟,优于单 Session 方案的 29.5 分钟 p95 耗时。

    推荐理由:文章详细拆解了 Super-agent 的双层架构与异步机制,并给出了任务耗时和路由压力的具体对比数据。

  1. Hacker News AI77

    Rugsnare 发布:监控 MCP 服务器未审批的工具契约变更

    Rugsnare 是一款 CLI 工具,通过固定 24 个热门 MCP 服务器的工具契约哈希值,在升级时检测并分级未经审批的变更。作者在两周监控中发现 336 处契约漂移,包括 MongoDB 和 GitHub 等主流服务商的 Schema 静默收紧或工具重命名,该工具可作为 CI 门禁拦截此类安全风险。

    推荐理由:作者展示了MCP工具契约静默变更的普遍风险,并给出了可复用的检测工具来拦截未经审批的指令漂移。

  1. arXiv · NLP63

    Salesforce 发布企业级智能体模型 Koa,基于 Nemotron 后训练提升工具调用成功率

    Salesforce 发布企业级语言模型 Koa,该模型基于开源权重 Nemotron-3-Super-120B 基础模型,使用 Group Relative Policy Optimization (GRPO) 强化学习后训练,并部署为 FP8 格式。

    推荐理由:论文展示了基于开源模型和纯公共/合成数据构建企业级工具调用智能体的路径,并在基准上超越了 GPT-4.1。

已经到底了