Google DeepMind 发布 Gemini 4 Hydrogen
Google DeepMind 发布 Gemini 4 Hydrogen,提供 1M token 上下文,定价为 150 美元 / M input token 和 750 美元 / M output token。
Google DeepMind 发布 Gemini 4 Hydrogen,提供 1M token 上下文,定价为 150 美元 / M input token 和 750 美元 / M output token。
AWS 推出 Agent Development Lifecycle(Agent DLC)框架,提出包含六个活动(Define, Build, Evaluate, Release, Observe, Feed Back)和双重循环的智能体工程方法论,用于将 AI 智能体从原型推向生产环境。
AWS 官方团队发布了一个参考架构,展示如何通过 A2A 协议让不同组织、不同框架(LangChain 和 Strands)的智能体互操作并共享任务。该方案部署在 AWS 上,涉及 Amazon Bedrock AgentCore 和 Cognito,无需共享密钥,支持跨组织信任边界。系统使用三个 Jupyter Notebook 进行部署,并包含端到端测试以验证双向调用和鉴权机制。
AWS 在 Agent Toolkit 中新增 Amazon Bedrock Managed Knowledge Base 迁移指南,允许编码智能体协助用户将客户管理的知识库自动迁移至托管模式。
结合 Spring AI 与 Amazon Bedrock AgentCore 为 Java 团队提供构建自主 AI 智能体的完整方案,涵盖规划、工具调用及记忆功能。 该方案要求使用 JDK 21、Spring Boot 4.1 及 spring-ai-agentcore 2.0,通过单智能体旅行助手与多智能体文档处理示例展示生产级部署模式。
亚马逊发布 Bedrock AgentCore Web Search API,允许开发者通过单次 API 调用获取实时搜索结果。返回结果包含文本摘录、标题、URL 及发布时间,无需预先创建网关或目标资源。
AWS 发布 Amazon Bedrock 和 AgentCore 多项更新,包括 Claude Haiku 5.5 在 Amazon Bedrock 支持 subagent 场景,OpenAI GPT-6.1 Terra 在 Amazon Bedrock 上 GA,并带来 100 万输入 token 和更低价格。
推荐理由:原文汇总了模型可用性变化与 AgentCore 新增能力,读者可以据此判断现有 AI 工作流需要调整哪些部分。
DXC OASIS 基于 Amazon Bedrock 构建多模型 AI 基础设施,平均解决时间降低 95%。 涵盖 Anthropic Claude、Amazon Nova、Meta Llama 等模型,集成 Guardrails 与 PrivateLink 保障安全。
AWS re:Invent 2026 的 AI/ML 轨道提供超过 140 个独家会话,覆盖从 AWS Trainium 芯片、Amazon Bedrock 模型服务到 AgentCore 智能体开发的全栈技术。
AWS Frontier AI Engineering & Services 发布23项生产级可复用资产,覆盖 RAG 流水线与文档处理等,DoorDash 与 Ricoh 等已验证可将开发周期从数月压缩至数周。
AWS 推出框架无关系统 UAEF,利用 36 项内置指标和 7 个维度对 AI 智能体进行统一评估。 该系统通过适配器将 LangGraph 等框架的 Trace 标准化,结果存储于 DynamoDB 与 S3。 12 家机构使用 UAEF 对比智能体版本,通过生成报告实现评估与迭代的闭环。
AWS Quick 利用六个专用 AI 智能体构建 AI-PDLC 框架,协助团队加速产品开发。该框架整合企业数据,从客户信号生成经过验证的原型规范。 每个阶段都保留人工审批,Orchestrator 负责调度专项智能体。产出 prototype_spec.md 供 Kiro 或 Claude Code 等编码智能体执行开发。
Cogent 与 OpenAI 合作,为企业建设网络防御工厂。 该方案结合 OpenAI 模型与企业上下文,利用 Agent 自动修复漏洞。
团队发布开源决策模型 Drex 家族,Max 版在 Decision Index 0.4.1 上以 67.52 分创决策模型新高。 涵盖 8B 至 27B 参数规模,结合 RLAF 与视觉微调;Max 版单请求响应仅 183ms,远快于 GPT-6 Sol。 四款模型均开源,输出在选项重排下保持稳定,显著降低生产环境延迟与成本。
PrefReward 提出了一种基于显式偏好矩阵的个性化生成框架,利用 KL 散度奖励信号引导解码过程。 该方法包含提取用户风格倾向矩阵两个阶段,在 LongLaMP 数据集上生成质量优于检索基线。 该方法提升了个性化文本生成的可解释性。
研究基于 OASIS 框架构建了 13,835 个具有独特配置的 LLM Agent,模拟 20 个时间步骤内的社交媒体互动。 通过评估增加已验证新闻曝光的三种干预措施,发现将新闻上移至显著位置产生最大效应,且在性别、年龄和教育程度维度上表现稳定。 结果与人类受试研究强对齐,表明 LLM Agent 模拟可支持部署前早期评估,上移策略比增加新闻量更有效。
ARE-bench 发布 75 个基于真实研究者项目的任务,涵盖 7 个研究阶段、33 项需求及 1173 个二元检查项。 在七个前沿模型中,最强模型仅通过 66.2% 的任务所有检查项;一旦加入历史与工作区上下文约束,通过率骤降至 28.4% 至 40.0%。 这表明忽略上下文要求的评测会高估研究 Agent 的真实交付能力。
BioMem 研究提出 HMRU 框架,在生物医学问答与对话记忆基准上平均提升 8.6%。 该无训练框架同时增强证据可及性与任务感知利用,降低对话回答错误 24.9%。 HMRU 弥补了 48.0% 的全上下文推理性能差距,适用于临床预测等场景。
summary_zh: 研究指出,Thyme 和 DeepEyesV2 等多模态智能体在引入工具调用后,并未带来一致的整体性能提升,也未可靠降低生成 Token 成本。
研究人员发布StakeBench评估框架,将560,876条评论与Polymarket及Manifold的市场数据挂钩,通过四组诊断任务测试模型对市场承诺的识别能力。
研究测试了 LLM、RAG 和 Agentic 搜索在无效 Bug 报告细分及无代码修复生成中的表现。 子类细分中 RAG 加权 F1 达 0.66 最高;无代码修复生成中 Agentic 搜索 Judge LLM 成功率达 68.9%。 旨在解决手动处理无效报告造成的资源浪费,相关成果已提交 IEEE TSE 审稿。
KAIROS 是一种面向智能体 AI 服务的上下文感知功耗优化系统。它将智能体上下文作为首要控制信号,联合管理 GPU 频率、单实例并发及多实例请求分配,在降低功耗的同时避免内存抖动并维持性能目标。在软件和数据分析智能体任务评测中,KAIROS 平均实现 27% 的功耗降低(最高达 39.8%),且满足既定性能指标。
基于大语言模型(LLM)的智能体管线将可视化评估与超参数优化视为语义任务,通过迭代循环自动产出高质量可视化图。 该系统结合定量评估与 LLM 模拟的人类定性判断,生成包含描述性总结和可操作配置建议的多维度报告,以解决高维数据降维中人工调参的高强度负担。
该论文提出首个自动化协同重命名的多智能体框架,通过Scope Inference、Planned Execution和Replication Agent协同工作,减少开发人员手动传播重命名变更的负担。 框架基于IDE受信重构API执行变更,前期研究分析了100个开源项目中609K次提交的实践,并调查了205名开发人员的需求。
研究提出将 LLM 智能体整合进人类监督的风险协商流水线,通过检索增强生成处理多利益相关方冲突。 采用 Nash 议价解与 Pareto 最优性指标评估候选方案,并在 Campylobacter 食品安全及橡 processionary 蛾管理两个实际场景中完成可行性验证。 框架为 AI 辅助风险协商提供了蓝图,但 LLM 在效率与决策质量上的具体增益需进一步比较评估。
RAS-Eval 利用 LTL 规范和模型检查器确定性评估 LLM 智能体安全,消除 LLM-as-a-Judge 的幻觉风险。 该框架通过监控执行过程检测被覆盖的瞬态违规,配套数据集含 200 个正常任务和 800 个覆盖四类攻击面的攻击任务。
该综述首次形式化定义 Agent 蒸馏,即师生 Agent 间的持久知识转移。 基于知识驻留位置(模型、工件或框架)构建分类体系,分析跨载体路径及混合策略。 为研究高效、自进化 Agent 提供统一基础,评估无教师支持下的保留率与实用性。
summary_zh: Messier 发布了一个包含 923,158 条记录的高分辨率语料库,覆盖 30 个基准、745 个智能体和 11,891 个任务。 该语料库统一了异构组件,研究发现前沿进展不均衡,编程领域改善最快,企业工作流最具挑战性。
TRACE 提出两阶段训练课程,解决参数化工具检索中知识遗忘与解码缓慢问题,支持实时生产部署。 Stage 1 用 LoRA 复现 ToolSense 的多格式记忆 SFT 以植入工具知识;Stage 2 引入思维链与业务规则数据,生成 JSON 工具列表前输出推理痕迹。
Forethought 提出一种神经符号推理系统,通过将符号与神经基元组合成类型化领域特定语言来构建可验证的推理程序,在四个标准工具调用基准测试中,端到端准确率中位数相比直接提示提升 32%。 该系统在设计与执行时检查输出契约,明确划分保证与测量边界;配合小型开放模型可匹配前沿模型性能,且移除契约与控制层会抹去大部分收益。 结果表明丰富的符号编排器有助于构建更准确、可靠且可审计的语言模型智能体。
Einstein World Models 提出一种 LLM 推理框架,允许模型在推理过程中调用世界模块生成视觉时间线滚动,以支持超越语言限制的反事实思考。 该框架将视觉输出视为可检验的假设而非直接答案,扩展了 LLM 的工具调用能力至视觉思维实验领域。
针对健康领域 AI 智能体结论综合能力的未知,研究提出 9.21K 问题的 SciConBench 基准,并配套 SciConHarness 隔离环境以防止数据泄露。 在清洗后的评估中,前沿模型表现不佳,最佳智能体事实 F1 仅 0.337,远低于无约束环境下的估计。 研究还发现 Google AI Overview 等消费级产品常生成不完整甚至矛盾的结论,表明可靠科学综合仍面临重大挑战。
EngineAgent 通过层级感知引擎索引和预验证工作流,实现了跨层协调的端侧 LLM 模型启用。该系统在 12 项任务中,使用两种底层 LLM 均达到 75% 的端到端成功率,远超最强编码智能体基线的 33.3%,并降低了平均任务时间和 API 成本。
基于 Chatbot Arena 126 万次盲投数据,对未变更模型对的人类评估中“两者都差”比例每月上升 1.71 个百分点。 相对模型排名在 2024 年保持平稳,但绝对评判标准随行业进步同步提高。 评估漂移影响 LLM 排行榜及用于模型训练的人类反馈有效性。
基于 TRACE 架构的 AI 助手实现草案立法反腐败风险评估。在 132 部乌克兰法案构成的基准测试中,使用 Gemma 4 31B 时前 10 项标记命中率为 0.28。系统通过确定性解析核心与 LLM 评估结合,未匹配 32 项法律冲突发现。
该研究提出LASER智能体,利用预期引导机制解决视频中物体状态读取问题。模型将预期变化转化为视觉问题,检视当前帧确定属性值,并校验状态记录。模型参数全程冻结,通过修订文本观察技能提升表现。 在OSCaR和PLM RCap数据集上,LASER相比基线实现一致性能提升。
研究提出无模型架构获取状态遥测,通过双通道实时量化信息获取进展与摩擦。 固定因果监控器将原始观测映射至任务解决坐标,适用于搜救、机器人操作等八大领域。 强化学习实验表明,惩罚信息摩擦可维持高任务成功率,未惩罚策略无法完成任务。
PASE 框架通过将可复用过程逻辑分离为可编辑程序,迭代进化 LLM Agent 技能。该框架在多个模型与基准上优于所有基线方法,实现超 2.8% 的提升。 分析表明,PASE 展现出更强的进化稳定性与泛化能力,凸显程序化知识在技能进化中的关键作用。数据与代码将通过 GitHub 开源发布。
研究者提出神经符号参考监视架构 ActiveSecHarness,旨在解决 AI 编码智能体中 LLM 护栏延迟高与误报率高的问题。 该架构结合能力令牌与二维污点格,在 252 个测试用例中,其 Ring 0 守卫实现 100% 攻击阻断率与 0 误报率,耗时仅 12.7 微秒。 这比 qwen3:4b 判断器快 11200 倍,有效避免了常规正则黑名单对结构化逃逸的盲区。
论文提出DisasterAgent,通过“感知-增强-生成”工作流生成带引用的可验证灾害报告。 在DisasterM3和RSCC基准测试中,该模型平均分数较原模型分别提升13.5%和15.34%。 此举为灾害应急响应提供了更准确且可验证的解决方案。