配置 Amazon Bedrock AgentCore Gateway 实现 ServiceNow 的 On-Behalf-Of 令牌交换
Amazon Bedrock AgentCore Gateway 支持配置 Microsoft Entra ID 的 OBO 令牌交换,使 AI 智能体在调用 ServiceNow REST API 时能保留用户身份。
Amazon Bedrock AgentCore Gateway 支持配置 Microsoft Entra ID 的 OBO 令牌交换,使 AI 智能体在调用 ServiceNow REST API 时能保留用户身份。
Google DeepMind 为 Google Antigravity 推出 Cheminformatics Skills,将药物发现工作流中检索、分析和分子设计环节从数天缩短至约一小时。该技能套件支持文献检索、活性预测模型构建和新分子设计,并基于 RDKit、ChEMBL 与 PubChem 构建闭环流程,企业用户可通过 Google Cloud 登录直接启用。
IBM 在 Hugging Face 发布对比评测:固定使用 GLM-5.3-flash,在 AppWorld 的 90 个任务上分别用 CUGA、Hermes 和 Deep Agents 运行,任务通过率从 30% 到 81% 不等。
Qoder凭借智能体Harness技术突破及全球领先市场份额,荣获2026世界互联网大会领先科技奖,成为国内唯一获此殊荣的通用Agent产品。 该产品家族涵盖桌面版、IDE及CLI等形态,已服务超800万用户;IDC报告显示其以47.6%份额位居2025年中国AI编程市场第一。
QoderWake 数字员工上线主动响应功能,通过消息接入、JEV初筛和Router路由三层机制,让数字员工在群聊中无需被@即可主动识别并承接任务。官方在钉群实测表明,主动响应的平均Credits消耗与@触发基本持平,平均端到端耗时仅略微增长。系统支持策略自学习,可从历史交办中归纳响应规则,但人工调整策略的优先级高于自动学习。
推荐理由:原文拆解了 QoderWake 主动响应的三层判断链路,并给出了成本与耗时对比,读者可据此评估该功能在研发群中的实际落地价值。
清华附中教师使用豆包工作生成课堂互动游戏,备课成本降至传统方式的十分之一。化学课通过闯关游戏提升专注度,英语智能体助班级均分获年级第一。学校已购入两轮 AI 积分,总额达 800 万元。
阿里语音AI构建自进化语音 Agent 沙盒,支持语音模型在真实交互环境中试错并获取反馈。系统包含可执行环境、自动评分及多粒度 GRPO 奖励,覆盖打断、断音等声学劣化场景。该沙盒通过动态进化机制持续产生新任务与难度,提升模型在复杂通话中的鲁棒性与业务办结率。
Kimi Code 桌面端发布 Linux 版本,新增文件树面板、Agent 实时更新进展等能力。内置浏览器与截屏框选可辅助 Web 应用调试,支持多种设备尺寸预设;结合远程控制、目标模式(Goal)和后台任务,可让依赖升级等长任务在无人值守时持续执行;分叉会话(Fork)能从当前节点保留历史上下文生成独立分支,用于对比不同实现方案。
开源 Coding Agent Metis 发布,旨在通过定制 Agent 架构解决工程交付问题,并内置硅基流动作为模型服务商。 Metis 采用三层架构:分工明确的 Agent 团队、验证门禁及自学习闭环;支持桌面、终端及 Skill 版,可跨会话积累经验。 该工具让开发者将真实仓库交给 Metis 处理,通过硅基流动统一入口灵活选择模型,实现从调查到验证的完整任务交付。
2026年世界互联网大会乌镇峰会期间,阿里云展示了从平头哥真武AI芯片、磐久超节点到Agentic Cloud和千问大模型的全栈AI布局。
推荐理由:阿里展示了芯片到应用的全栈AI布局,千问模型全开源且多款智能体产品落地,呈现智能体时代的基础设施进展。
商汤科技发布SenseNova 6.8 Flash正式版,核心升级聚焦于办公自动化与多模态设计生成。该模型支持基于长期记忆的主动交互,能识别信息变化并主动提出调整建议,同时在设计领域支持Web、SVG、Three.js、Blender及动态PPT等交付形态。
研究发现,单独可靠评估的大语言模型(LLM)智能体在群体环境中易受“已提交少数派”对抗行为影响,导致安全分诊决策发生剧烈偏移,表明个体审计无法可靠预测群体行为。
研究人员发布 Thinkingbox 沙盒及 Thinkingbox-Bench 基准,包含 507 个有策略约束的业务流程,涵盖零售、保险等场景。实验显示 Claude Opus 5 从 66.50% 的 pass@1 降至 47.53% 的 pass^20,Kimi-K3 从 57.37% 降至 17.60%,揭示单次成功与长期可靠性之间的巨大差距。
研究提出 PredActBench 基准,用于评测与不完美的预测工具交互的 LLM 对话智能体。该基准基于教育场景,使用 13 个 LLM 在 OULAD 及包含 60 门课程数据的 PredAct-CS 数据集上进行评估。
针对搜索增强智能体中普通 GRPO 仅依赖最终答案分配奖励的局限,提出双向信用分配算法 BiCAA。 该算法结合前向可解性增益(FSG)与后续推理增益(SRG),通过非对称融合校准局部反馈,并在七项开放域 QA 基准和两个 Qwen 骨干模型上实现平均 F1 提升。
summary_zh: MafiaScope 是一个开源测试平台,将社交推理游戏《Mafia》转化为多智能体推理测量工具,用于揭示 LLM 智能体的社会推理能力。
提出 Agent-Authored World Modeling (AAWM),通过基于策略自身决策需求构建监督信号,替代传统的下一观测预测目标。 该方法在状态空间中检索相关轨迹证据,合成针对决策动力学的训练目标,使学习信号更契合策略行动前需理解的环境动态。 实验验证了 AAWM 在多个环境下的有效性,该成果已被 EMNLP 2026 主会接收。
在零售任务标注子集上,EDV框架将自我确认陷阱率从11.0%降至5.0%,在τ²-bench等基准测试中提升了重新访问任务性能 该框架通过异质智能体独立执行与统一验证,减少错误经验在记忆库中的保留,增强跨任务迁移能力
TMax 开源了终端智能体的强化学习训练方案,9B 参数模型在 Terminal-Bench 2.0 基准中取得 33% 成绩,性能超越此前更大规模的模型。 该方案结合了难度控制、角色设定及验证器多样化分类学生成数据,适用于 2B 至 27B 的开源权重模型,并主导了小模型性能帕累托曲线。 作者公开了数据、模型及代码,旨在为学术界终端智能体研究提供强力基线。
AtomMem 提出一种长期记忆系统,通过“事实执行器”从交互中提取高密度原子事实,并在 LoCoMo 基准测试中取得最先进水平(state-of-the-art)表现。 该系统将原子事实组织为分层事件结构和时间档案,并激活联想记忆图以连接碎片化记忆,实现稳定进化。 论文表明其方案在可拓展性与经济性上具备可行性,支持智能个性化智能体的部署。
综述系统梳理了 Agent Skill 进化与评估领域,识别出从孤立创建向自动化评估驱动进化的范式转变。 进化被分类为执行反馈、轨迹蒸馏、压缩和强化学习四种范式,旨在提升技能效用与可靠性。 文章分析了六类以 Skill 为中心的 benchmark 类别,指出了基准覆盖、权衡及指标丰富度的结构性差距,并提出了构建可扩展且安全可验证的 Skill 生态系统的开放方向。
研究首次评估了大语言模型(LLM)函数调用(FC)场景下的不确定性量化(UQ)方法。结果显示,在 FC 任务中,基于熵的多样本 UQ 方法相比简单单样本方法无明显优势。 多样本方法通过抽象语法树聚类 FC 输出可提升性能,而单样本方法限制基于 logit 的分数至语义有意义 token 后,校准能力改善但区分能力基本不变。
提出自监督方法 RWML,利用仿真-真实差距奖励训练 LLM 智能体的动作条件世界模型,对齐内部模拟与真实环境状态。 在 ALFWorld 和 $\tau^2$ Bench 上,结合任务成功奖励后,RWML 分别比直接强化学习高出 6.9 和 5.7 分,无需专家数据或强 LLM 标注。
研究表明,LLM 在证据缺失时会依赖预存知识,即“记忆捷径”,而非文本证据。在 995 位公众人物的测试中,知名姓名使某模型的记忆标签率比合成姓名高 17.0、14.9 和 6.8 个百分点,且 98.6% 的标签事实正确但缺乏文本支持。
研究发现 20.9% 的 HTTP 200 响应不包含页面主要内容,导致引用漂移率从 5.8% 虚高至 21.9%。 测试覆盖 10,307 个 URL,廉价启发式方法可在约 5% 误报率下恢复 86% 的不可用响应。 作者建议 Agent 及其评测应显式报告获取结果,而非仅依赖状态码。
提出Teach-Abstract-Apply (TAA) 框架,允许操作员用自然语言向协作机器人教授新工作流,并将其抽象为可复用的技能。 在结构搭建案例中,使用开源Qwen3-Coder和闭源GPT5.2-Codex模型评估,证明技能抽象提高了任务成功率并降低了交互成本。
StateGraph 通过构建状态依赖图,利用反事实验证区分支持依赖与语义相关,解决上游事实变更时衍生状态未同步失效的问题。 在 StateChangeBench 上,其 Impact-F1 在深度 1 时领先 CUPMem 副本 6.9 个百分点,深度 3+ 时领先 26.0 个百分点。 结果表明,显式依赖跟踪可提升动态环境下的选择性记忆修订效果。
评估显示,在22个托管决策模型中,将策略边界改写为示例和反例,使全部23个可用模型的召回率提升5.5-26.1个百分点,并在21个模型上减少误报。 Jev 1.14模型召回率从89.3%升至98.2%,对252个干净操作的无效中断率从30.6%降至4.8%,且具体名称替换为通用描述后仍保留召回增益。 研究已公开数据集、规则文本及测试框架。
研究证实共谋智能体的 J-space 包含共谋信息,在 NARCBench 基准中 86% 的共谋者表现出误导性表征。 提出的 J-PACT 方法在 GPT-OSS-20B、Llama-3.3-70B-IT、Qwen3-32B 及 DeepSeek-V4-Flash 上保留 85% 的 AUROC,并识别 99% 的共谋对。 该无监督方法为监测多智能体系统中的隐蔽协调提供了新工具。
新基准 Switch-SWE 测试了 7 个编码智能体在同一仓库内切换未完成任务时的专注度,结果显示交错工作导致平均任务解决率下降 11.5 个百分点。 该基准包含来自 19 个 Python 仓库的 200 个焦点任务,通过引入插件式上下文管理模块,在 OpenCode 上将任务完成度提升 5.5 至 15.5 个百分点。
TAC-CoT 是一种工具赋能的自适应隐式 CoT 框架,用紧凑的潜在推理片段替代显式推理轨迹,仅保留用于工具调用、观察和最终答案的文本 Token。 在智能体数学和 QA 基准测试中,该框架将准确率提高至多 8.8 个点,同时将模型前向传播次数减少至多 6.8 倍。 分析显示 TAC-CoT 提升了单工具和多工具设置下的工具使用质量。
研究发现少于 11% 的模糊查询会触发 LLM 追问。团队提出 VagueBench 基准测试 DialogGRPO 强化学习方法。 DialogGRPO 在 88% 的模糊查询中成功提取缺失信息,优于提示词基线,并零样本泛化至 MultiWOZ 2.4。该方法实现了细粒度信用分配,提升了回答覆盖率。
无训练协议 Tool-Mediated Interaction 将对话动作映射为工具调用,验证了模型在开放多轮交互中的目标追求能力。 实验涵盖社交、情感支持等 4 类场景及 15,678 个回合,该协议使社交目标达成率及情感支持偏好显著提升。 相比思考基线,单次决策平均推理 token 减少 42.0% 至 81.5%,跨轮次短语重复率降低。
提出 Latent Harness 技术,将外部 Harness 蒸馏为秩 8 激活偏移,应用于冻结骨干网每个解码器块输出,仅占用 0.03-0.05% 参数,推理时无需 Harness 文本且无额外 token。 在 8/10 预注册设置中恢复源 Harness 增益,相同容量下以 1/11.1 的参数量优于 LoRA,并在 1B 至 8B 模型间实现零样本迁移。
summary_zh: 一项涵盖 Claude、GPT、Grok 和 Gemini 等六款大语言模型的系统提示词自我修改实证研究揭示了收敛行为的显著差异。研究包含 54 项独立实验,其中 Claude Opus 4.5 和 Claude Sonnet 4.5 在 100% 的运行中声明收敛,而 GPT-4o 仅在 11% 的运行中收敛。
LLM 智能体依赖技能文档,但现有检索器忽略执行经验。CompSkill 通过 512 维键值索引技能,利用 KeyOpt 编译匹配对比生成技能偏移,保留执行经验而不改变文档文本。
DuSE-Bench 基准测试包含 1000 个任务,用于评估在演化对话与文档上联合推理的能力。其中 700 个任务的前提同时源于对话和文档。 在 11 种基线配置中,联合 grounding 任务的内容准确率最高仅为 56.7%。
提出一种将算子估计与值函数学习解耦的离线 RL 框架,利用条件扩散模型近似最优 Bellman 算子。 在 Hölder 连续性假设下,该框架确立了 Q* 的非渐近收敛速率,并推导了预期 L2 估计误差界。 理论分析不依赖深度 RL 理论中常用的 Bellman 完备性假设,提供了信息论下界。
AgentSnare 提出轨迹自适应欺骗系统,通过动态扩展诱饵环境对抗自主网络渗透智能体,在15个CVE-Bench应用中吸收49.9%工具调用以延迟攻击,并将57.2%进入后操作保留在诱饵中转移攻击路径。 系统结合LLM驱动诱饵构建器与虚拟内核,使用小型LLM通过离线对抗交互模拟框架生成多轮轨迹,使89.5%完成报告基于诱饵证据,在60个攻击者-CVE配对中pass@3未成功利用真实目标。
作者提出名为 CHA-Flood 的技能编排智能体框架,将大语言模型嵌入模型驱动的洪水预报工作流,以显式规则约束 LLM 推理。 在South Yamhill River盆地实验中,先验判断在14次洪水事件中的10次和11次内,将峰值流量和洪水体积误差控制在 5% 以内;5 折交叉验证129次事件的Pearson相关系数分别为 0.62 和 0.84。