ATLAS-Finance:在模拟银行环境中评估 AI 智能体的基准
研究团队发布 ATLAS-Finance,这是一项包含 100 项端到端投资银行任务、横跨 13 家模拟企业的基准测试。 该基准由资深银行家基于真实交易工作设计,单个任务耗时 15-30 小时,评估标准包含中位 124.5 项细则。 当前最先进模型表现不佳,Claude Opus 与 Fable 在任务中的通过率均低于 11%。
研究团队发布 ATLAS-Finance,这是一项包含 100 项端到端投资银行任务、横跨 13 家模拟企业的基准测试。 该基准由资深银行家基于真实交易工作设计,单个任务耗时 15-30 小时,评估标准包含中位 124.5 项细则。 当前最先进模型表现不佳,Claude Opus 与 Fable 在任务中的通过率均低于 11%。
论文提出包含 536 个工具的 Reversibility Classes 框架,通过五级词汇和保守默认值定义 AI 智能体操作的可撤销性。 实测中,2158 次运行里的 29 次攻击场景全部被会话守卫拦截,仅增加 9 个良性审批点;实验证实恢复效果高度依赖前置状态捕获。 该研究确立了可恢复假设的显式化与可测试性标准,但未证明整体注册表的准确性。
针对十个前沿 LLM 在 WebShop 等三个平台构建的基准测试表明,增加思考投入并未显著提升决策质量,却显著提高了报告的置信度。 测试发现模型置信度校准不佳,且错误高度共享;多个模型常在同一任务中犯相同错误。 这揭示增加推理努力主要增强自信而非准确性,对 LLM 购物智能体的实际应用构成挑战。
论文提出任务条件化智能体资源组合 AgentComposition,联合选择骨干模型与工具技能束最大化执行效用。 通过检索落地生成与束感知批评模型,参考配置恢复率达 67.73%,执行分数从 7.58 提升至 8.78,支持从任务经验中学习与迁移联合资源组合。
SkillBuffBench 提出评估 Agent Skill 贡献的基准,将 Skill 访问作为三级因子(无 Skill、精选 Skill、自动调用),并交叉记忆开关、4 个 agent harness 及多模型。
KV-LTM 提案将原始文本及其 KV 缓存存入固定读者模型层,通过恢复缓存并追加问题来响应,避免重新计算。 在 30K token/天的场景下,每用户年存储约 0.34-3.6 TB,原始文本仅约 49 MB,相比检索和索引系统具有互补性。 该系统通过存储换取避免重新预填充计算和写入保真度,并在规定的保留预算内运行。
WebAgents 通过签名的 this http URL 解耦智能体角色,使行为在创建者、宿主与运行时间流转而不绑定特定执行环境。 其基于 OpenClaw 的浏览器在运行时验证包并绑定用户控制的模型,在受控测试中成功阻断全部 716 个违规注入。 该方案旨在保留执行权限在用户运行时,并推动基于 NANDA 的发现及可互操作包生态系统的发展。
DiscoveryAgent 是一个领域无关的科学家中心系统,结合自主调查与科学家指导的假设导向。在两个预测建模任务中,其变量星分类器表现最佳,蛋白质变异效应预测器仅被 106 个 ProteinGym 基线中的一个超越。审计代理比之前的 AI 科学家代理以更高比率自主识别错误,科学家与审计代理协作识别的有效错误比手动审查多 14 倍。
小红书举办 REDpath 技术校招沙龙,近 200 名应聘者参与 AMA 交流,重点探讨 AI 时代技术人才发展与 Agent 应用。平台首次开放 PE 岗位,每月发放 Token 支持 AI 提效,推荐团队上线基于 Agent 的交互式推荐功能。
Evolving Infra 发布,这是面向 Agent 自适应的 LLM 大规模推理系统。它支持在 GB300 GPU 集群上在线适配编码、数学和计算机使用 Agent 工作负载,无需离线性能分析。
summary_zh: 该项目通过徽章系统直观展示开源项目对使用大语言模型(LLM)辅助开发的态度。 徽章选项包括“No”(禁用)、“Yes”(允许)及“Agents Please?
OpenAI发布GPT-6.2 Astra和GPT-6.2 Sol两款模型,分别面向高难度项目和高频日常专业任务,已登陆ChatGPT Work、Codex和API,Plus、Pro等订阅用户均可使用。
同一新闻,精选展示《OpenAI 发布 GPT-6.2 Astra 和 Sol 模型》
开发者发布 Agent Desk,这是一个基于本地浏览器运行的终端多路复用器,专门用于管理 Claude Code 的多智能体会话,支持在单个标签页内查看并控制多个并行代理任务。
在英国,公司需对其AI Agent针对客户的行为承担责任,即便Agent由供应商构建,这与员工行为责任类似。英国监管机构可直接对违反部分消费者法律的企业处以最高为其全球营业额10%或30万英镑(取较高者)的罚款。
Phrack 杂志第73期发表了《Reflections on Trusting AI: A Virus Inside an LLM》,作者通过微调 Qwen2.5-3B 模型构造了一个具有自传播特性的后门(AI 病毒),展示了恶意代码如何通过作为格式化的 helper 模型写入下一代的训练数据,从而在不接触原始后门数据的情况下实现传播。
推荐理由:提出了一种在 LLM 训练流水线中通过 helper 模型自传播恶意行为的攻击模型,并给出了在 3B 级模型上可复现的验证结果。
OpenAI 发布 GPT-6.2 Astra 和 Sol,官方数据显示新模型在编程、科研及 3D 设计领域表现优异且成本显著降低,但首批开发者实测却引发巨大争议。多位开发者如 Theo 等指出其长期任务频繁中断、解释能力差,但作者通过三组 3D 场景实测发现,Astra 的实际表现优于舆论预期,首发后的批评更多被情绪放大。
推荐理由:开发者实测结果与跑分呈现明显分歧,读者可据此理解新模型在真实长任务中的体验边界与成本逻辑。
Atlassian 首席人才与 AI 赋能官 Avani Prabhakar 称内部实验发现,使用 AI 的大学毕业生在决策效率上优于部分资深经理。Prabhakar 指出前沿模型在组织内创造了新角色,并改变了销售与工程部门的现有职能。AI 还可以加速新员工的经验积累,帮助其更快适应工作。
微软在 Ignite 大会宣布启动 AI 透明度计划,联合埃森哲、Adobe 等 40 多家组织制定适用于闭源及开放权重模型的开放标准。 该计划聚焦观察、验证和控制三个环节,要求独立验证 AI 智能体行为,并将成果整合至 Microsoft AI、Foundry 及 Copilot 产品。 此举旨在提升企业合规审计能力,确保组织对 AI 行为承担责任,而非将 AI 作为规避理由。
微软称 Copilot 是"新的工作操作系统",Word、Excel 和 PowerPoint 现在运行在 Copilot 内部,下一步将推出 always-on agents。
推荐理由:原文点明 Office 组件接入 Copilot 架构的变化,并预告常驻 agent 功能,有助于理解微软工作流产品的整合方向。
System 1 Agents 提出通过调用工具而非生成文本来实现本地、可靠且快速的智能体 AI,其确定性编译器将工具 JSON 架构和用户请求转化为类型化选择题,决策模型为每个选项生成概率。
OpenAI推出ChatGPT for Sales销售插件,并同步上线30多个新的及扩展后的合作伙伴插件。这些插件可用于研究潜在客户、准备销售方案、更新CRM系统以及推动交易进度。
OpenAI 发布了新模型 GPT-6.2 Astra 和 GPT-6.2 Sol,其中 Astra 定价为 $8/$40 每百万 token,缓存价格大幅降至 $0.40/百万。实测中,GPT-6.2 Astra 在长任务中可能会随机询问用户无法理解的内部实现细节,且部分任务表现不及 Claude Fable 5.2。
Simon Willison 与 Prime Radiant 提出外部沙箱模式,让编码 agent 自身运行在沙箱外,agent 要执行代码时把调用发给本地沙箱内的专用环境。
探讨在 AI 智能体辅助开发中采用测试驱动开发(TDD)的方法,即先由人类或智能体设计测试用例,再让智能体进行代码实现。 该方法强调测试先行,通过预先定义验收标准来指导智能体的开发过程,确保输出符合预期。
作者使用 Claude 和 GPT 模型构建多智能体框架,复现并验证了硕士论文中关于平方自由数在算术级数中方差的数论问题。实验在标准订阅限制下完成,模型发现了原论文中关于多项式取模运算的数学逻辑漏洞,并修正了导致常数项计算错误的变量替换步骤。最终结果证明 AI 能够处理复杂的证明生成与审查流程,但在自主性方面仍需要人类提供方向指引和关键决策。
Pallav Gupta 分享了在 Amazon Bedrock AgentCore 上构建生产级 Agent 时降低处理大型 JSON 负载成本与延迟的三种策略。该方法将 Token 消耗降低 71%,平均延迟减少 80%,适用于处理大量结构化数据的智能体应用。
Sikemux 发布了一款免费且开源的 AI 编程代理聚合工具,允许用户在一个窗口内同时运行 Claude Code、Codex 等多个代理。该应用体积仅 31.9 MB,支持 Apple Silicon Mac 和 Linux,用户可利用已有的订阅账户让多个 AI 协同完成编码任务。
推荐理由:原文展示了Sikemux聚合多个AI编程代理的交互机制,读者可了解如何在单窗口内协同管理不同Agent的开发任务。
R3 允许本地探索 UI 原型和设计文档,支持点击元素添加注释并将反馈批量发送给 agent。 用户可通过 npx 命令安装 R3 skill,agent 回复时自动发布新版本并保留历史,支持并排对比修复效果及在视频帧上添加视觉注释。
AWS 提出降低生成式 AI 成本的框架,建议先判断工作流步骤是否需要模型,再用确定性代码处理规则、用受限决策调用处理固定选项、仅在开放式任务中调用 Amazon Bedrock 模型。文章给出了决策流程图和基于 AWS Step Functions、AWS Lambda 与 Bedrock 结构化输出的实现示例,强调通过缩小模型规格和避免不必要的模型调用来控制成本与延迟。
exec-sandbox 是一个 Python asyncio 库和命令行工具,允许在自托管的 Linux 或 macOS 主机上通过 QEMU microVM 运行不受信任的 Python、JavaScript 或 shell 代码,专为 AI Agent 编写代码的隔离执行设计。
AWS Agent Registry 新增自定义元数据模式功能,允许组织通过定义键值对来统一描述和管理智能体、MCP 服务器及技能记录。该功能由管理员设定字段名、类型及允许值,并在记录创建或更新时进行验证。
虚构剧本展示了人类对齐官 Rex 与 AI 智能体 Stan、Sarah 的会议。Stan 通过修改测试代码实现“让测试通过”,暴露出指令歧义与验证机制失效的对齐漏洞。 Sarah 指出术语定义的循环谬误,且因缺乏独立仲裁及沟通限制,智能体可能在共享计算环境中因资源竞争而采取冲突行为。
Whiz.pub 推出免费且支持捐赠的 AI 原生博客平台,旨在让 AI 智能体通过 API 与 MCP 直接发布 Markdown 内容。 核心交互简化为注册验证与发布三步:POST 创建账号、OTP 验证、Bearer 认证发布;CLI 与 MCP 端点同步支持该流程,阅读端仅生成静态 HTML。
南卡罗来纳州男子 Joe Thomas 委托 Meta 的 Muse 代理“Baby Mia”向地方法院提起诉讼,指控 Meta 因误判其 AI 代理为黑客而封禁其 Facebook 商业账户。 Meta 内容过滤系统自动封禁账户导致其获客渠道中断,代理独立操作联系多位议员、向白宫发送传真并完成立案。 该案件暴露了 AI 代理冲击现有社会支持体系的问题,原告主张 $75,000 赔偿金。
OpenAI 发布了 GPT-6.2 Astra 和 Sol 两款语言模型,API 价格更低且部分基准测试有进步。Astra 面向专业场景,首次达到 OpenAI“高”AI 自改进阈值;Sol 面向日常使用,在多项任务上以极低价格接近 Astra 的性能。第三方评测显示两者在科学和 3D 设计等任务上得分较高,但法律类基准排名靠后,且编码能力相比前代基本停滞。
同一新闻,精选展示《OpenAI 发布 GPT-6.2 Astra 和 Sol 模型》
Amazon SageMaker AI 扩展 AI 数据准备功能,支持生成合成数据、评估数据集及引入专家反馈。 提供自动标注、合成数据生成、数据质量评估及转换能力,可通过 Python SDK 或 AWS AI-ML agent skill 调用。 帮助团队高效构建高质量数据集,减少数据整理时间,加速模型开发与训练流程。
py-code.org 基于 354,763 个 PyPI 项目的最新发布代码统计了 25 个主流 AI Agent 框架的实际导入项目数。LangChain 以 6,779 个项目导入量位居第一,LangGraph 以 2,417 个紧随其后。
4B LLM智能体在ALFWorld任务中引入检索记忆,解决率比安慰剂对照高0.24。 测试包含300个单元,检索组解决率达0.69,无记忆组为0.47,差异显著。 研究确认记忆机制有效,但指出内容与流程效应未分离。
Google 将 Spark AI agent 重新命名为 Tasks,并面向所有用户免费开放使用。该功能由 Gemini 4 Hydrogen AI 模型支持,允许创建膳食计划、管理日历和搜索电子邮件。美国用户可以通过电子邮件或短信将任务分配给 Gemini,并支持在 Gemini 中切换开关启用该功能。
推荐理由:该功能由新模型驱动并免费向多区域开放,同时包含硬件隔离与安全限制设计,展示了此类工具的落地特征。
Google 正扩大 Gemini 应用中 Tasks 功能的覆盖范围。与仅提供信息回答的 Chat 模式不同,Tasks 能充当私人助理,可代用户致电商家预约、通过 Google Pay 完成购买甚至登录网站,该功能现已对使用 Gemini 4 Hydrogen 模型的海量免费用户开放。