文章与教程

长程工具调用的难点，不只是决定下一步做什么，还要判断这一步对最终任务是否有帮助。论文提出 CITA，通过比较候选工具调用的长期价值，改善智能体的决策与任务成功率。

一项研究利用带有完整来源链的合成任务，检验哪些预训练数据真正影响表格基础模型的表现。结果显示，行为归因能够指导有效的数据移除，但“来源相似”与“因果贡献”并不总是一致。

ArrivalBench指出，智能体生成的数据管道在固定快照上通过，并不代表能处理真实世界中的迟到、重复、乱序与重试数据。该基准通过可重放的对抗性到达顺序，检验管道最终状态是否真正正确。

Inherit-MAS提出双层继承机制：在工作流层面保留有效结构，在执行层面复用完全匹配的历史结果。论文显示，这种设计既能提升多智能体系统在基准任务上的表现，也能减少重复调用带来的开销。

Google因自动化、无效甚至包含“幻觉”的漏洞报告显著增加，暂停开源软件漏洞奖励计划。该计划预计至少暂停至2027年第一季度。

特朗普宣布成立“超级智能力量”，负责协调美国联邦政府在超级智能领域的工作。该机构将在120天内提交一份报告，评估AI带来的风险与机遇。

开源项目 Strata 尝试把 Qwen3.8-Flash-Next 这类通常依赖服务器的 1250 亿参数模型，部署到配备 12GB 以上显存的个人电脑上。实测显示，量化后模型可在 RTX 5070、RX 9070 XT 等消费级硬件上以每秒数十个 token 的速度生成文本。

微软与 Hugging Face 推出的 ThinkingBox 不再只看代理说了什么、调用了哪些工具，而是检查任务结束后数据库留下的真实状态，并通过 20 次重复运行衡量可靠性。

Capcom在RE: 2026大会上介绍了REX项目的后续方向，计划逐步把RE引擎发展为支持AI生成的游戏引擎。公司当前强调AI主要用于提升开发流程效率，而非直接生成游戏资产。

曾参与OpenAI重大产品安全报告撰写的David Robinson宣布离职，并称公司文化已经出现问题。他认为，前沿AI开发需要从试错式部署转向更接近核电站和机场的高冗余安全体系。

曾负责OpenAI重大模型发布安全报告的David Robinson离职后公开批评行业文化，认为AI公司正在以过度自信和持续冲刺的方式推进前沿模型。 他主张以核电站和繁忙机场为参照，建立多层冗余、审慎规划的安全体系。

OneStreamer 是一个 4B 流式视频模型，试图同时解决视频理解中的实时感知、长期记忆与主动响应问题。它通过生成带时间信息的字幕和事件摘要，把已经离开视觉窗口的内容保存为可复用的事实记忆。

长程任务中的智能体即使记住了历史，也可能对当前世界形成错误理解，甚至反复行动却没有进展。论文提出PoS，在推理时维护显式信念状态，并针对停滞、循环和偏移进行检测与恢复。

AutoGUIWorld 将图像生成模型的视觉先验与规划器结合，在不实际部署软件环境的情况下生成 GUI 交互轨迹。研究显示，这种方法能够为跨操作系统的计算机使用智能体提供更丰富的训练数据。

一项新研究发现，许多预训练Transformer并非没有完成长链引用的能力，而是在中途停止了有效计算。仅在早期一层加入 rank-8 LoRA，就能让冻结的中间层继续传递链式信息。

X-Tree 从智能体历史轨迹中自动挖掘反复出现、且与成功相关的动作片段，将它们组织成可复用的经验树，并用于离线强化学习、在线 RLVR 和自蒸馏训练。

PhysVista 提出一个面向视觉语言模型的物理智能评测框架，将物理状态感知、动力学推理与物理合理性判断纳入同一认知闭环。基准同时覆盖真实视频与 AI 生成视频，用于检验模型是否真正理解动态世界，而不只是识别画面内容。

一项新研究将“意图漂移”定义为可测量的多轮交互失败：用户已经撤回或修改的要求，仍会影响模型回答和工具操作。研究者提出 IntentFlux 基准与 StateForge 方法，显示显式维护当前状态能够改善表现，但无法完全弥合单轮任务与多轮对话之间的差距。

RouteFM提出将LLM路由视为一种可迁移的基础能力：路由器不再依赖固定模型名称，而是通过少量行为观测判断匿名模型的特长。实验显示，冻结后的路由器能够跨任务、模型池、模态和上下文预算迁移。

OpenTumorBoard从219场公开肿瘤委员会会议中整理出611个病例和近两万轮讨论，为评估模型参与复杂、多专家协作式临床决策提供了新基准。结果显示，即使是前沿通用模型和医疗模型，在复现专家回答与委员会结论方面仍有明显差距。

语音大模型能够识别指令并调用工具，但未必能判断这句话是否真正对自己说。VGBench显示，声源变化会显著考验语音智能体的“该不该行动”能力。