PrivacyFlow 提出智能体隐私防护方法并发布 agentic PrivacyBench 基准
作者提出 PrivacyFlow 防护方法，把隐私规划与任务执行分开，在执行前追踪每条数据流的来源与用途、模拟接收方背景知识和外部可推断的信息，再权衡披露风险与任务效用，决定执行、阻止或询问用户。
#Agent
arXiv · cs.AI模型评分5151 arXiv · cs.AI模型评分3737 TradeWar：面向可执行结算的多国贸易谈判 大语言模型（LLM，Large Language Model） 智能体基准
研究者提出 TradeWar 基准，把大语言模型（LLM，Large Language Model）智能体的多轮贸易谈判对话转成具体关税与贸易份额政策，在结算中施加产能与网络约束，并用经济健康指数（EHI，Economic Health Index）评估执行结果。
arXiv · cs.AI模型评分3131 ArchOR：面向优化建模的结构感知技能检索与仲裁
ArchOR 在 OptSkills 基础上新增两个检索模块，用同一 DeepSeek-V4.1-Flash 主干和已发布技能库，在五个基准上达到 65.00% Micro-Avg. Pass@1，比 OptSkills 提升 1.64 个百分点 Micro-Avg. 和 2.68 个百分点 Macro-Avg.。
arXiv · cs.AI模型评分3636 LIT：让视频导演智能体在交互与执导中协同进化
研究提出 LIT 框架，由导演智能体、模拟用户和元工程师组成进化闭环，让元工程师主动学习外部知识以发现并解决交互与制作问题。在 Test 与 OOD Test 划分上，LIT 的制作与交互得分分别比初始流程提升 19.1% 和 32.0%。消融实验显示制作与交互提升存在相关性，协同进化机制进一步促进执导技能与交互模式探索。
arXiv · cs.AI模型评分4040 TSBPO：面向交互式语言智能体的树结构分支策略优化
研究提出 TSBPO，一种树结构采样到更新的训练范式，在同一训练循环内解决交互式语言智能体从终端结果学习时的采样、延迟反馈分配和多 token 动作损失聚合问题。使用 Qwen2.5-1.5B 作为执行模型，在 ALFWorld 上取得 97.79% 已见任务和 96.64% 未见任务的随机成功率，在 WebShop 500 个测试目标上每回合成功率 81.07%。
arXiv · cs.AI模型评分6666 预注册机制审计：大语言模型（LLM，Large Language Model） 智能体系统 25 个认知架构模块中 18 个未接入生产输出
一项预注册审计对基于本地大语言模型的智能体系统做了静态核查，发现其宣称的 25 个认知架构模块中有 18 个计算出的值从未到达任何生产输出。作者提出带行号证据和调用链追踪的四问静态审计协议，对 11 个模块预注册可证伪预测并执行干预，在第二个独立系统的 IIT-phi 核心上复现该协议，并做了两次修复实验作为阳性对照。
arXiv · cs.AI模型评分4343 Verify–Backtrack Loop：面向长程语言智能体的结构化前置条件恢复方法
研究者提出免训练的 Verify–Backtrack Loop（VBL），在 推理与行动（ReAct，Reasoning and Acting） 基础上把前置条件发现与失败诊断变成结构化的规划状态更新，用目标栈和双视野校验触发 Push、Pop、重试或回退到父目标。
arXiv · cs.AI模型评分4242 EvoMCP：让 模型上下文协议（MCP，Model Context Protocol） 智能体与训练数据协同进化
EvoMCP 提出智能体与数据互相进化的框架，通过任务进化、轨迹进化和监督微调的闭环，让基于模型上下文协议（MCP，Model Context Protocol）的智能体持续针对自身能力短板生成训练数据。在 Toolathlon、MCPMark 和 MCP-Atlas 上，该方法相比初始学生模型分别取得 16.5%、10.2% 和 12.6% 的绝对提升。
arXiv · cs.AI模型评分4141 证据引导的 人工智能（AI，Artificial Intelligence） 智能体恢复方法：应对工具结果不明与部分执行
针对工具超时导致 人工智能（AI，Artificial Intelligence） 智能体面临结果不明与部分执行的问题，研究者提出证据引导的任务恢复方法，结合标准观测 contingent 规划与独立实现的效果历史裁决器。
arXiv · cs.AI模型评分4444 面向 人工智能（AI，Artificial Intelligence） 计算机使用智能体的跨接口授权协议
研究提出一种面向固定版本计算机使用部署的 profile 限定授权协议，通过枚举带效果的路径与持久写入点、将请求归一化为规范效果并签发路由绑定的准备票据，在提交时再次校验路由、效果、授权与状态。
arXiv · cs.AI模型评分3939 Ask on Demand：面向并行智能体系统的定向同伴通信框架
研究者提出 Ask on Demand（AOD）通信框架，让并行大语言模型智能体在出现具体信息需求时向同伴发起定向求助，由框架检索同伴执行历史中的相关证据并生成针对性回复。团队用最终任务结果与推理成本训练一个轻量门控，判断何时求助值得。在 AppWorld 和 WebShop 上，AOD 的任务表现优于独立并行执行，推理成本低于现有信息共享基线。
arXiv · cs.AI模型评分4343 Operon-S1：面向长程生物医学智能体的快速决策控制器
Operon-S1 将生物医学智能体的判断与执行分离，在 13 个决策点用封闭问题接管判断，本地决策模型在 CPU 上以 0.6 秒中位延迟完成环内请求且不产生请求费用，六个基准中五个分数无可测变化。若改由驱动智能体的通用语言模型回答同样问题，任务成本将增加 8.0% 至 35.2%。该系统已用于湿实验方案排障和生殖系靶向富集 panel 设计。
arXiv · cs.AI模型评分4545 从1D基准到复杂3D几何：智能体能否可靠地为自动化偏微分方程（PDE，Partial Differential Equation）仿真描述问题？
研究评估人工智能（AI，Artificial Intelligence）智能体能否为自动化偏微分方程（PDE，Partial Differential Equation）仿真构建完整可执行的JavaScript 对象表示法（JSON，JavaScript Object Notation）规格，覆盖几何创建、网格划分、求解与结果导出。
arXiv · cs.AI模型评分4747 研究提出 CivMarshmallow：用回放验证的奖励信号训练长时程 Freeciv 智能体
研究团队构建 CivHarness 系统，可保存 Freeciv 游戏状态、在不同决策处分支并回放到未来回合，为长时程对局提供可测量的反馈。基于此训练的 大语言模型（LLM，Large Language Model） Judge 模型 CivTelescope 在“记分板陷阱”局面上的判断准确率是现成语言模型的 1.3-2.0 倍。
arXiv · cs.AI模型评分3434 MEMIG：面向抗体优化的自进化记忆构建框架
MEMIG 提出一种面向生物分子优化的智能体记忆构建框架，把经验记录改为可索引、定量、结构化的形式，而非自由文本重写。它用领域标识符定位每条经验并累积性质预言机测得的定量效应，使更新保持局部、检索变为精确查找，还能连接联合施加的干预并分解评估集来度量其上位效应。在计算机抗体优化任务中，MEMIG 在多数设置下提升了表现。
arXiv · cs.AI模型评分3636 人工智能（AI，Artificial Intelligence） 智能体何时该向人提问？有限注意力下的澄清请求协调策略 PCP
研究提出成对协调策略（PCP，Pairwise Coordination Policy），用于协调多个共享同一名有限注意力人类的 人工智能（AI，Artificial Intelligence） 智能体在搜索、询问或继续任务之间的决策。
arXiv · cs.AI模型评分4848 BABA-Bench：评估长程患者权益代理的基准
研究团队构建了 BABA-Bench，包含 47 个由真实患者权益案例脱敏改造的交互环境，用于检验 人工智能（AI，Artificial Intelligence） 智能体（Agent）能否在达成正确结果的同时遵守必要流程。
arXiv · cs.AI模型评分5656 LanG 2.0 提出用小型本地模型做大规模安全运营的智能体系统
LanG 2.0 是一个面向安全运营中心（SOC，Security Operations Center）的智能体系统，负责检测威胁、关联证据并编写规则，研究小型本地模型能否在结构性防护而非模型准确率提供保障的前提下，低成本且安全地替代前沿模型。
arXiv · cs.AI模型评分4646 去中心化 大语言模型（LLM，Large Language Model） 团队如何用于周界防御：共识机制与集中指挥的对比
一项 arXiv 研究在简化的周界防御模拟中对比了集中指挥官、基于拍卖的共识团队和独立智能体三种大语言模型（LLM，Large Language Model）团队架构，共识团队的入侵率最低，为 15%，集中指挥官为 32%，独立智能体为 29%。
arXiv · cs.AI模型评分4949 能力锚定的智能体规划（CGAP，Capability-Grounded Agentic Planning）：让 大语言模型（LLM，Large Language Model） 智能体基于工具能力做可执行规划
研究者提出能力锚定的智能体规划（CGAP，Capability-Grounded Agentic Planning），先把工具目录确定性地编译为规划领域定义语言（PDDL，Planning Domain Definition Language）模型，再由 大语言模型（LLM，Large Language Model） 将请求转为目标并交给经典规划器求解。
arXiv · cs.AI模型评分6767 ReplayRCA 基准发布：用反事实重放衡量智能体失败的诊断与实时监督
研究者提出 ReplayRCA 基准，用反事实重放给智能体失败诊断打分：把环境恢复到出错步骤之前，用诊断模型给出的动作替换原动作，再让同一智能体继续执行，以继续成功率的提升幅度作为因果修复分数。
arXiv · cs.AI模型评分5151 P-ContextBench 发布：从个人事实回忆到个性化智能体行为
研究团队发布 P-ContextBench，一个用于评估大语言模型理解个人上下文能力的基准，包含 100 个数字人、10,088 条隐藏事实、18,261 条应用记录片段和 4,810 个已验证测试用例。
arXiv · cs.AI模型评分4444 FABench：面向预测智能体的可扩展回测基准发布
研究团队推出 FABench，一个面向预测智能体（Forecasting Agents）的可扩展回测环境，自动发现事件、生成问题并结算结果，首个版本包含九个领域的 287 道问题。
arXiv · cs.AI模型评分4444 ProClaim：递归构建证据状态能否帮 人工智能（AI，Artificial Intelligence） 智能体验证科学共识主张？
研究团队构建了 ProClaim 系统与 ProClaim-eval 数据集，用于检验 人工智能（AI，Artificial Intelligence） 智能体递归构建证据状态、以及判断何时停止的设计选择对科学共识主张验证的影响。
arXiv · cs.AI模型评分4242 论文提出智能体运行框架的可移植规范框架
研究者把大语言模型运行所依赖的基础设施（即运行框架）拆成八个功能组件，并提出一套可移植规范框架，记录哪个模型在哪个运行框架中运行。同一模型在不同运行框架配置下，报告分数可相差数倍，且智能体的攻击面很大一部分来自运行框架。现有模型卡和智能体卡未记录一次运行内有效配置的先后顺序，而运行框架可能在版本间、运行间乃至运行中发生变化。
arXiv · cs.AI模型评分4848 CLR-Bench：在隐藏规则课程上评测自进化智能体
研究者提出 CLR-Bench，用每层新增一条隐藏规则的课程链评测自进化智能体能否学到没人告知的规则，并发布覆盖 10 个领域的 20 条链。六种近期自进化方法在认证模型上提升不超过 5 分，仅排除 6-12% 的未见成员，低于直接保留原始练习历史的 20%；一句说明命名分组约定的固定提示可让这些方法提升 14.5 至 16.5 分。
arXiv · cs.AI模型评分5050 AWM：无需复制环境的智能体测试时扩展世界模型
论文提出智能体世界建模（AWM，Agentic World Modeling），把下一步观测预测改写为多轮证据获取任务：智能体模拟器通过安全的只读接口查询真实环境，再基于返回证据推理并构造观测结果，从而不修改共享状态。
AWS Machine Learning Blog模型评分5858 AWS 演示用 AgentCore runtime 会话端点实时预览编码智能体构建的网页应用
AWS 发布教程，演示如何用 Amazon Bedrock AgentCore runtime 的会话端点（Session endpoints）在编码智能体修改文件时实时预览网页应用。
AWS Machine Learning Blog精选模型评分6161 Worldwide Express 如何用 Amazon Bedrock 自动处理运费账单异常
Worldwide Express（隶属 ShipStation Global）与 AWS、LTM 合作，基于 Amazon Bedrock 构建多智能体方案并接入其运输管理系统 SpeedShip，自动处理零担货运的账单异常。
推荐理由：物流企业用三个分工智能体处理运费账单争议，并给出人工审批与准确率门槛的落地细节，可迁移到其他对账场景。
NVIDIA Blog模型评分5151 Breakthrough Listen 与 SETI 研究所将智能体 人工智能（AI，Artificial Intelligence） 引入外星信号搜寻
Breakthrough Listen 和 SETI 研究所把智能体 人工智能（AI，Artificial Intelligence） 引入日常的外星智慧搜寻，在加州北部的艾伦望远镜阵列上，智能体可凭一句自然语言请求操控望远镜、校正数据并运行 AI 模型。
AWS Machine Learning Blog模型评分2727 英国 Amazon Quick 用户小组 2026 年如何发展壮大
英国 Amazon Quick 用户小组在 2026 年举办了三场季度聚会，累计吸引超过 150 名参会者。活动以动手实践为主，参会者无需写代码即可搭建自定义聊天智能体，并体验 Amazon Quick Desktop、Amazon Quick Apps、Amazon Quick Flows 和 Amazon Quick Automate 等能力。
Microsoft Research模型评分2929 Microsoft Research Focus 第97期：ForkPilot、CABRA 与 TeleTune 等研究进展
Microsoft Research Focus 第97期由主持人 Sowbhagya Suresh 介绍微软多项研究进展，包括自改进智能体框架 ForkPilot，在六项基准和主流模型上测试，效果比肩现有最佳方法，同时将 人工智能（AI，Artificial Intelligence） 处理需求最多降低 59%。
AWS Machine Learning Blog模型评分5757 Epsilon 如何用 Amazon Nova Act 构建意图驱动的 UI 测试
Epsilon 的智能体平台团队用 Amazon Nova Act 和 Amazon Bedrock AgentCore Browser Tool，把意图驱动的 UI 测试做成多租户平台服务，供各产品团队通过统一 应用程序编程接口（API，Application Programming Interface） 使用。
AWS Machine Learning Blog精选模型评分6060 用 Kiro 搭建可重复的 PHP 到 Java 迁移引擎
AWS 博客介绍如何用 人工智能（AI，Artificial Intelligence） 集成开发环境（集成开发环境（IDE，Integrated Development Environment））Kiro 搭建可重复的 PHP 到 Java 迁移引擎，把迁移拆成共享技能文件、发现扫描器和八阶段流程。
推荐理由：文章把 PHP 到 Java 的迁移拆成可复用的技能文件与八阶段流程，其中先建对照测试再写代码的顺序可以迁移到其他系统重写。
NVIDIA Blog模型评分3838 NVIDIA 展示开发者如何用前沿 人工智能（AI，Artificial Intelligence） 智能体在 Omniverse 中构建仿真应用
NVIDIA 展示了开发者用 GPT-6 Astra 等前沿 人工智能（AI，Artificial Intelligence） 模型配合 Omniverse 库构建仿真应用的多个项目，包括从现场扫描重建可编辑建筑模型、搭建燃气轮机数字孪生做假设分析、组装 SimReady 资产场景、仓库仿真压力测试和柔性线缆布线机器人控制测试。
OpenAI News模型评分2626 OpenAI 如何检测前沿模型失准
OpenAI 采用分层监控来检测前沿模型失准和智能体的未授权行为，让响应人员能在事件升级前介入。
Google DeepMind精选模型评分7474 Google DeepMind 发布 Gemini 4 Carbon 前沿模型
Google DeepMind 发布 Gemini 4 Carbon，称其在网络安全与长周期任务上达到当前最强水平，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
推荐理由：官方给出网络安全与长周期任务的多项基准成绩，并说明分阶段开放节奏，可据此判断前沿模型在攻防场景的落地边界。
NVIDIA Blog精选模型评分6969 NVIDIA RTX Spark 笔记本新增 Nemotron 3.5 Transcribe 语音模型与智能体资源管理
NVIDIA 为 RTX Spark Windows 笔记本带来一批更新，包括开放权重的语音模型 Nemotron 3.5 Transcribe、NVIDIA App 中的 图形处理器（GPU，Graphics Processing Unit） 资源分配控制，以及 LFM3 系列模型的本地支持。
推荐理由：原文把本地语音模型、图形处理器（GPU，Graphics Processing Unit） 资源分配和游戏渲染放进同一台笔记本，读者可据此判断本地 人工智能（AI，Artificial Intelligence） 工作流的边界。
OpenAI News模型评分5050 OpenAI 与 ServiceNow 扩大企业工作流合作
OpenAI 与 ServiceNow 扩大合作，把 OpenAI 模型和智能体接入 ServiceNow，同时让 ServiceNow 工作流进入 ChatGPT 和 Codex。双方希望借此打通企业工作流的模型调用与流程执行。
Google DeepMind精选模型评分7272 Google DeepMind 发布世界模型 Genie 4，原生生成音频并支持实时交互
Google DeepMind 发布世界模型 Genie 4，可实时生成画面与原生音频，并支持用自然语言在模拟过程中修改天气、镜头和人物。该模型引入实时交互对话，角色能对用户输入即时回应；Gemini 3.8 Flash 在循环中充当引导智能体，把目标拆成步骤并检查每帧进度。
推荐理由：官方同时给出四项能力变化和已知局限，读者可据此判断实时世界模型目前能做什么、还差在哪。