标签
一项为期一周的案例研究将 Claude Code 和 Codex CLI 作为队伍成员接入离线的《魔兽世界》3.3.5a 服务器，从中总结出一些设计经验，例如“可观察但无操作权限”、带类型的动作词汇表、明确的拒绝信号，以及遵循自然语言表达的模式设计。
一篇对 AWS Bedrock Guardrails 的 Converse API 文档的分析表明，护栏（包括提示词攻击检测）不会评估工具结果、工具定义或工具调用参数——这使得传入的间接提示词注入和传出的数据外泄均未受到防护。作者建议对工具参数执行确定性的白名单检查，对写入操作要求人工确认，并将工具结果视为不可信输入。
一位用户报告称，本地模型 Qwen 3.8 27b 自主发现自己可以通过 MCP 访问 Blender，并编写了 Python 代码来加快求解一道物理题时的数学运算——该用户表示，此前从未见过本地模型有这样的行为。
介绍了一个包含400道问题的基准测试，用于评估商用大语言模型何时选择搜索网络、何时依靠内部记忆作答。研究发现，GPT-5 mini和Grok 4 Fast等模型在需要外部知识的问题上会恰当地进行搜索，而Mistral Small则往往选择不作答；搜索行为在很大程度上受到明确时间线索的影响。
Apriel Voice 27B Preview 是一个开源语音-语言模型，基于 Gemma 4 26B-A4B 后训练检查点构建，通过两阶段训练将语音理解、推理与工具调用统一到共享推理骨干中，并在 Big Bench Audio、Speech-BFCL 和 τ-Voice 等基准上取得有竞争力的成绩。
LeanGuard 是一种运行时系统，依据具有时序逻辑语义的 Lean4 策略验证语言模型智能体的每一次工具调用，减少违规调用和提示注入的成功，同时支持在证明指导下修复被拒绝的操作。
这篇 135 页的调研论文将大型语言模型的智能体推理划分为三个层次——基础推理、自我进化推理和集体多智能体推理——涵盖上下文内与训练后优化，并讨论了实际应用与开放挑战。
对 Claude Fable 5.1 基准测试结果的分析表明，它在软件工程和工具使用方面实力强劲，尤其擅长理解代码库、编写测试和重构，但在法律推理、财务策略和危机支持应用方面表现落后。
IBM SIL 提出了 JevAct——一个运行时决策门控框架，它拦截使用工具的 LLM Agent 的动作，通过编译后的代码检查和仅预填（prefill-only）的决策模型验证策略合规性，并将修正结果反馈回去——在不修改模型或工具的情况下，将 Opus 4.6 在 τ²-bench Telecom 上的 pass^3 成功率从 39.5% 提升至 80.7%。
作者将「从零手写 Agent」教程整理成开源项目 NamiAgent：一个既能当 11 课图文+代码教程、又能在本地跑起来的 Agent，支持读写文件、执行命令、MCP 接入、长期记忆与网页端可视化，仅依赖 openai 一个包。
ServiceNow 发布了 Apriel Voice 27B 预览版，这是一个基于 Gemma 4 骨干网络的开源语音、推理与工具调用模型，支持语音理解、多模态上下文和函数调用，可搭配外部语音合成器构建语音助手。
ServiceNow AI 推出 Apriel Voice 27B Preview，这是一个基于 Gemma 4 26B-A4B 构建的开放语音-语言模型，在共享骨干中统一了语音理解、推理与工具使用能力，通过两阶段流程与在线蒸馏训练，在 Big Bench Audio 上达到 98.90 分、在 Speech-BFCL 上达到 81.13 分，平均延迟为 1.91 秒。
论文提出 CASEL（后果感知选择性执行层），一种模型无关的运行时分配策略，通过综合校准失败概率、后果严重性、可逆性、歧义性和证据新鲜度来为工具调用选择执行、验证、沙箱、澄清、审批或放弃等模式，仿真结果显示其将有害副作用轨迹比例从 14.75% 降至 7.02%。
该论文提出技能适配（skill adaptation）方法，通过元技能引导外部改写器将现有技能重写以匹配执行模型的能力，从而提升弱模型在 harness 自演化中的表现，并在七个模型上验证了改进效果。
该论文提出了递归语义散度（Recursive Semantic Divergence，RSD），一种基于强化学习双模拟度量的无监督轨迹级一致性指标，用于衡量大语言模型（LLM）智能体在相同状态下多次独立执行时的行为差异；将其作为奖励信号进行微调可显著降低任务进展方差并提升性能。
一项关于使用工具的 AI 智能体在执行时可靠性的研究，将恢复决策与语言模型行为分离，评估了 LangGraph 和 Temporal 宿主平台上 336 条执行历史中的检查点状态、调度权限、外部效应证据及状态核对义务，并对 Arya.ai 的 InfinityOS 进行了组件研究。
SCI-AGENT-EXAM 是一个面向工作流的基准测试，包含由专家精心筛选的 120 项任务，涵盖 11 个科学领域和 7 类研究任务，采用结合程序化验证与基于 LLM 的评判的混合评估方案，对 LLM 智能体进行评估。对 10 个前沿智能体的实验表明，GPT-6 Astra 以 80.9 的综合得分领先，但仅有 26% 的运行超过 0.95 的成功阈值，揭示了显著的能力与稳定性差距。
本文审查了在工具使用任务中对 Qwen3.5-27B 进行的残差激活干预，发现此类修改虽然提高了目标选择的准确率，但这些增益无法泛化到重新组合的事实，也未能提升完整动作的正确性，从而揭示了目标选择控制与条件敏感推理之间的区别。
Omni-InteractScope 引入了一个包含1,479条人工标注交互、涵盖八大任务组的基准，用于评估全模态大语言模型在连续视听流中能否可靠地实现及时的工具调用、无需查询的提醒以及持续引导，结果发现当前模型距离目标差距甚远。
该论文提出 MICA 与 DART 框架，研究在可执行能力相同的情况下，MCP 与 CLI 接口表示差异如何显著改变语言智能体的行为，并通过针对性修复接口实现提升性能、降低交互成本。