标签
该论文提出Δτ-Bench，一个评估AI智能体在不断演化的工具生态中适应能力的可执行基准，包含42个领域、6个生态状态下的1,588个多轮任务；并提出Steward生态系统管理器，通过增量技能维护和动态供应实现更高的持续任务成功率。
Unsloth 发布 NVIDIA Nemotron 3.5 Bolt E4B 的 GGUF 量化版本（Q4_K_M），这是一个基于 Gemma-4-E4B-it 进一步后训练的小语言模型（SLM），专为低内存、低首字延迟的本地语音助手与嵌入式/边缘设备场景优化。
一项公开基准测试让13个AI模型参与模拟全科问诊（针对5个人工编写的病例，共运行195次）。结果显示，模型几乎总能给出正确诊断，但在病史采集、安全性和恰当检查方面的表现差异很大（27%–85%），还出现了给青霉素过敏患者开具青霉素等明显失误。测试结果、对话记录和代码均已公开，相关论文计划发布于arXiv。
DynaWeave 是一个自动化合成框架，可将静态任务转化为含外生事件的可验证动态场景，用于训练 LLM 智能体适应环境变化；使用其生成的 2,095 条轨迹对 Qwen3.5 进行监督微调后，在 CostBench 上任务完成率提升 67.34 个百分点，并在 ToolMaze 上超越 Gemini-3.1-Pro-Preview。
本文提出 Discord 与 BRACE 两种方法，利用奖励分歧来校准 MCP 环境中工具使用语言模型的强化学习 rollout 预算分配，并在 Qwen3-VL 多个规模及 BFCL、NESTFUL 基准上验证其优于基线。
文章探讨了 AI agent 系统中「任务完成」信号不可靠的问题，并提出三层验证框架——回执、读回校验和独立检查——以证据驱动的方式定义何为真正的完成。
Aaron Levie 认为，自主、领域专用的智能体（agent）正成为 AI 的新兴形态，其驱动力来自更强的工具与计算机使用能力、不断提升的模型能力，以及成熟的智能体框架（harness）和基础设施——这使它们远超简单的 LLM 包装器，成为企业工作流的一大飞跃。
MMedAgent-Plus 是一个多模态医疗工具使用智能体，将视觉-语言规划器与 18 个专科模型相结合，覆盖 12 项医疗任务和 8 种模态，能够编排多步临床工作流。其专科模型调用正确率达 90.6%，最终回答准确率为 0.98，远超最强基线（0.28）。
该论文提出 TURTLE，一种无监督环境设计方法，通过 proposer、solver 和 feedback generator 自动演化出自我调优的长时程工具使用基准，可在 AppWorld、τ-Bench 等评测中提升任务难度、多样性并揭示更广的失败模式。
PROVISO 是一个在 LLM agent 执行动作前进行溯源感知决策的控制器，通过将可信与外部观察编码为溯源类型记忆来平衡安全性与实用性，在多个 agent 安全基准上显著优于现有基线。
一场设计讨论，探讨智能体何时应合并两个缺少共享快照的只读工具的读数，以及在给出附带限定条件的可用性估算与单独报告读数同时保留不确定性之间，应遵循怎样的响应契约。
该论文提出 BRIA（Branch–Inspect–Adopt）智能体，将候选工具的探索隔离在独立分支中并依据执行证据选择性采纳，从而在大型工具库（1897 个工具）上实现更优的工具检索与使用，在 MCP-Atlas 上比 MCP-Zero 提升 14.37 个百分点。
我们提出 AuditKIT，一个源代码可用的评估库，将基准准确率、基于评判模型的评估、运行时性能、工具使用行为和检索质量统一到单一的结果表示中，并支持方向感知的指标契约与可扩展的后端。七个案例研究展示了答案抽取、运行时行为和指标选择如何改变大语言模型与智能体系统的评估结果。
MS-Eval 提出一个统一评估套件，用于量化主代理委派与子代理执行（MAD-SAE）范式在 MCP 密集场景中的表现，对四个 MAD-SAE 变体和八个前沿模型的评测显示子代理专业化最优，开源模型整体表现有竞争力，但委派通常增加成本且收益不确定。
OpenVLHarness 是一个多模态推理框架，通过能力层、持久化多模态记忆与编码接口实现异构工具组合，在 22 个基准上相较无工具基线平均提升 9.7-12.6 分，同时显著降低 token 成本。
本文提出了一种LLM Agent架构HybridAgents，它通过轻量级的HybridLink在潜空间推理与文本驱动的行动之间动态切换，并结合HybridSFT与HybridRL后训练，在11个基准测试上实现了10.4%的性能提升，同时显著降低了token消耗、延迟和成本。
讨论了网络研究智能体应如何决定何时停止搜索，将停止决策拆分为覆盖度、进展和预算三项检查，并主张返回未解决的问题，而非虚假的自信。作者询问从业者，他们实际为研究智能体采用了怎样的停止规则。
Muse Glimmer 是一款拥有 300 亿参数的开源多模态智能体模型，通过 4 位量化可在消费级硬件上本地运行多步推理与工具调用，并在同等规模的智能体基准测试中超越 Gemma4-31B 和 Qwen3.6-27B，现已采用 Apache 2.0 许可证发布。
一家运行 AI 销售代理（Claude + 工具调用）的小公司讲述了一个捣乱者如何用虚假电子邮箱测试他们的机器人，以及他们如何通过代码层面的 DNS 校验关卡修复验证机制，并修复了几个提示词和工具返回结果方面的缺陷——最终得出结论：工具返回结果中的文本本身也会充当提示词。
Composio 报告称 Cline 搭配 GPT 6 Astra 在其状态化工具使用基准测试中取得 23/29 的成绩，是其测试过的 harness 中最高分。