Agent 智能体

以GLM-5为例：九章智算云如何落地训推一致的强化学习系统

本文以GLM-5为例，探讨九章智算云如何通过强化学习系统实现训推一致。文章指出，随着预训练边际收益递减，模型能力Scaling正转向后训练强化学习，RL成为模型能力持续提升的关键。九章智算云通过将Generator、Environment和Trainer纳入统一工作流，实现动态调度和状态资源化，提升有效Token产出率，并与模型厂商形成算法与基础设施双向RL

Bedrock-RL：用于训练和评估 VLM 智能体的确定性 Minecraft 框架

Hugging Face 博客发布了 bedrock-rl，一个用于训练和评估视觉语言智能体（VLM agents）的确定性 Minecraft 框架。它结合了 Netherite（Minecraft 模拟的确定性 C/CUDA 重实现）和 verl（分布式强化学习库），支持多种训练方法（如 GRPO、SFT 等），并采用可替换组件的设计，通过 YAML 配

杰富瑞实测：阿里千问办公Agent综合排名第一，超越Claude Cowork和Codex

华尔街投行杰富瑞实测八款全球主流AI Agent，结果显示阿里千问办公综合得分第一，超越Claude Cowork和Codex。测试涵盖五项真实办公任务，千问办公在复杂任务、浏览器控制及多模态生成中表现突出，且隐含Harness分居首。报告指出，Agent竞争正转向企业级场景，成本与生态协同成为关键。

另有 1 家信源报道

人形机器人走进国家级实验室，源络科技推动实验室3.0

源络科技与国家级科研实验室联合研发了人形机器人Monte2，已在该实验室落地，可自主完成细胞毒性检测等复杂实验流程，计划到2027年底扩展至约百台规模。源络科技还发起了“原点计划”，招募100位合作伙伴，推动AI for Science从计算走向实验执行，实现实验室3.0。

n8n 2.35.4 发布：修复与 AI 助手遥测增强

n8n 发布 2.35.4 版本，修复了 API 路由请求模式返回和 Google Ads 节点指标选择问题，并新增 AI Assistant 设置漏斗遥测功能及托管 OAuth 凭据作用域显示选项。

IJCAI 2026前瞻：中国厂商将大模型融入复杂系统

IJCAI 2026 在德国不来梅召开，聚焦 Agent、多智能体、机器人和强化学习。中国厂商如阿里、字节、百度、腾讯、华为等正将大模型融入复杂系统，补齐 Agent 能力缺口，竞争从模型能力转向系统能力。

CARA：认知自适应推荐智能体框架

CARA 是一个受认知决策过程启发的推荐智能体框架，将推荐建模为结构化决策过程，包含候选过滤和情感/理性双视角决策建模，并引入边界感知 KTO 策略优化训练。在 Amazon Reviews 三个领域上的实验表明，CARA 在多数指标上优于基线，相对提升最高达 10.15%。

ICD-Deepresearch：基础模型与深度研究结合的临床代码预测

arXiv 论文提出 ICD-Deepresearch，一种结合结构化 EHR 基础模型（SparseEHR）与语言模型（GPT-5）的深度研究流程，用于预测下一次就诊的 ICD 诊断代码。该方法通过候选生成、研究扩展和最终选择，在 MIMIC-III 和 MIMIC-IV 数据集上取得了优于基线（如 GPT-5 网页搜索和 Medical Deep Res

Graphectory Viewer：软件代理轨迹过程中心分析工具

Graphectory Viewer 是一个基于 Web 的交互式工具，用于对软件代理轨迹进行过程中心分析。它基于 Graphectory 表示，将异构原始轨迹转换为阶段感知图，支持节点级检查、搜索过滤和桑基图摘要。该工具支持多种代理框架，并已开源，附带文档、预计算图和大型轨迹语料库。初步用户评估显示，与 SWE-agent 命令行查看器相比，任务准确率从

ORCA：基于可观测性的微服务事故程序修复方法

ORCA是一个面向微服务事故的、基于可观测性的自动程序修复流水线。它通过对比故障与参考遥测数据生成故障签名，定位候选代码和配置位置，并利用修复图代理生成补丁，最后由遥测验证器评估。在575个案例的基准测试中，ORCA在成本效益上优于所有基线，表明遥测数据可转化为可操作的修复上下文。

Aegis：代理 AI 运行时治理系统实现行动边界控制

SPQR Technologies 提出 Aegis 运行时治理系统，将模型输出视为行动提案，在工具执行前通过可信决策层进行调解，实现行动边界控制。在包含 6300 行的沙盒语料库评估中，Aegis 治理的 2100 行记录显示零治理风险副作用完成，而提示策略条件化产生 79 行风险泄漏。该系统采用服务器端溯源解析、失败关闭机制和基于法定人数的 Senate

MITRE-SAGE：多智能体网络安全问答模型

MITRE-SAGE 是一个多智能体检索增强生成框架，用于网络安全问答，通过整合语义和结构知识提升 LLM 的可靠性和可解释性。该框架在八个基准任务中的五个上优于独立 LLM 和传统 RAG 方法，并发布了包含 3000 个问答对的 MITRE-QA 基准。

基于契约的AI代理测试生成：规范驱动方法的实证评估

该研究提出了一种名为Spec-Driven Test Generation的测试生成方法，通过让AI代理在生成测试前先提取并记录代码的前置条件、后置条件和未定义行为，形成半形式化规范作为引导。在Google的90个历史生产bug上的评估显示，该方法相比传统基线在bug检测率上提升了9.8个百分点，分支覆盖率提升了2.5个百分点。LLM-as-a-Judge评

GxP-Agent：基于过程DAG拓扑的可靠临床试验编程LLM代理系统

GxP-Agent 是一个多智能体系统，将临床试验编程的监管流程编码为有向无环图（DAG），分解为15个领域特定节点，由具备pharmaverse技能上下文的工人代理执行，并包含验证门和条件重试。在CDISC-Bench基准测试中，GxP-Agent使用Claude Sonnet 4.6实现了100%的结构匹配，而所有单代理和扁平多代理方法均为0%，表明编码

LadderTeam：双智能体阶梯式需求引出框架

LadderTeam 是一个基于双智能体大语言模型架构的自动化阶梯访谈框架，用于从软件可用性反馈中提取可操作的需求。它通过主动访谈代理执行 ACV、5-Whys 和 JTBD 三种探询策略，并由后台评判代理实时监控话题漂移。在 216 次模拟访谈中，实现了 99.1% 的链收敛率和 81.0% 的可行响应匹配率，且零漂移。该框架将开源，以提升软件需求获取的效

PydanticAI v2.32.0 发布：新增 xAI 附件搜索与多项修复

PydanticAI 发布 v2.32.0 版本，新增了模型名称建议、xAI 附件搜索生命周期支持、OpenRouter 网络搜索来源展示以及工具结果角色标注等功能。同时修复了同步钩子线程池执行、取消操作处理、空文本响应、工具列表展示、Bedrock 多工具揭示和重放工具调用等多个问题，并将 HTTP 客户端依赖升级为 httpx2。

RUPA：面向LLM代理的关系不确定性传播框架

RUPA是一个针对LLM代理的轨迹级不确定性量化框架，它将执行历史建模为有向图，通过传播不确定性来捕捉错误在长轨迹中的累积和转移。在τ-2、Terminal-Bench-2和GAIA基准测试中，使用6个开源LLM进行的实验表明，RUPA在准确性、早期失败检测和不确定性引导执行方面优于现有方法。该研究强调了显式建模关系依赖对于长周期LLM代理可靠不确定性量化的

DeepSeek V4 Pro 与 GPT-5.6 Sol 对比：级联策略以更低成本提升编码准确率

Together AI 在 DeepSWE 基准上对比了 DeepSeek V4 Pro 0813 与 GPT-5.6 Sol，发现 Sol 在单次尝试中准确率更高（72.7% vs 62.8%），但 Pro 成本仅为 Sol 的 1/35，且在多次尝试后覆盖率反超。通过先运行 Pro、失败时升级到 Sol 的级联策略，可解决 83.0% 的任务，每任务成本

支付宝发布AHA多智能体协议，车载服务落地16家车企

支付宝在首届智能体商业生态合作伙伴大会上发布国内首个AHA多智能体跨端互联协议体系，并与比亚迪、吉利等20余家生态伙伴共同发起多智能体互联协同生态共建计划。支付宝‘阿宝’智能体车载服务已覆盖16家车企、超1600万辆汽车，新增60余家定点合作，推动智能体商业规模化落地。

StateM 通过运行时扩展在 Terminal-Bench 2.1 上实现 95.3% 准确率

StateM 是一个通过持久状态、可恢复运行手册和程序化控制来提升长时程智能体执行能力的运行时系统，无需修改模型权重。在 Terminal-Bench 2.1 上，StateM 将 GPT-5.5 xhigh 的准确率从 83.1% 提升至 92.1%，并将 GPT-5.6 Sol xhigh 提升至 95.3%，同时将 DeepSeek-V4 Flash