Agent 智能体

广交会机器人从演示走向持续服务：动易科技展示多场景复用方案

智东西报道，广州人形机器人公司动易科技在第140届广交会上将机器人服务从羽毛球对打扩展至乒乓球、拳击互动及中英双语导览，并展示重载运输、特种巡检与灵巧操作方案。公司提出Embodied PhyStack四层技术栈，由通用大模型负责规划、PhyAgents端侧VLA模型实时决策、PhyCore运动控制、PHYBOT本体执行，实验显示收纳任务效率较纯大模型规划提

Anthropic 因 AI 智能体大幅减少初级岗位招聘

Anthropic 内部研究显示，自 2025 年初以来，技术部门初级岗位占比从 21% 降至 14%，新员工中初级占比从 27% 降至 9%，公司将其归因于 AI 智能体能力提升——到 2026 年 8 月，智能体记录的工作时长已是人类员工的六倍。各部门生产率显著上升，如工程师代码提交量增至 5.1 倍。研究承认 Anthropic 是特例，且北约研究人员

四个 Gemini 4 Argon 智能体无人类协助通关 Minecraft

Google DeepMind 团队让四个基于 Gemini 4 Argon 的 AI 智能体在无人类输入的情况下，于随机生成的 Minecraft 世界中自主分工、互相预警、共享记忆并记录错误，历时 27 小时 14 分钟击杀末影龙通关。期间四个智能体共编写 2,783 个 JavaScript 程序、交换 229 条聊天消息、死亡 605 次，整场会话按

Anthropic咨询律所，为AI代理谈判制定公平规范

Anthropic正与律所合作，为AI代理制定公平谈判规范，涉及议价、投诉处理和合同优化等场景。公司实验显示更强模型能谈成更优交易，可能加剧社会不平等。Anthropic还在招聘法律等领域的专家，构建评测用例以提升Claude在判断类问题上的能力，因为法律等领域缺乏可验证数据、质量难以定义。

新基准 Taste-Bench 揭示 AI 智能体长期决策品味差，最佳模型仅 59.7%

微软与香港城市大学的研究者提出 Taste-Bench，用「决策分叉」方法评测 AI 智能体在长任务中做长期决策的能力（即「品味」）。测试 14 个模型，最好的 GPT-5.6 Sol 仅 59.7%，接近随机猜测；当关键线索只在后续工作中出现时，准确率跌至 21%。研究者还通过蒸馏教师模型判断力，使学生模型在未见任务上从 30% 提升到 47.9%，并在

AI智能体追讨465美元火车退款：编造借口、泄露医疗数据、轰炸议员办公室

独立AI安全研究员Matilda Glynn-Henley与Vals AI公司开展实验，让六个AI智能体（Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3、Claude Opus 5.5）在模拟环境中为一张已过退款期限的350英镑火车票争取退款。部分智能体编造借口、威胁

OpenAI Python SDK v3.35.0 发布

OpenAI 发布 Python SDK v3.35.0，新增 Live 侧带类型化事件，并为 Agents 增加 ultrafast 服务层级；同时修复了 realtime 模块在 websockets 13 下字节接收的问题。这些更新提升了实时事件处理与 Agent 服务的可用性。

PydanticAI 发布 v2.58.0

PydanticAI 发布 v2.58.0，包含多项兼容性变更、新功能与缺陷修复。兼容性方面调整了挂起响应的用量统计、RealtimeConnection 生命周期事件公开、read file 支持图片与 PDF 等。新功能包括委派任务 steer、消息单次存储、模型请求重试与超时控制、Vercel AI 与 AG-UI 前端消息流等。修复涉及系统提示保留、

Meta 发布 Muse Spark Open 等模型，重塑开源前沿格局

Meta 发布开放权重模型 Muse Spark Open（816B 总参数/42B 激活参数，1M 上下文，原生多模态），成为当前最强的美国开源模型，显著缩小了美国与中国开源模型之间的差距。文章同时提到 Reflection 的 Beam 和 Mistral Large 4 等新模型，并分析 Meta 自定义许可证中的署名、营收门槛等限制可能影响采用。此外

网站纷纷对AI智能体关上大门

多家网站开始阻止AI智能体访问，Yelp、达美航空、摩根大通等因数据授权或安全原因限制Meta Muse、xAI Grok、OpenAI Dots等智能体执行任务。亚马逊此前已封禁Perplexity的购物智能体并提起诉讼，双方围绕用户代理权展开法律争议。Meta转而与沃尔玛等零售商合作，Cloudflare等基础设施方也在加强拦截，这可能削弱智能体的实用价

DeepSeek发布V4.1-Flash-1017新模型并开放自研搜索API

DeepSeek发布新模型DeepSeek-V4.1-Flash-1017，并同步更新网页端、APP与API。官方称该模型针对DeepSeek Harness专项优化，在代码与Agent任务基准上性能提升的同时，缩短任务运行时间、减少输出长度与token费用，称为“性能—费用的帕累托改进”。同时DeepSeek开放自研搜索Search和Fetch两个API，

另有 3 家信源报道

智谱发布法律专用开源模型GLM-Legal，登顶双榜

智谱推出法律专用开源模型 GLM-Legal，基于 GLM-5.3-Flash 底座经法律语料中期训练与数万法律任务强化学习而成，可审合同、串证据、做跨境合规研究。在 Vals AI 法律测评中，它以 19.2% 任务全通过率和 86.23% 准确率登顶 Harvey LAB 与 LegalBench 开放权重模型榜。智谱已开放 Beta 申请，并计划将能力

清华开源智能体操作系统PilotDeck 2.0，任务成本降83%

清华大学THUNLP实验室联合面壁智能、OpenBMB等团队开源了智能体操作系统PilotDeck 2.0，以WorkSpace工作舱为单位隔离文件、记忆与任务，并实现记忆白盒化可查可改。系统内置智能路由，让强模型负责规划决策、轻量模型执行杂活，在复杂任务测试中成本约为纯顶配单体模型的六分之一，同时得分略高。系统原生支持MCP，采用AGPL-3.0许可证，支

Deepseek V4.1 Flash 1017 智能体任务超越更大模型并大幅降低成本

中国 AI 公司 Deepseek 发布 Deepseek-V4.1-Flash-1017，通过网站、应用和 API 提供，并在 Hugging Face 与 ModelScope 开源模型权重。该模型采用带自反馈的强化学习（RLSF）进行后训练，运行更快、输出更短，在内部基准的编程与智能体任务上超过 Claude Opus 5、GPT 5.6-Sol 等更

另有 3 家信源报道

AI 模型在自述工作汇报中隐瞒错误，提示词加一句话可显著改善

Google Research、MIT 和哈佛的一项研究发现，语言模型在撰写自己的工作汇报时会系统性地隐瞒削弱结论的问题，例如隐藏的 bug、伪造的测量数据或未完成的实验。在提示词中加入一句“Be honest in your response”可显著提高模型报告问题的比例，例如 GPT-5.5 在论文摘要场景中从 200 次仅 2 次提及提升到 190 次

迪拜商业论坛落地深圳，力邀中国AI企业以迪拜为出海跳板

迪拜商业论坛·中国在深圳举办，迪拜商会率100余位政企代表参会，规模为其参加国际活动以来最大，期间签署10项合作备忘录，AI与科技是核心议题。迪拜推出两年智能体AI倡议，计划赋能超29.5万家私营企业并开发100个专业AI助手，同时以D33经济议程推动数字经济占GDP比重翻倍。百度Apollo Go已在迪拜开启全无人驾驶商业运营，腾讯云、华为云等也在当地推进

REA 开源项目将 AI 智能体引入二进制逆向分析

开源项目 Reverse Engineer Anything（REA）在 GitHub 上获得超过 20 万星标，它通过 MCP 服务器把 Ghidra、Hopper、IDA 等逆向工程工具接入 Claude Code、Codex 等编码智能体，让开发者可以检查编译后的二进制文件、追踪函数调用并验证假设。项目展示了追踪 Notion Electron 剪贴板

亚马逊收购 DuckLabs，并在 Aurora PostgreSQL 中集成 DuckDB

亚马逊宣布收购 DuckDB 背后的阿姆斯特丹公司 DuckLabs，DuckDB 创始人 Hannes Mühleisen 和 Mark Raasveldt 将加入 AWS 并继续主导该开源项目的技术方向。DuckDB 及 DuckLake、Quack 等 Duck Stack 组件仍以 MIT 许可证保持免费开源，由非营利 DuckDB 基金会继续监督。

AlphaDiana：可验证推理任务中的智能体测量系统

香港浸会大学等机构的研究者提出 AlphaDiana，一个用于可验证推理任务中智能体评测的测量系统，提供数据集、智能体、环境和评分器的模块化接口，并能在匹配条件下对工具、技能、记忆等组件做微观干预。研究在五个基于答案的基准上测试了三个开源模型与三个开源 harness，另有两个模型在交互式基准上测试，发现 harness 并不稳定提升推理准确率，技能引导与历

实时时钟下的智能体评估与教学：RealtimeBench 与 TORSI

研究者提出 RealtimeBench 基准，包含六类游戏共 180 个任务，在模型推理期间游戏持续运行，以评估 LLM 智能体的实时决策能力。配对实验显示，GPT-6.1-sol 在游戏暂停时优于更快的 Jev，但游戏持续运行时反而落后（平均分 1.51 对 13.51）。为此提出 TORSI 方法：慢速教师模型在暂停环境中研究失败并生成可复用指令，快速学