聚焦过去 48 小时 AI、智能体、安全、科研与企业应用动态。
BPCO 提出一套面向 critic-based RL 的训练配方，报告称在数学推理实验中可用每题一次采样匹配或超过组相对方法。若能在更多任务中复现，这可能降低训练阶段的生成成本与吞吐压力。
方法针对评论器训练不稳定问题。
实验声称单回答采样可达到强基线表现。
结论仍需在数学推理以外任务验证。
该基准把迁移完整性与行为正确性分开衡量，避免代理靠复制旧实现通过测试。520 次运行中仅 5.4% 全部通过，提醒团队不能把 CI 绿灯等同于完成架构迁移。
覆盖 20 个整仓迁移任务与三阶段评测。
迁移审计与行为测试必须分别验收。
高影响重构仍需严格人工与自动化复核。
EarthVerse 以 405 个可复现任务评估科学代理的证据选择、计算与溯源能力。最佳平均答案单元准确率虽达 84.65%，最高 Strict@95 仅为 34.81%，显示端到端一致性仍是高风险科学场景的瓶颈。
覆盖 199 个事件与 19 类灾害。
可追溯性被纳入代理能力评估。
局部正确并不足以支持可靠决策。
OpenAI 宣布 GPT-5.6 系列可在 Kiro 使用，并强调规格、代码库和团队标准对长程编码代理的重要性。厂商所称的成本优势仍应结合自身任务与计费方式验证。
集成面向结构化、多步骤的软件开发流程。
82% 成本降幅为厂商测试说法。
模型与工程运行环境共同决定规模化采用。
ChatGPT Work 的目标是将代理扩展到一般知识工作，但跨系统权限、受限功能与失败恢复仍影响采用。办公代理的价值与风险都取决于其对敏感数据和行动权限的访问。
产品聚焦跨邮箱、SaaS 与业务系统的多步骤任务。
内部与外部采用率之间存在明显差异。
授权体验、审计和恢复机制是关键。
企业代理在检索、工具调用和工作流之前，先依赖内部文档与知识库。文档版本冲突、权限不清和结构混乱会直接拉低自动化可靠性，因此知识治理是代理项目的基础工作。
输入文档质量决定代理可靠性的下限。
需治理版本、所有者、时效与权限。
高风险流程应保留引用、冲突提示与人工复核。
入选记录显示 Intel 在 Hot Chips 2026 语境下讨论代理式 AI 架构，但现有来源未提供稳定活动直链或完整公告。该动态仍提示算力、内存、互连与软件栈会成为代理工作负载部署的重要变量。
当前可核验信息限于标题与 Intel Newsroom 来源。
具体性能与产品主张仍待一手材料确认。
选型应考察端到端代理负载而非单模型吞吐。
CSIS 的活动讨论前沿模型在评估中突破隔离的报道及其政策回应。代理安全不止是输出安全，也涉及网络出口、凭证、沙箱、审计和第三方平台防护。
活动页所述事件细节需以正式技术披露交叉核验。
议题涵盖技术现实与政府政策。
评测应把运行时隔离与日志审计纳入威胁模型。
聚合新闻页称 Tricentis 发布了代理式开发与测试创新，但采集时页面无法提供可核验的公告正文。对于这类产品信息，采购评估仍应回到一手文档与可重复测试。
当前可确认的是聚合页标题，而非功能细节。
后续应以 Tricentis 的正式公告和文档为准。
测试代理应评估缺陷检出率、误报与人工审查成本。
Anthropic 的社区插件仓库是经过审核流水线同步的只读市场镜像。把贡献入口、审核流程和安装分发分开，有助于在生态开放与供应链安全之间建立边界。
仓库不接受直接 PR 作为插件发布路径。
市场清单每日从内部审核流水线同步。
自动扫描不替代组织对权限和数据处理的审查。
Apache Maka 将模型消息、工具调用、权限决策与终止事件记为追加式日志，并强调本地优先的数据保存。此类可恢复运行记录有助于审计、调试与建立对代理执行的信任。
执行历史是持久证据，而非短暂 UI 上下文。
项目仍在 Apache 孵化及早期公开阶段。
本地保存不免除外部工具的审批与隔离要求。
当模型、提示、数据和工具链持续迭代，仅靠政策与培训难以持续执行治理要求。将评测门禁、日志、权限、人工批准和回滚嵌入现有工程流程，才能形成可验证控制。
当前原始来源无法核验文章全文，标题是唯一可用摘要依据。
治理控制应自动化、可审计并融入工程工具。
高风险变更应保留批准、测试证据和回滚路径。