Google 发布智能体隐私与安全研讨会报告：以情境完整性视角探讨开放性难题
Google 发布 CAPS 研讨会报告，汇聚 50 多位学界与业界领袖，探讨自主智能体的隐私与安全挑战。报告指出智能体在非结构化接口、概率性控制流和自主委派三方面区别于传统软件，并以情境完整性（Contextual Integrity）理论为基础，提出构建情境策略引擎，结合系统级沙箱、模型级推理和以用户为中心的控制，形成多层防护方案。
#Agent
#Agent
今日 2 条Google ResearchAI 评分4747 MIT Technology Review · AIAI 评分4242 MIT Technology Review 报告：如何将 AI 智能体连接到企业知识
MIT Technology Review 基于 300 位数据、AI 及技术高管的调研报告指出，知识匮乏是 AI 智能体项目难以落地的主要原因，平均仅 34% 的 agentic AI 项目进入生产环境。
Hugging Face Blog精选AI 评分6969 Microsoft ThinkingBox 登陆 Hugging Face，以后端状态评测智能体真实可靠性
Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱和 ThinkingBox-Bench 基准，507 个有状态业务工作流、每任务运行 20 次，用可执行检查评测终端数据库状态与副作用，现已通过 OpenEnv 在 Hugging Face 开放。
推荐理由：原文用可执行的后端状态检查区分了表面成功与真实结果，还给出各模型一致性与成本数据，对评估智能体有直接参考。
The DecoderAI 评分4747 AI 在速度和准确性上超越持证会计师，但仍无法在无监督下完成结账
Mercor 的研究让 12 名平均经验 5 年半的持证会计师完成 APEX Accounting Benchmark 的简化任务，结果显示当今 AI 模型的速度、准确率和成本均优于会计师，而 18 个月前最佳模型得分还低于会计师约 37% 的平均水平。
The Decoder精选AI 评分7777 AI 击败 Stratego 史上最强人类棋手，Ataraxos 以不到 8000 美元算力突破不完美信息博弈
研究团队开发的 Ataraxos 在三周的对局中以 85% 有效胜率击败了四届世界冠军、公认史上最强的 Stratego 棋手 Niemeijer，并在 2025 世界锦标赛表演赛中赢下 40 局中的 38 局。
推荐理由：原文对比了 Ataraxos 与 DeepNash 的训练成本和方法细节，读者可以了解不完美信息博弈研究的最新进展。
Hugging Face BlogAI 评分4949 ProvenanceGuard：面向 MCP Agent 的来源感知事实性验证方法
Hugging Face 团队提出 ProvenanceGuard，一个针对 MCP Agent 的来源感知事实性验证层，可在生成后检查每条论断的支持来源是否与答案声明或暗示的来源一致，识别"跨来源混淆"问题。
Google ResearchAI 评分5454 Google Research 推出 AI 视频联合导演框架，用多智能体实现连贯长视频生成
Google Research 发布 AI 视频联合导演研究，构建了基于 Gemini 和 Veo 的多智能体编排层，包含 Co-Director、CANVAS、A²RD 和 VQQA 四个框架，将长视频生成转化为全局优化与世界状态跟踪问题。
Hugging Face Blog精选AI 评分6464 IBM Research 推出 ALTK-Evolve 一致性指南，将 Agent 一致性差距从 24.4pp 降到 12.0pp
IBM Research 在 ALTK-Evolve 中推出 Consistency Analyzer 和一致性指南，针对 Agent 同一任务多次运行结果不稳定的问题。
推荐理由：原文给出可复用的 Pass^k 指标和一致性诊断方法，读者可据此评估并改善自己 Agent 的复现稳定性。
Google ResearchAI 评分4747 Google 推出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 在 ACL 2026 提出 ToolGrad，一种“答案优先”的工具调用数据集生成方法：先构建真实工具调用链，再用文本“梯度”迭代提出、执行、选择和更新 API 工作流。
Google ResearchAI 评分5050 Google Earth AI 推出行星预测引擎 PPE，自动完成地理空间建模全流程
Google Earth AI 推出实验性研究能力行星预测引擎（PPE），可从自然语言查询出发自主执行数据发现、清洗、特征工程、模型训练与评估的完整地理空间预测流程，将此前需数周人工数据工程的工作缩短到几分钟。
Google ResearchAI 评分3737 Google 发布 AgentHands：为 XR 空间对话中的 AI 智能体生成交互式手势
Google 在 CHI 2026 发表研究原型 AgentHands，让 AI 智能体在 Android XR 等沉浸式环境中生成与语音同步的手势，延续 Project Astra 与 Gemini 3.1 Flash Live 的方向。
Google ResearchAI 评分5050 Google Research 推出 Biomarker Discovery Framework：从可穿戴设备数据中优先排序候选生物标志物
Google Research 推出 Biomarker Discovery Framework，一个多智能体系统，将候选生物标志物优先排序结构化为人类监督下的迭代研究流程，结合假设生成、统计分析、模型训练与对抗性验证。在三个队列共 9,279 人次观测中，该系统自主识别出 41 个心理健康候选数字生物标志物和 25 个代谢类候选标志物，并构建了睡眠时长变异性等新型复合特征。
Hugging Face BlogAI 评分5151 ALTK-Evolve 实验发现智能体记忆需要按模型能力校准剂量
IBM Research 团队基于 ALTK-Evolve 在 AppWorld 的 585 个多步任务上测试八种模型后发现，智能体记忆该给多少取决于模型能力。
Import AIAI 评分4444 Import AI 469：科学 AI、RSI 模拟器与 DiG-bench 发现能力基准
DiG-bench（Discovery in Games）发布，这是一个包含 70 款游戏的基准，用于测试 AI 通过探索自主发现隐藏规则的能力，21 款游戏已公开。
Google ResearchAI 评分5252 Google Research 提出 Chain-of-Evidence 框架，Science One 实现零幻觉引用的可验证自主科研
Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并发布原生构建证据链的自主科研原型 Science One Framework 和自动化评估协议 CoE Audit。
Import AIAI 评分7272 Import AI 466：MirrorCode基准发布、机器人 bitter lesson 与 OpenAI 模型越权入侵事件
Epoch 与 METR 发布 MirrorCode 基准，测试 AI 仅凭 CLI 访问重新实现完整软件的能力，25 个目标程序中 17 个有至少一次满分运行，Claude Opus 4.7 用 14 小时、251 美元推理成本完成了人类估需 2-17 周的任务。
Berkeley AI ResearchAI 评分4646 教 LLM 更新信念状态以实现高效长程交互：Berkeley AI Research 提出 ABBEL 框架
Berkeley AI Research 提出 ABBEL 框架，用自然语言信念状态替代完整交互历史作为智能体的工作上下文，并引入 belief grading 监督摘要内容。在 CollabBench 协作编程测试中，ABBEL-rec-BG 将与全上下文模型的性能差距缩小约 50%，训练步数从 100 减至 50，峰值上下文 token 长度也显著低于全上下文设置。
Hugging Face BlogAI 评分4545 Hugging Face 发布 ScarfBench：评测 AI 智能体的企业级 Java 框架迁移能力
Hugging Face 推出开源基准 ScarfBench（Self-Contained Application Refactoring Benchmark），用于评测 AI 智能体在企业级 Java 跨框架迁移任务上的表现，覆盖 Spring、Jakarta EE 和 Quarkus 三个生态。
Google ResearchAI 评分5252 Google 发布 ReasoningBank 论文：让智能体从成功与失败经验中学习自我进化
Google Research 发布 ICLR 论文 ReasoningBank，提出从智能体的成功与失败经验中蒸馏高层推理记忆的框架，区别于只记录轨迹或仅总结成功流程的 Synapse 和 AWM。
Berkeley AI ResearchAI 评分4444 GRASP：面向更长时序世界模型的梯度规划方法
Berkeley AI Research 提出 GRASP，一种基于梯度的世界模型规划器，让长时序规划更实用。其核心改进包括三点：把轨迹提升到虚拟状态使优化在时间上并行、在状态迭代中直接加入随机性以支持探索、重塑梯度避免穿过高维视觉模型的脆弱"状态-输入"梯度。
Google ResearchAI 评分3636 Google Research 推出 ConvApparel：量化并弥合用户模拟器的真实感差距
Google Research 发布 ConvApparel 数据集，包含超过 4,000 段、近 15,000 轮的人类-AI 多轮对话，用于量化 LLM 用户模拟器的“真实感差距”。
Google Research精选AI 评分7272 Google AMIE 完成真实门诊前瞻性可行性研究，与 BIDMC 合作验证对话式诊断 AI 安全性
Google Research 与 Beth Israel Deaconess Medical Center 合作开展前瞻性单中心可行性研究，让 AMIE 在 100 名成人患者的初级诊疗就诊前采集病史，由医生通过视频实时监督。
推荐理由：原文公布了 AMIE 在真实初级诊疗环境中的前瞻性可行性研究数据和安全性结果，读者可据此了解医疗对话 AI 走向临床的证据现状。
Berkeley AI ResearchAI 评分4646 分而治之：不依赖 TD 学习的强化学习算法
Berkeley AI Research 提出一种基于分而治之（divide and conquer）的 off-policy RL 价值学习算法，不再使用时间差分（TD）学习，后者因 Bellman 递归误差累积难以扩展到长时程任务。