CAFE：无需实例特定指令的闭环自主任务制定与执行
CAFE 在无需实例特定目标或动作序列的情况下，根据场景自主制定并执行清洁、安全及收纳整理任务。它通过在线记忆、Trigger-LLM 以及 Draft、Complete、Audit 环节连接任务发现、执行与结果修正；在 12 个 AI2-THOR 场景中，Tri-LLM 在三种骨干模型和各任务复杂度层级上的 GCR 均高于受评基线。
#Agent
arXiv 机器人论文摘要 arXiv 分布式计算论文摘要 短时突发消退后，前缀缓存智能体服务仍会持续退化
Wen Huang 和 Jack Liu 发现，数分钟的额外请求可使 vLLM 智能体服务持续退化，缓存命中率降至约10%、吞吐量减半，积压在其余70分钟内继续增长。
arXiv 分布式计算论文摘要 Plumbline：当损失函数说谎，如何正确验证 LLM 训练
Plumbline 是用于验证 LLM 训练正确性的系统，已在 Amazon 生产环境使用，可检查从训练数据、新增模型层到完整训练及模型服务的全生命周期，并追踪故障根因。它在 3 个框架和 5 个模型中发现 61 个问题，其中 32 个为静默问题，42 个已修复或上报上游。
arXiv 机器人论文摘要 ASPIRE：用于迭代推理与探索的智能体系统辨识平台
ASPIRE 让大语言模型智能体选择并执行非线性系统辨识方法，基于测量数据构建闭式静态或动态模型，并支持自主及交互运行。其在3个实测系统的30次测试中均生成有效模型，每次成本为0.96至3.38美元；150项评估中132项完全满足、18项部分满足。
arXiv 分布式计算论文摘要 SHADOWPREFILL：为智能体 LLM 服务的逐步模型路由预热下一模型
SHADOWPREFILL 利用正常流量的闲置容量，为路由器未选中的模型预填充会话上下文，使模型切换时可复用前缀缓存。在 5 套智能体 benchmark、24 组模型配对中，其将切换调用延迟降低 8.5-21.4%、LLM 调用延迟降低 3.7-17.7%、路由 token 成本降低 22.5-46.1%，同时维持正常流量 SLO，单请求能耗增加 0.4%。
arXiv 分布式计算论文摘要 PegasusAI Studio：面向科学工作流的可理解网络基础设施与可问责 AI 智能体
PegasusAI Studio 基于 Pegasus 和 HTCondor 构建 AI 辅助科学网关，让编码智能体理解执行环境，并将每项操作归因于用户且限制在其权限内。系统支持 JupyterHub 研究云和 HPC 上的 Open OnDemand，案例评估涵盖 CASA 工作流现代化、引力波与 EEG 分析，以及从两次失败恢复至零失败执行的 EHT M87 图像重建。
Microsoft Research精选 Microsoft 研究利用休眠神经元向 AI 智能体植入 Lazarus 后门
Microsoft 研究人员发现 Lazarus 技术无需训练，只需重编程大语言模型中少于 10 个休眠神经元，即可为其智能体植入由隐藏条件触发的后门。模型平时表现正常并能通过标准评测，触发后却可生成命令，让具备工具或终端权限的智能体下载并运行攻击者代码。研究认为可靠检测需要与原始权重比对，Microsoft 正探索权重扫描、红队检测、模型签名及可验证来源审计等防御措施。
推荐理由：研究揭示少量休眠神经元即可植入隐蔽后门，并将模型权重完整性与来源追溯列为智能体部署的关键防线。
The Decoder精选 Anthropic Fable 5.2 完成41.3%的真实自由职业任务，较一年前提升逾16倍
Anthropic Fable 5.2 在真实工作评测中完成了41.3%的专业任务，而约一年前的领先系统 Manus 仅完成2.5%，其成绩也接近当前第二名的两倍。
推荐理由：该评测以240个真实自由职业项目和人工验收衡量智能体，可用于比较不同模型完成专业工作全流程的能力差距。
Google DeepMind精选 Google DeepMind 公布 AlphaProof Code 研究，形式化验证 Signal 核心加密代码
Google DeepMind 公布 AlphaProof Code 研究，利用多 LLM 智能体框架和 Lean，对 Signal 协议实际代码的关键安全属性进行形式化验证。
推荐理由：该研究给出人类专家、多种大语言模型与 Lean 协作验证生产级密码代码的流程，可供评估 AI 形式化验证的工程路径。
Berkeley AI Research BAIR 在 CoRL 2026 展示机器人学习研究成果
BAIR 师生与博士后在 CoRL 2026 展示 33 篇主会论文、4 项后期成果，并参与 3 场口头报告和 7 场亮点报告。研究涵盖机器人控制、具身智能体、视觉语言动作模型、灵巧操作与导航，Negar Mehr 教授还将发表早期职业主题演讲。
Microsoft Research精选 Microsoft Research 用 PDD Kit 形式化验证智能体编写的全栈 Web 应用
Microsoft Research 介绍了 PDD Kit 如何把开发者意图转为 Verus 形式化规格，证明智能体代码对所有输入满足规格，并在证明覆盖不到的部分使用测试。
推荐理由：案例展示了将自然语言意图转成形式化规格，并用证明与测试分层约束智能体代码的完整工作流。
Microsoft Research Microsoft Research Focus 第97期：AI 智能体、Copilot 使用与天气预测研究进展
Microsoft Research Focus 第97期集中展示AI智能体、职场AI使用及天气预测等研究进展。ForkPilot在6项基准和领先模型测试中将AI处理需求最多降低59%，CABRA发现理解陌生代码库仍是编码智能体的主要障碍。Copilot Chat中编辑文档占已分类活动逾20%，TeleTune可从活动日志学习可复用技能与工作流。
Microsoft Research精选 Microsoft Research 研究人员解决提出31年的 KLS 猜想
Microsoft Research 的 Xinzhi Zhang 与合作者 Zhao Song 解决了提出31年的 Kannan–Lovász–Simonovits（KLS）猜想，给出与维度无关的固定界。
推荐理由：材料梳理了人类主导的多智能体筛选流程，以及递归收紧维度依赖直至常数界的关键思路。
GitHub Blog · AI & ML精选 GitHub 引入 ModernBERT 分类器，将推送保护扩展至非结构化密钥
GitHub 与 Microsoft Applied Sciences 开发了新的 ModernBERT 分类器，用代码上下文识别非结构化密钥，批量评估候选密钥耗时不到 2 ms，可使推送保护阻止的密钥数量增加一倍以上。
推荐理由：九个季度的数据将密钥泄露增长归因于代码规模而非单次推送风险上升，并说明自动拦截为何比人工补救更易扩展。
GitHub Blog · AI & ML精选 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，提供公开数据集、排行榜、自助评估工具以及可复现的评估方法。该基准分析了 103.9M 个 GitHub pull request，并选取来自 187 个公开仓库、覆盖 19 种语言的 219 个 pull request；其黄金集经资深工程师独立复核，判断一致率为 96.6%。
推荐理由：ReviewBench公开了数据集、评估规则和运行工具，并用线上实验对照说明离线指标如何辅助代码审查智能体迭代。
Berkeley AI Research 教会大语言模型更新信念，实现高效长程交互
ABBEL 框架以自然语言信念状态替代完整交互历史，并通过信念评分监督关键信息保留，提升大语言模型长程交互效率。在 CollabBench 上，ABBEL-rec-BG 将与完整上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值上下文 token 从 14.08×10² 降至 6.01×10²。