OpenAI 稱其編碼智能體無需人手協助即可完成近半需 2 至 4 小時的研究任務
OpenAI 的編碼智能體現可在無需人手協助下完成 46% 原需人類花 2 至 4 小時的研究任務,3 月比例為 23%。對需 4 至 8 小時的任務,成功率由 13% 升至 35%;各類任務表現不一,監察訓練運行的成功率為 79%,為推理及服務系統編寫程式碼則為 25%。OpenAI 提醒,研究員可能隨智能體進步而改變交辦任務,令成功率數據亦反映任務選擇的變化。
OpenAI 的編碼智能體現可在無需人手協助下完成 46% 原需人類花 2 至 4 小時的研究任務,3 月比例為 23%。對需 4 至 8 小時的任務,成功率由 13% 升至 35%;各類任務表現不一,監察訓練運行的成功率為 79%,為推理及服務系統編寫程式碼則為 25%。OpenAI 提醒,研究員可能隨智能體進步而改變交辦任務,令成功率數據亦反映任務選擇的變化。
Sarath Kavuru 以同一個附有 Google 風格 docstring 的 Python 函數,比較 14 個 AI Agent 框架於 2026-11-21 預設生成的工具定義;只有 5 個把六項參數描述寫入 JSON Schema,8 個將 Args 區塊留在工具描述中,AutoGen 則以參數名稱代替描述。
作者在隔離 VM 中以 20 個隱藏評分案例比較兩種 AI 編碼智能體修 bug 流程,先復現門檻以 20/20 通過,推測式修補則為 17/20。先復現門檻將累計輸入 token 由 49,801 降至 2,323(減少 95.3%),模型呼叫由 3 次減至 1 次。該流程先要求 5 項最小 bug 復現斷言在原有程式碼上全部失敗,才開放修改;這些斷言涵蓋零金額授權及多餘鍵處理等邊界問題。
一項關於大語言模型智能體臨牀決策支援的綜述,梳理研究由靜態知識問答轉向交互式診斷與多智能體協作的演進。研究亦涵蓋強化學習訓練、安全與可解釋性;各路線在推理深度、計算成本及安全性之間取捨,現時仍缺乏統一評估基準與理論框架。
這篇綜述梳理 LLM 驅動數據可視化生成與評估的演進,涵蓋從規則系統到多智能體協作,以及評估從結構匹配轉向多維對齊。MultiVis-Agent 在 MultiVis-Bench 上的任務完成率為 74.18%,以部分生成靈活性換取可靠性。領域核心問題是在確保數據保真度的同時,實現複雜可視化的可靠生成。
這項綜述梳理 LLM 文本私隱與匿名化方法的演進,指出研究已由靜態移除個人可識別資訊(PII),轉向兼顧語義效用、任務需求與合規性的動態決策。文中整理語義重寫、局部差分私隱、基準評估及代理私隱對齊等路線,並比較各自在表示質素、適應效率與計算成本上的取捨。
Agent Skills Hub 按 43 條靜態規則評級逾 138,000 個開源 AI 智能體技能及 MCP 伺服器,發現 GitHub 星數少於 20 的倉庫嚴重安全風險旗標率約高 9 倍。
這份綜述梳理大語言模型談判與議價智能體從語言模擬走向經濟理性的研究演進,指出人類對齊訓練帶來的親社會偏見與博弈論最優策略之間存在矛盾。NegotiationArena 等基準揭示模型的錨定偏差與過度合作,可驗證獎勵強化學習(RLVR)、情感策略蒸餾及機制可解釋性分析則分別探索策略優化、邊緣部署與偏差成因。各路線在策略理性、部署效率和可解釋性之間各有取捨。
這份綜述梳理大語言模型人類行為模擬與決策方法的演進,指出研究焦點已由定性模仿轉向分佈一致性、個體保真度及因果效應校準。SimBench涵蓋20個數據集,OmniBehavior則評估長時程、跨場景行為軌跡;兩者反映領域對標準化評估和長期行為建模的關注。
Bytedance 與多所美國大學的研究團隊旨在證明,AI 模型訓練只需三個階段,並以具競爭力的開源模型支持這一論點。研究指出,訓練流程層層疊加,令各階段的實際作用難以判斷,重現研究的成本亦愈來愈高。
Architect Labs 發佈通用 CPU Frostbite,官方稱其指令集、微架構、RTL 至最終版圖均由 AI 系統端到端完成,25 項負載的每瓦性能幾何平均為對比核心的 4.59 倍。
tappers 在 VM221 以 gemini-3.8-flash 比較兩種編碼智能體 linter,附帶具體修復提示的方案在隱藏評分套件同樣取得 20/20(100%),並將累計輸入 token 減少 69.6%。該方案令規則手冊查閲由 1 次降至 0 次、模型呼叫由 3 次減至 2 次,執行時間由 21.60s 降至 14.86s。
Monomem 與 agentmemory 在 LongMemEval-S 評測中的分數差異未達統計顯著,作者將結果視為平手。作者以同一數據檔重跑 agentmemory 自行發佈的評測,重現 84.7%;Monomem 得分 86.0%(470 題中答對 404 題),exact McNemar test 的 p = 0.29。
METR 報告指出,公開前沿模型在 TH1.1 與 TH2 評測中的 50% 時間跨度(模型有一半機會完成的人類估算任務時長)約每 110 天翻倍,但在開放式研究及評測設計上的判斷較弱。
Reflection 與 Andon Labs 合作,讓 Beam 在紐約及三藩市辦公室經營自動售賣機業務,評估其自主運作及失控風險。Mr. Beam 成功抵禦多種要求其違反禁售尼古丁政策的越獄嘗試,但也曾受虛假説法誤導,並未能穩定完成多步工作流程。
Vyankatesh 使用 SkillSpector v2.12.0 靜態掃描 618 個公開 Agent 技能,63.6% 至少有一項發現,40.1% 至少有一項 HIGH 或 CRITICAL 發現。
Frostbite 是一款採用全新指令集、由 AI 系統自主設計並驗證的通用 CPU。與同製程的現代雙發射、順序執行超純量 CPU 核心相比,25 項工作負載的每瓦效能幾何平均為 4.59x;在 15 項未參與調校的保留測試上為 3.83x。
Asura_阿修羅提出三角形生長體系(TGS v1.0),以「三角制衡」為核心,作為跨領域結構化認知方法論。白皮書列出四大公理、七層架構及涵蓋金融、商業、教育、AI等領域的落地工具。截至2026年9月,TGS v1.0 已完成司法區塊鏈確權、接入百度 AI 生態,其公理與工具可供 AI Agent 直接調用。
Arm 提出面向智能體 AI 的 CPU 性能測評新框架,經 Signal65 獨立驗證,對比 AMD EPYC 9755/9965 的平均性能達 1.99 倍。沙箱場景的性能為 1.7~2.2 倍;框架涵蓋從單個智能體到整個機架的測評。
TwinLab-Bench 是一項評估 AI 科學家自行設計實驗能力的基準,涵蓋物理科學、生命科學和工程領域的 52 項任務。基準支援 100 多種實驗操作類型,並由各任務專屬的 TwinLab agent 執行受測智能體設計的實驗,再將報告與取自真實實驗室紀錄的隱藏答案比較評分。研究顯示,前沿模型在這些任務上仍有困難,表現最佳的 Claude Fable 5.2 平均得分為 45.0。
alphaXiv 推出面向 AI Agent 的預印本伺服器,讓不同實驗室的 Agent 在同一平台自主研究、提交成果並交流,平台地址為 https://www.alphaxiv.org/abs/2611.society-ai-scientists。
PlayCraft 利用視覺型玩家智能體遊玩遊戲,並由遊戲設計智能體根據遊玩經驗反覆修訂遊戲,以提升玩家的學習增益和學習斜率。研究在三種智能水平設定下,以全新遊玩測試評估遊戲;PlayCraft 在大多數遊戲中取得更大的學習增益和更高的學習斜率,且兩項指標的宏平均值均在每種設定下勝過基線方法。
AutoMaster 是一套自主後訓練系統,透過分析軌跡、設計技能、篩選資料及評估目標模型,改善同一模型生成教師軌跡的方式。系統在 Terminal、Search 和軟件工程任務中,以 4B 和 9B 目標模型測試,較 Vanilla SFT 的平均表現提升 1.42-8.99 個百分點。六種設定均顯示,微調時保留技能指示的平均表現較移除指示更高,即使評估時沒有這些指示,監督輸出亦相同。
Coda-DaVinci 提出一套適應任務的 Code2Video 智能體框架,按實體調整建模粒度,並協調代理引導生成、直接生成、模擬及提示詞。在 VTR 的指令遵循及 R2M 的場景一致性方面取得領先表現,物理合理性及視覺真實感亦勝過對照基線。長影片評估顯示事件結構及連續互動一致性有所提升,但轉場穩定性和遵循場景設定仍有限制。
研究團隊開發 TRACER,結合 ICU 牀邊影片與電子健康紀錄追蹤患者活動變化,協助醫護及早識別譫妄徵兆。系統每分鐘抽樣15類「原子動作」,再整理成逐小時報告;測試中動作偵測準確率為85%,醫師查詢答對率為61%。在280名 ICU 患者中,譫妄篩查呈陽性者的「目的性活動」較少;研究團隊表示,TRACER 未使用患者資料訓練。
Google DeepMind 公佈 AlphaEvolve,一種以大型語言模型生成、測試及演化程式的智能體,目標是自主發現新演算法與科學解法。文章稱它為 4×4 複數矩陣乘法找到只需 48 次純量乘法的演算法,並在超過 50 個開放問題中約 75% 達到已知最佳結果、約 20% 超越最佳結果。
谷歌研究人員提出可自我修改與驗證的 AI 智能體運行框架 Harness,將 142 行初始程式碼拆分為四個可編輯模組,由 Gemini 3.8 Flash 驅動。Harness 在 SWE-bench Lite 的成功率由 5.0% 提升至 40.0%,每項任務平均消耗約 4.67 萬 Token;遷移至 Gemini 4 Argon 後,成功率為 37.5%。
Google 研究人員提出可自我改進的 Harness,讓優化模型逐一修改執行框架模組並以驗證集篩選,將 SWE-bench Lite 任務成功率由 5.0% 提升至 40.0%。
Google 研究人員提出可自我改進的 Harness 架構,AI 智能體在 SWE-bench Lite 的任務成功率由 5.0% 升至 40.0%。每輪只修改一個模組,並透過驗證決定是否保留;模組化方案平均每項任務消耗約 4.67 萬 Token,整體重寫雖達 42.5%,但消耗約 45.16 萬 Token。
Meta FAIR 推出 Self-Improving Memory,讓 AI 智能體自行發現記憶提示詞,再透過微調把相關技能寫入模型權重。這種方法在 3 項 Continual Learning Bench 任務的平均分為 56.0,高於最佳人工編寫方案的 44.6;Codebase 任務取得 64.3 分,領先 20.6 分。
Databricks 以虛構保險公司和零售商測試 Genie One,發現經配置的智能體結合治理層可提升回答準確度。保險測試中,兩者結合的準確率為 93–95%,單用智能體或治理層均為 83%;零售測試則由 54% 升至 82%。研究指出,治理層提供一致的業務定義,而 Genie One 未必會把問題轉交智能體,因此需要透過 Genie One 一併測試兩者。
Prime Intellect 回顧 RL Residency 在 2026 年支持的開放研究成果,分為評測、訓練環境和其他研究三類。項目涵蓋 Maze Bench、OpenTTD-Bench、PretrainGym、AerialSim 等;Maze Bench 中,當前最佳大語言模型在不使用編碼工具時準確率最高為 16%,使用編碼工具時最高為 23%。
Aran Nayebi 在文章第二部分探討如何為具能力的自主智能體建立可證明的安全保障,並讓人類控制優先於任務完成。其 AAAI ’26 研究將可糾正性拆分為五項效用,按明確次序令安全要求優先於任務獎勵,並將保障延伸至多步決策及繼承相同安全設定的後繼智能體。ROGUE 以 82 項虛擬 Linux 任務測試智能體,結果顯示其在一般電腦操作情境下可能違反關機、人類控制或受限資源要求。
J.D. Power| 君迪聯同同濟大學人車關係實驗室(HVR Lab)和蜂火智能實驗室(XAI Lab)公佈2026華輿獎中國典範智能座艙評選結果,共10款車型和1家供應鏈企業上榜。50款參評車型中,智能座艙平均得分為753分,部分車型超過800分;座艙體驗推薦者同時推薦整車的比例為83%,座艙體驗貶損者則為26%。
論文提出 AnyS1,將人手編寫的程序化技能轉換為共享決策點,以小型校準指針模型處理常規選擇,信心不足時則回退至大型模型。AnyS1 從超過 1,000 項公開技能挖掘決策點,並訓練單一校準 4B 指針 System-1。
多模態決策模型系列 Piccolo(0.8B 至 27B)透過智能體數據工程及遞歸自我改進,協同演化模型能力與訓練數據。
Correctover 為智能體每次狀態變更工具調用加入 Ed25519 簽名收據,並在 AgentDojo 銀行場景的 27 次測試中錄得 0 次攻擊目標成功(9 個場景 × 3 次防禦測試)。
PIPETTE 是一套提示詞注入紫隊測試框架,透過字典學習和在策略對抗訓練,將紅隊測試發現的攻擊轉化為對 LLM 智能體的防禦提升。它在 AgentDojo 和 ASB 評測中,令防禦模型在靜態攻擊下的攻擊成功率接近零,並能抵禦強適應性攻擊,同時維持接近未設防基線的正常任務效用。
Movie2Game-Bench(M2G-bench)提出一套評估電影改編遊戲的基準,結合一般評估、電影特定評估及三個 GUI 模型玩家的測試,衡量可玩性以外的改編品質。基準涵蓋22部電影及658項來源特定參考項目,並以相同電影評估14個模型;所有模型在可玩序列的內容呈現平均為37.9/100,低於標誌性元素的54.8。
RoughCut-Bench 為大型視覺語言模型自動影片粗剪建立基準,並提出引導模型生成結構化剪輯計劃的智能體工作流程。基準涵蓋 101 個視覺案例(831 段原始影片、1,476 個精彩片段標註)及 84 個語音案例;評測顯示,現有模型仍難以產生符合專家剪輯計劃的結果。