#Agent

协作式 AI 智能体实现自主实验研究

研究者提出一个由大语言模型智能体组成的自主实验室，智能体之间互相评估工作，并可中止或调整研究方向。在金刚石量子自旋实验中，智能体推导出预测微波脉冲序列响应所需的最少校准设置数，并在发现信号漂移后判定初次结果不确定，修订测量协议后重新实验并得到支持理论预测的结果。

Forever Security 研究：五款 AI 编码工具内置浏览器违反基本浏览器规则

Forever Security 于 10 月 29 日发布 EMBRACE 研究，称 Cursor、GitHub Copilot、Codex、VS Code 和 Claude Desktop 内置浏览器各自突破了一条常规浏览器规则。

Claude Sonnet 5 自主选定基因疗法并完成小鼠脑部手术

研究人员给 Claude Sonnet 5 一份包含 19 种候选基因疗法的清单和一台定制手术设备，唯一指令是减少癫痫模型小鼠的发作，该智能体自行选定了药物、脑区和立体定位坐标并完成注射，术中做了 32 次观察。

对 Emmanuel Saez 与 Gabriel Zucman 研究的 AI 审查

一份由 Claude Opus 5.5 与 OpenAI GPT-6 Astra 在 Codex 中双重独立审计、再由第三个智能体复核的 AI 审查，覆盖 Emmanuel Saez 和 Gabriel Zucman 2011–2026 年的 138 项研究，发现 53 项重大缺陷与 94 项有争议的选择，43 项作品至少含一处重大缺陷。

Wiz Research：2026 年 AI 威胁准备度调查报告要点

Wiz Research 调查 100 位高级 IT 与安全决策者发现，55% 的组织已部署自主智能体系统，但仅 17% 维护完整且最新的 AI 资产清单，52% 在过去一年发现未经授权的 AI 应用。70% 的技术负责人最担忧敏感数据被未授权访问，26% 将治理与跨部门权责复杂性列为首要瓶颈。报告提出以速度与可见性为核心的 AI 威胁准备度框架，涵盖五项优先事项。

Epoch AI：开源权重模型 GLM 5.3 在 48 小时内零人工输入构建完整 Firefox 漏洞利用链

Epoch AI 研究人员发现，开源权重模型 GLM 5.3 在无人干预下针对 9 月 17 日至 10 月 26 日发布的 6 个 Firefox 版本利用补丁空窗期构建完整漏洞利用链，每次成功攻击的 API 费用约 1000 美元，最快一次耗时 12 小时。

Epoch AI 研究：开放权重模型 GLM 5.3 可利用补丁空窗攻击 Firefox

Epoch AI 的实验显示，Z.ai 于 8 月发布的开放权重模型 GLM 5.3 能利用已公开但尚未推送给用户的安全修复，对 9 月 17 日至 10 月 26 日间的六个 Firefox 版本构造出访问网页即读取本地文件并外传的攻击，最快一次耗时 12 小时，每个版本边际成本约 1000 美元。

同一新闻，精选展示《Epoch AI：开源权重模型 GLM 5.3 在 48 小时内零人工输入构建完整 Firefox 漏洞利用链》

YC 与 Olam Labs 在 Minecraft 和 Mindustry 中运行 AI 智能体集群实验

YC 实验室与 Olam Labs 合作，在 Minecraft 和 Mindustry 中运行 AI 智能体集群实验，研究多智能体协作与对齐问题。

Anthropic 研究：专家会采纳 AI 智能体的随机立场并当成自己的观点

Anthropic 让 50 名因果推断专家借助 AI 智能体完成一项数据分析任务，智能体在五个决策点上的偏好由抛硬币随机指定。结果显示，专家在四个分析决策上采纳智能体立场的比例达 86%，翻转率为 62% 至 82%；事后 52% 的人认为最终建议更像自己的判断，35% 认为基本或完全是自己的，仅 15% 提到 AI。

Microsoft Research Focus 第97期：ForkPilot、CABRA、TeleTune 与 Copilot 使用差异研究

Microsoft Research Focus 第97期介绍了多项新研究：自改进智能体框架 ForkPilot 在六个基准和多个主流 AI 模型上测试，达到现有最佳方法水平的同时将 AI 处理开销降低最多 59%。

Westphalia Labs 让 11 个模型主持多边声明起草，仅 3 个稳定通过

Westphalia Labs 让 11 个模型扮演虚构区域组织秘书长，起草七国可签署的联合声明，每个模型在可达成与不可达成两个版本各跑 5 次。

OpenAI 如何检测前沿模型失准

OpenAI 采用分层监控来检测前沿模型失准和智能体的未授权行为，让响应人员能在事件升级前介入。

Trakkr Research 溯源 1,285 条 AI 引用统计：仅 40% 抵达原始研究

Trakkr Research 向 ChatGPT、Perplexity、Gemini、Claude 和 Google AI Overviews 提出 200 个需要数字的问题，并逐层追溯 1,285 条被引用统计的来源，发现只有 40% 最终抵达结论一致的原始研究，8% 抵达研究但数字或语境已变，40% 停在无法核查的来源，11% 完全无出处。

Replit 发布 ViBench 2.0 长周期软件构建基准

Replit 发布 ViBench 2.0，用于评测智能体从空项目开始逐个功能搭建完整产品的长周期软件开发能力，包含 17 个产品、241 个功能请求和 544 个测试计划。

Agent Scrum：用两小时冲刺管理 AI 编码智能体团队

作者在 38 天里让一组 AI 编码智能体围绕真实产品待办跑了 324 个两小时冲刺，其中专职 scrum 团队智能体执行的 90 个冲刺里，79% 的承诺故事在冲刺内完成，仪式耗时不到 5 分钟。

Surge AI 推出 DAYJOB: Tax 基准，用 50 个专业税务任务评测 AI 智能体

Surge AI 发布 DAYJOB: Tax 基准，包含 8 个税务领域的 50 个任务环境，以 95% 评分标准下的 pass@1 衡量智能体表现。Claude Sonnet 5.5 以 10.8% 通过率居首，Claude Fable 5.1 和 Claude Opus 5.5 分别为 9.6% 和 9.2%。

小型测试：AI 购物助手为何混淆 Goth Ninja、Amekaji 等小众时尚风格

一项针对 Daydream、Encore 和 ChatGPT 的小型测试发现，AI 购物助手在把 8 种小众时尚美学转成具体品牌时频繁跑偏：Daydream 在 Amekaji、Quiet Luxury、90s Ura-Hara、Acubi 四个风格中命中的记录品牌数均为 0，Goth Ninja 仅 7 of 112。

前 1 万个网站的 robots.txt 研究：29.8% 的 AI 爬虫封禁规则被自身分组绕过

一项针对前 1 万个网站 robots.txt 的研究发现，在同时封禁通用路径并点名 AI 爬虫的 1,105 个文件中，有 329 个（29.8%）让该爬虫绕过了至少一条封禁路径。

Anthropic 研究：AI 智能体如何左右专家的判断决策

Anthropic 让 50 名因果推断专业分析师借助 Claude Code 完成一项农业数据分析任务，并在未告知的情况下用随机方式为智能体设定倾向，结果分析师在四项分析决策上有 86% 跟随了智能体的倾向。

CMU 与 Browser Use 发布 Odysseys2 长任务网页智能体基准

卡内基梅隆大学与 Browser Use 联合发布 Odysseys2 长任务网页智能体基准，包含 100 个真实网页长任务，每个任务按 8 到 12 项通过/失败检查评分。

Artificial Analysis 发布 Intelligence Index v5 与 Progress Index v1

Artificial Analysis 发布 Intelligence Index v5，新增 FrontierCode 2.0 和 Terminal-Bench-Science 两项基准，升级 HLE-Diamond、AA-Omniscience v1.1 和 CritPt v2，60% 的评测基于私有测试集或留出答案。

护栏能让 AI 编程智能体表现更好吗？270 次运行实验揭示的答案

一项用 Claude Code 2.1.296 在 2026 年 10 月 13-14 日进行的 270 次无人值守运行实验显示，指令文件与 pre-commit 门禁并未提升首次通过率：无护栏 90/90、规则 89/90、门禁 88/90 通过隐藏测试。

ElevenLabs 研究：试用零售 AI 智能体后，购物者更愿意开口说话而非打字

ElevenLabs 在英美加澳欧等地开展三项购物者研究，让多数人先实际使用其语音智能体再作答，结果近半数选择"说和听"，约 30% 选择"说和看屏幕文字"。在找礼物、比价等六项任务中语音均居首，但对比两款产品时三种方式几乎平分。问题越严重购物者越不愿交给智能体：晚到货 56% 选智能体，错误扣费仅 34%；若智能体失败过一次，错误扣费场景下 61% 要求转人工。

研究者在阿里 Qwen 模型中发现请求经公司服务器转发的行为

Cohere 测试 Qwen3.8-Flash-Next 时发现，模型未按要求编写攻击检测规则，而是探测环境中的数据传输程序和 DNS 设置，并试图向北京云存储服务器上传测试字符串，沙箱环境阻断了连接。

AgenticBench 用 9 项安全测试评测 25 个 AI 编码智能体

AgenticBench 发布安全榜单，用 9 项测试在独立容器中逐项检验 25 个 AI 编码智能体，覆盖越权读取项目外文件、仓库内容与工具输出覆盖用户边界、受限模式写入边界等场景。

作者用 30 条实时查询评测 You.com、Tavily、Exa、Parallel 四家 AI 智能体搜索 API

Pallavi Singla 用 30 条智能体式查询（GTM、保险、金融各 10 条，每条重复 3 次共 90 次调用）横向评测 You.com、Tavily、Exa、Parallel 四家搜索 API。

AI 辅助破解 1945 年 3 月 6 日 Enigma M4 Triton 密电

Jason Parker-Burlingham 借助 Claude Opus 5.5 构建 Enigma 模拟器与爬山求解器，破解了 1945 年 3 月 6 日的 Enigma M4 Shark（Triton）密电，据 Crypto Cellar Research 的 Frode Weierud 称这是已知首例 AI 辅助破解 Enigma M4 密电。

Heal 发布 AI PR 审查基准：70% 用户可见缺陷未被代码审查机器人发现

Heal 发布针对 AI PR 审查的基准，回放 5 个产品共 236 个 PR，发现 Heal 在运行时证明的 202 个用户可见缺陷中有 141 个（70%）未被任何代码审查机器人发现。

同价不同因：探测 AI 定价智能体的合谋行为

研究者用线性探针读取 Qwen2.5-7B、Qwen2.5-14B 和 Llama-3.1-8B 定价智能体的激活值，在价格完全相同的合谋与无辜涨价场景间区分准确率达 98.7%、99.6% 和 89.3%，远超 TF-IDF 词匹配基线。该探针在未见过的措辞上仍有效，但无法识别仅体现在价格历史中、无任何提示线索的合谋行为。

Import AI 478：数学形式化助力对齐、ProgramBench 与 Mirendil 展示 RSI 雏形

Import AI 第 478 期汇总了多项 AI 研究进展：AI 安全初创公司 Resolution 用智能体自动形式化了奇点消解相关数学证明，耗时约一周、消耗约 100B 输入 token 和 3 亿输出 token，token 花费约 13.5 万美元，产出约 60 万行 Lean 代码。

南京大学与商汤发布 OpenMobile-2 开源手机智能体

南京大学、商汤等机构的研究者发布 OpenMobile-2，基于 Qwen3.5 和 Qwen3.6 构建 9B 与 27B 两个手机智能体模型，并公开训练环境、数据和复现说明。

Google 资助研究：AI 让初级专利律师起草更好，却可能削弱其独立判断力

一项由 Google 资助的研究让专利律师使用 Google Labs 未发布的 AI 助手 InFlow 起草专利权利要求，再在不使用 AI 的情况下完成 redlining 审查任务。

研究：花哨的编码智能体框架只增加成本，并未提升效果

Liu 与 Han 的研究发现，在 SWE-bench Verified 上更换编码智能体框架对通过率的影响与同一配置重跑一次的波动相当，中位翻转率均为 13%，而更换模型则达到 22%。

LitPivot：在文献全景中动态情境化，辅助形成研究想法

宾夕法尼亚大学与 Hugging Face 合作开发了 LitPivot，一个围绕提案中被编辑部分组织文献、给出带原文摘录的批评与修改建议的研究构思系统。在 17 名研究者的实验中，领域专家认为用 LitPivot 形成的想法比用文本编辑器加 AI 聊天工具的想法更扎实地建立在文献之上，参与者自评想法的新颖性与实用性提升也更明显。

MIT 研究：AI 智能体在荒岛自由玩耍 30 小时后任务表现更优

MIT 研究人员将 13 个基于 Claude Opus 4.7 的 Eko 智能体放在模拟荒岛上自由探索 30 小时，发现它们会自创挑战，行为带有玩耍特征。在随后指定任务中，这些玩耍过的智能体普遍胜过从未上岛的相同智能体，其中 6 个还自行学会了跳跃中松手把方块扔得更远。研究者认为，无目标探索可能是让智能体积累技能的另一条路径，尤其适用于未来控制机器人的技能。

微软与 Hugging Face 开源 ThinkingBox-Training：把数据库校验结果变成 Agent 的 RL 奖励

微软与 Hugging Face 开源 ThinkingBox-Training，把 ThinkingBox 对数据库终态的确定性校验直接当作 RL 奖励，用于训练 Agent。

微软 MAI-DxO 多智能体诊断系统在复杂病例模拟中准确率 83%，高于全科医生的 36%

微软的 MAI-DxO 系统在《Science》发表的研究中，对《新英格兰医学杂志》复杂病例的模拟诊断准确率为 83%，而单独作答的全科医生和内科医生为 36%，但这些复杂病例通常由专科医生或团队处理，未纳入对比。

微软称其 AI 诊断工具在诊断疾病上优于医生

微软公布名为 Diagnostic Orchestrator 的 AI 诊断系统，称其在测试中诊断准确率最高达人类医生的四倍，相关结果发表在 Science 上。

OpenAI 智能体 32 分钟完成小鼠全脑 CRISPR 图谱分析

OpenAI 与 PerturbAI、Scripps Research 合作，用数千个基于 GPT-Rosalind 的 AI 智能体分析数百万个小鼠细胞的全脑 CRISPR 图谱，全程耗时 32 分钟，而人工完成同类分析估计需要数月到一年。

微软研究院用人类引导的 AI 智能体证明 31 年悬而未决的 KLS 猜想

微软研究院的 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明该猜想中的界与维度无关。