GLM 5.3 上线 Amazon Bedrock
GLM 5.3 已在 Amazon Bedrock 上线，开发者可通过托管 API 使用 Z.ai 发布的这款 753B 参数 MoE 模型，主要面向编码与长链路智能体场景。
推荐理由：原文给出了 GLM 5.3 在 Bedrock 上的调用代码与 prompt caching 配置，并演示了与 Strix 智能体配合的安全测试流程。
#Agent
AWS Machine Learning Blog精选AI 评分6363 HF Daily Papers精选AI 评分4242 PhysEvo：围绕冻结模型 Astra 的机器人递归自改进框架
PhysEvo 提出围绕单个冻结模型 Astra 的物理递归自改进框架：任务智能体执行操作，元智能体基于轨迹诊断失败、修订工具与技能，并在不更新模型权重的前提下持续自我改进。
推荐理由：原文给出在冻结模型上做递归自改进的机器人框架与仿真、真机对比数据，读者可据此判断该思路对具身智能的迁移价值。
HF Daily Papers精选AI 评分3939 CADFather：用多工具协同从三维网格自动重建可编辑 CAD 模型
CADFather 是一个面向 CAD 自动重建的智能体系统，通过协调多种互补工具从三维网格恢复参数化 CAD 程序。系统由视觉语言助手检查目标与中间重建的渲染图，决定调用哪些工具、生成多少候选程序以及何时终止，候选生成与参数优化相互衔接并以执行反馈驱动下一步决策。
推荐理由：原文给出多工具协同的智能体重建框架及多个 CAD 数据集上的评测，读者可据此判断该方法对自己工程重建任务的迁移性。
HF Daily Papers精选AI 评分3939 Gan Jiang：面向 X 射线衍射的自学习科学智能体
Gan Jiang 是一个面向粉末 X 射线衍射的自学习科学智能体，在 DeltaXRDbench 的单相与多相识别任务上均领先所对比方法。
推荐理由：原文展示了无需重训模型即可从失败诊断中迭代出可复用技能的方法，并给出了多基准上的精度对比，可作为科学智能体技能积累机制的参考。
HF Daily Papers精选AI 评分3939 EMHO：通过经验轨迹优化具身智能体 Harness 的自我演化框架
EMHO 提出一种不修改底座模型、仅迭代优化具身智能体 harness 的自我演化框架，并通过 EMHO-Merge 支持多子任务共享同一 harness。该框架在 EmbodiedBench 的导航与操作任务上评估，使 Qwen 9B 与 27B 模型的任务成功率均获得一致提升，并改变了智能体监测进度、使用视觉工具、锚定观测和应对失败的方式。
推荐理由：提出在冻结底座模型的前提下，让具身智能体的 harness 自行从执行轨迹中迭代优化，为不重训模型的智能体改进提供了一条可迁移路径。
HF Daily Papers精选AI 评分4949 论文提出 Stateless Language Agents 架构以扩展长周期自动化研究
论文提出 Stateless Language Agents（SLA）架构，将研究状态保存在调度器中，每次调用为无状态 Agent 重建角色特定的上下文，并由无状态 Advisor 读取调度器汇总的证据后给并行 Worker 分配具体实验。
推荐理由：原文提出把研究状态外置到调度器、由无状态 Agent 执行的具体架构，并用十亿 token 量级的对比实验展示其在搜索效率和最终结果上的优势。
HF Daily Papers精选AI 评分4646 Self-Retrospection Distillation：把事后轨迹经验蒸馏成事前预判
该论文提出 Self-Retrospection Distillation（SRD），把已完成轨迹中的事后经验蒸馏为同一策略在交互前的预判，弥补 RLVR 在 rollout 奖励一致时信号消失的缺陷。
推荐理由：该方法在 rollout 组奖励一致、RLVR 失去信号的场景下仍能从轨迹中提取学习信号，为奖励稀疏的长程智能体训练提供可迁移思路。
MIT Technology ReviewAI 评分3434 MIT Technology Review 报告：连接 AI 智能体与企业知识
MIT Technology Review 对 300 位数据与 AI 高管的调研显示，仅约 34% 的企业 AI 智能体项目能进入生产阶段，知识与上下文缺失是首要原因。生产领跑者（平均 61% 的项目跨越试点阶段）在语义知识能力上显著占优；数据碎片化被 55% 的受访者列为头号挑战。企业计划优先投入 RAG、知识图谱与数据管道以打通智能体与组织数据的连接。
AWS Machine Learning BlogAI 评分3434 使用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性
Amazon Bedrock AgentCore Evaluations 通过内置评估器和自定义评估器，对多智能体系统的有用性、任务完成度与可解释性等维度进行结构化评估。文章以 AnyCompany Retail 供应链决策系统为例，基于 Strands Agents SDK 构建编排代理与四个专项子代理分别负责优化、调配、路由和分析，并同时支持开发期的按需评估和生产环境的在线持续监控。
AWS Machine Learning BlogAI 评分3232 Amazon Quick 企业就绪实践：通过 MCP 服务器实现跨账号资源的自动化、可审计迁移
运行在 Amazon Bedrock AgentCore runtime 上的示例 MCP 服务器 Quick Resource Migrator，可通过单次工具调用把 Amazon Quick 的聊天代理。
GitHub Blog · AI & ML精选AI 评分6161 GitHub 发布开源 AI 代码评审基准 ReviewBench
GitHub 发布开源 AI 代码评审基准 ReviewBench，包含 219 个跨 19 种语言的公开 PR，提供 grounded 和 augmented 两类精度/召回指标。
推荐理由：原文公开了 ReviewBench 的语料来源、评测指标和接入方式，读者可据此构建可复现的 AI 代码评审离线评测体系。
量子位精选AI 评分6161 Hinton首篇RSI论文：AI参与造下一代AI会触发智能爆炸吗
Hinton联合22位作者发表首篇RSI论文《What if automating AI R&D triggers an intelligence explosion?
推荐理由：论文用Anthropic、OpenAI内部数据建立模型，给出了AI研发自动化压缩进步周期的具体估算，为读者判断递归自我改进的门槛提供了可量化的参照。
HF Daily Papers精选AI 评分4040 D-OPCD：通过 On-Policy 上下文蒸馏把智能体经验内化进扩散模型权重
论文提出 Diffusion On-Policy Context Distillation（D-OPCD），把 Text-to-Image 智能体 harness 累积的提示迭代、记忆与技能等能力通过 on-policy 蒸馏固化进扩散模型权重，使模型在仅接收原始查询时也能保留部分 harness 增益。
推荐理由：提出 D-OPCD 把智能体迭代增益固化进扩散模型权重，量化了脱离 harness 后仍可保留的提升幅度，并指出 harness 与模型持续协同进化的可行路径。
HF Daily Papers精选AI 评分3939 MemPilot：用强化学习编排 LLM 智能体的按需多模态记忆策展
MemPilot 论文提出一个用强化学习动态调度多模态智能体记忆策展的框架，按偏好平衡性能、成本与延迟。策略联合控制证据量、策展指令、模型选择和视觉访问，并通过目标维度优势解耦和前缀边际效用估计做多步信用分配；在五个多模态智能体记忆基准上的偏好扫描显示其权衡前沿优于现有基线。
推荐理由：这篇论文提出用强化学习运行时调度多模态记忆策展的方法，可参考其性能-成本-延迟权衡的设计思路。
HF Daily PapersAI 评分3333 VepAgent：通过工具增强强化学习桥接因果转换以实现视频事件预测
VepAgent 提出一个面向视频事件预测的智能体框架，将因果转换推理与工具增强强化学习结合，在 FutureBench 和 NEPBench 数据集上达到 SOTA，显著超越更大规模的 MLLM。其构建了 futurebench-4K 思维链数据集用于监督微调，并集成状态追踪、帧检索和区域放大等诊断工具，通过复合奖励机制联合优化预测精度、因果一致性与可靠先验。
HF Daily Papers精选AI 评分4141 Trace2Env：从交互轨迹构建面向交互式环境模拟的智能体语言世界模型
Trace2Env 提出一种无需训练的智能体语言世界建模框架，在原始系统不可用时将历史交互轨迹重建为可复用 worldbook，并在运行时推断每个动作的观测和长期状态变化。在九个环境的实验中，Trace2Env 在下一观测保真度和长程交互一致性上均优于基于 prompt 的语言世界模型，多轮交互中任务智能体动作在真实环境回放时仍然有效。
推荐理由：在没有可执行环境时仅凭历史交互轨迹重建世界模型并支撑多轮任务，为训练和评估 LLM 智能体提供了一种可复用的替代路径。
量子位精选AI 评分6161 Meshy不到两年ARR破亿美元，AI 3D专业模型能否对抗GPT-6 Astra
量子位分析称，AI 3D生成公司Meshy披露其ARR在不到两年内从100万美元增长至1亿美元。文章对比GPT-6 Astra与Meshy的3D生成能力差异，指出通用模型擅长几何关系任务。
推荐理由：文章从GPT-6 Astra与专业3D模型的对比出发，解释了Meshy在ARR和商业循环上的快速积累，对理解通用大模型与垂直模型的分工边界有参考价值。
Hugging Face Blog精选AI 评分6868 Microsoft 与 Hugging Face 联合发布 ThinkingBox 基准，按数据库终态评估 Agent 一致性
Microsoft 与 Hugging Face 联合发布 ThinkingBox 基准，通过 OpenEnv 接口开放，覆盖 507 个有状态业务工作流，每个任务重复运行 20 次，按终端数据库状态和副作用评分。
推荐理由：原文用 507 个任务和 20 次重复，量化了一次成功与每次都成的差距，可用于挑选真正可用的 Agent 模型。
HF Daily PapersAI 评分3333 Agentic RAG 评估预算分配研究：问题数、搜索轨迹与读取间的取舍
一项 Agentic RAG 评估预算分配研究在 HotpotQA 与 MuSiQue 上表明，扩大问题覆盖比增加读取次数或搜索轨迹更有效。在 34.14–34.39M tokens 预算下，问题覆盖更广可使标准误比五次读取低 33%、比三条轨迹低 12.6%。当搜索价格为 0–1 美元/千次请求时增加问题数优于增加轨迹；温度设为 0 可将回答分歧率从 14.3% 降至 3.4%。
HF Daily Papers精选AI 评分4545 MetaKernelBench：衡量 GPU Kernel 优化中跨 DSL 的知识迁移能力
MetaKernelBench 是一个面向 GPU kernel 优化智能体的评测基准，包含 74 道题（分属 6 类 fused subgraph，每题配 CuTe DSL 和 TIRx 两个变体），衡量智能体从一个 DSL 提炼的经验能否迁移到同一问题的另一 DSL。
推荐理由：它把 kernel 优化智能体的能力评估从代码本身扩展到经验能否跨 DSL 复用，并给出 6 个模型的具体迁移幅度。
Anthropic News精选AI 评分5757 Anthropic 投入 1 亿美元推出 Claude Frontier Academy，目标 2027 年底前培训 1 万名工程师
Anthropic 投入 1 亿美元推出 Claude Frontier Academy，计划在 2027 年底前培训 1 万名 Frontier Deployed Engineer。
推荐理由：Anthropic 以培养自家工程师的标准对外培训客户与合作伙伴人才，合作名单与训练路径给出了规模与时间表。
OpenAI News精选AI 评分7878 OpenAI 发布 GPT-6 模型家族实用指南
OpenAI 发布 GPT-6 模型家族实用指南，介绍如何根据能力、推理力度和延迟在 GPT-6 Astra、Sol 与 Luna 之间取舍，并通过提示词缓存（最多减少 95% 成本）、compaction 与监控管理生产中的成本与上下文。
推荐理由：原文给出模型选型、推理级别与提示词配置的具体取舍方法，可帮助读者把 GPT-6 接到生产链路里。
AWS Machine Learning Blog精选AI 评分3636 在 Amazon SageMaker AI 上用多轮强化学习微调搜索 Agent
AWS 团队在 Amazon SageMaker AI 上用多轮强化学习微调 Qwen3.6-27B 搜索 Agent，以 nDCG@10 作为轨迹级奖励。微调后 BrowseComp-Plus 的 nDCG@10 提升 23.7%、失败率从 22.89% 降至 0.68%，WixQA 与 Wands 也分别提升 18.4% 与 6%。
推荐理由：给出在 Amazon SageMaker AI 上用多轮强化学习微调搜索 Agent 的方法、配置与结果，可作为多轮 Agent 训练的参考。
AWS Machine Learning Blog精选AI 评分4141 Amazon Quick 与 Adjudicated Query 模式：把合规判定交给确定性规则引擎
AWS 博客提出 Adjudicated Query 设计模式，把 Amazon Quick 作为聊天入口，由确定性规则引擎完成合规判定，模型只把自然语言翻译成有限 MCP 工具调用并复述结果，判定环节不调用大模型。
推荐理由：原文给出把生成式 AI 限制在对话层、把合规判定留在确定性规则引擎的 Adjudicated Query 架构，并附可部署参考实现，便于迁移到制裁筛查、保险理赔等高风险场景。
Google AI Blog精选AI 评分4141 Google 公布 2026 年 9 月 AI 更新：涵盖 Gemini 4 Argon、3.8 Flash、WeatherNext 3 等多项发布
Google 官方汇总 2026 年 9 月 AI 发布动态，重点推出 Gemini 4 Argon 前沿模型（1-million-token 上下文窗口、面向网络安全防御，通过 Fairwind Program 向可信用户开放），以及 Gemini 3.8 Flash、3.8 Flash Cyber、3.8 Live、3.8 Flash TTS 等模型。
推荐理由：汇总 Gemini 4 Argon、3.8 Flash 系列、Live、TTS、Connected Apps、Project Suncatcher 等多项发布，读者可据此了解当月 Google AI 的整体动向。
GitHub Blog · AI & MLAI 评分2626 GitHub：AI 正在改变开发者工作，三项技能值得强化
AI 正在重塑开发者的工作重心，从编写代码转向引导 AI 智能体、评审输出并做出技术判断。文章建议强化三项技能：学会指挥多个 AI 智能体协作、不盲信首轮回答（GitHub Copilot 内置的 Rubber Duck 智能体即采用第二模型评审），以及把省下的实现时间投入到判断力与权衡决策上。
量子位精选AI 评分5353 openJiuwen发布自演进模型路由X-Router，昇腾亲和，Agent调用成本最高降51.4%
openJiuwen（华为2012实验室等团队）开源自演进模型路由技术 X-Router，在 Agent 与模型之间引入路由层，按任务复杂度动态选模并通过反馈闭环持续优化。
推荐理由：提供了按任务复杂度动态选模在 PinchBench 和 Terminal-Bench 上的成本与得分对照数据，对评估 Agent 多模型调用时的成本控制有具体参考价值。
Hugging Face Blog精选AI 评分4242 ServiceNow 发布 AutoSynthData：按模型能力缺口生成企业智能体训练数据
ServiceNow CoreAI 在 Hugging Face Blog 发布 AutoSynthData 框架，通过分析目标模型在企业环境中的失败用例、由更强教师示范成功轨迹，自动生成带验证器的合成训练任务，按 Target 与 Multiply 两阶段扩增样本。
推荐理由：以目标模型的失败用例驱动合成训练数据生成，并把任务难度逼近能力边界，为企业智能体后训练提供了一种可迁移思路。
NVIDIA Blog精选AI 评分6565 GPT-6 Astra Ultrafast 如何借助 NVIDIA Blackwell GPU 实现最高 8 倍推理加速
OpenAI 在 NVIDIA Blackwell GPU 上推出 GPT-6 Astra Ultrafast 模式，借助推理优化使 token 生成速度比 Astra Standard 模式最高提升 8 倍，现已在 OpenAI API 及符合条件的 ChatGPT Work 和 Codex 用户中开放。
推荐理由：OpenAI 借助 NVIDIA Blackwell 架构与自研模型优化，将 GPT-6 Astra 推理速度提升至最多 8 倍，呈现了软硬件协同迭代的具体做法。
AWS Machine Learning Blog精选AI 评分3838 使用 Amazon Bedrock AgentCore 的 AI 智能体扩展云迁移规模
AWS Professional Services 在 Amazon Bedrock AgentCore 上推出四智能体云迁移架构，在一个 300+ 应用迁移项目里把单应用 IaC 开发时间从 3 到 4 周压缩到分钟级（数据来自内部项目跟踪）。
推荐理由：给出了四智能体模式的代码与架构细节，以及 MCP 工具与 Bedrock Guardrails 的接入方式，可作为云迁移或 IaC 自动化的参考实现。
HF Daily PapersAI 评分3434 Harness-Aware Distillation：面向小语言模型智能体的蒸馏方法
Harness-Aware Distillation（HAD）在 on-policy 蒸馏基础上新增动作偏好对比与有效性校验两个组件，专注于学习教师模型在 harness 之外提供的增量能力，无需任务奖励、成功标签或未来信息。该方法在多个长程智能体基准测试中优于同条件下的蒸馏基线，更少陷入无效循环且错误恢复更频繁。
Google DeepMind同事件AI 评分7070 Gemini 4 Argon：Google DeepMind 推出新一代前沿模型
Google DeepMind 发布新一代前沿模型 Gemini 4 Argon，主打长链路推理与企业级工作流，覆盖复杂软件工程、法律与金融知识工作以及网络安全防御。
同一件事，精选收录的是《谷歌发布 Gemini 4 Argon：搭载 RSI，基准成绩领先 Opus 5.5 和 GPT-6》
HF Daily PapersAI 评分3030 Argo-Bench：在企业级工作流上评估数据智能体
Argo-Bench 是一个新发布的预印本基准，专注于评估 LLM 数据智能体在企业级工作流中的日常决策能力。作者指出，现有 text-to-SQL 基准（如 Andon Labs 的 Vending-Bench 2）多止步于微观决策，而 Argo-Bench 旨在测试大语言模型在预测、欺诈预防等多业务领域的大型企业级表现。项目页已上线演示。
HF Daily PapersAI 评分3333 SimuVerity：面向工程级 Simulink 模型生成的智能体评测基准
SimuVerity 是面向工程级 Simulink 模型生成的智能体评测基准，包含 10 个工程领域的 101 个任务。该基准采用分层评估器，从交付物、可执行性、工程合格性及 6 个维度对生成模型打分。在 6 个智能体系统的评测中，最佳系统总分仅 42.86，部分高分模型仍存在严重视觉布局混乱。
HF Daily PapersAI 评分3131 选择式结构化推理（SSR）：迈向高效多模态搜索智能体
研究提出选择式结构化推理（SSR）框架，将多模态搜索智能体的推理从开放式生成改为从预定义自然语言候选中选取，以降低小模型开销。在 2B 和 4B 模型、七个多模态搜索基准上，SSR 结合监督微调与多种强化学习目标，在任务成功率与同规模领先搜索智能体相当的同时，将单轮推理延迟降低超过 90%，整体每题模型推理延迟降低 28-54%。
量子位精选AI 评分6262 OpenAI推理之父最新访谈：数学只是多智能体时代的开胃菜
OpenAI研究员Noam Brown在最新播客访谈中把数学解题视为多智能体时代的开场，讨论了多智能体扩展、递归自我改进与对齐等议题。他透露OpenAI用1万个Agent、88小时、1300亿token解出Navier-Stokes千禧年难题，但表示其中多智能体贡献不到10%，核心仍是模型本身；他同时指出思维链可监测性正在下降，并强调对齐是当前第一优先事项。
推荐理由：OpenAI推理核心成员在长访谈中复盘多智能体拿下千禧年难题的细节，并给出对齐、递归自我改进与思维链监测的判断。
量子位精选AI 评分6060 Manus 2.0 回归发布，新增个人 Agent 应用 Cue 与升级版 Studio
Manus 发布回归独立运营后的首个重大版本 Manus 2.0，包含全新个人 Agent 应用 Cue 和升级后的桌面工作台 Studio。Cue 给每个 Agent 配上独立的邮箱、电话号码、钱包和电脑，可对外发消息、在用户授权预算内付款、在独立机器上执行任务，多个 Agent 还能被拉入同一群聊协作，目前面向海外邀请测试。
推荐理由：Cue 给 Agent 配上邮箱、手机号、钱包与电脑，多个助手还能进同一群聊协作，可作为观察个人 Agent 产品形态的一种典型设计。
HF Daily PapersAI 评分3333 JevSpawn：通过组合动作空间实现自适应智能体推理
JevSpawn 是一种组合策略，将自然语言任务规范映射到有限概率探索空间，通过并行动作生成、反馈驱动的分支选择、表示修订和替代路径恢复，无需额外训练即可减少重复生成与上下文计算。在 8 个基准任务上对 7 个智能体基线及 TypeSafe Jev 变体的评估显示，JevSpawn 在任务性能和导航速度上均优于对比方法。
AWS Machine Learning Blog精选AI 评分5858 xAI Grok 4.7 上线 Amazon Bedrock，支持 500K 上下文与四档推理
xAI 的 Grok 4.7 在 Amazon Bedrock 上线，提供 500K token 上下文与 low、medium、high、xhigh 四档可配置推理强度。
推荐理由：原文给出 Grok 4.7 在 Bedrock 上的 500K 上下文、四档推理设置，并附带 Artificial Analysis 对比 Grok 4.6 的评测数据。
Microsoft ResearchAI 评分2525 Microsoft Research Asia – Singapore 成立一年：如何推进研究、合作与人才以产生实际影响
Microsoft Research Asia – Singapore 于 2025 年 7 月 24 日作为微软在东南亚设立的首个研究实验室落地，运营一年后团队持续扩张，围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践及生态与人才发展四大方向开展研究。