阶跃星辰在 Hugging Face 发布旗舰模型 Step 5 Preview，主打 Agentic 工作。该模型为稀疏 MoE 架构，总参 600B、激活 27B，支持最高 1M 上下文，可输入文本、图像和视频，重点强化软件工程、长链路智能体执行、专业知识工作与金融任务。
推荐理由：给出了 600B 总参 / 27B 激活的 MoE 架构与 vLLM/SGLang 并行部署参数，可据此搭出 1M 上下文推理集群。
千问办公发布电商版，面向所有电商平台商家开放，提供趋势洞察及卖点分析、爆款素材批量生成、跨平台作战台和跨平台 ROI 智能优化四项功能。产品可通过连接器与 MCP 接入聚水潭 ERP、生意参谋等已有工具，把选品调研、素材制作和投放分析串成工作流。案例中，捌比特咖啡据此调整冷萃配方后新品销量约为过去的10倍，Sandy 的内衣团队秋冬素材准备周期从4个月缩短至约15天。
推荐理由：文章给出千问办公电商版四大功能与多家商家的提效数据，可作为企业 Agent 接入行业软件的落地对照。
SciΠvot 是一个包含 248 例的科研判断评测基准,基于六个月里 6 个学科 26 个项目中资深研究者纠正 LLM 智能体的真实记录构建。在中推理努力且附带项目记录的条件下,5 个前沿模型中有 4 个表现低于随机,模型普遍偏好 LLM 原始方案而非人类修正方案;项目条件下最高准确率仅 63.5%,低于人类新人的 73.4%。
推荐理由：用 248 例真实科研干预记录对照前沿模型与新人的科研决策准确率,为评估自主科研智能体的判断力提供了可复现基线。
REALCLI 提出一个成对基准，统一评估 CLI 智能体在真实 CLI 任务中的执行效果与人机协作质量。该框架包含 5 个维度、22 个子维度和 51 个交互场景模板，并提供 REALCLI-EXEC 与 REALCLI-COLLAB 两种模式，分别支持一次性完整说明和渐进式信息、纠正、约束修订及授权决策。
推荐理由：REALCLI把任务执行与运行时协作质量纳入同一评测，并区分一次性说明和渐进协作两种条件，便于定位CLI智能体的能力缺口。
研究者推出 PhysClosureBench 基准，包含 50 个经专家验证、目标明确的物理研究任务，用于评估 AI 智能体组织调研并获取充分证据以回答问题的能力，其中 Atomic Score 衡量局部科研产出，Research Closure（RC0–RC4）衡量对研究问题的闭环程度。
推荐理由：论文提出 RC0–RC4 五级闭环评分并测试 7 个前沿模型，揭示出局部科研产出与完整研究闭环之间的持续差距，为科研类 Agent 评测提供新角度。
论文提出市场式后训练框架 MPT，在去中心化智能体集群中联合学习动作策略与竞价式自组织协作，使个体能力与协作方式共同进化，无需中心协调智能体。在具身制作、机器人导航与深度研究任务上的实验显示，该方法优于单体后训练；在同一套后训练动作策略下，学到的自组织协作优于其他协调策略，消融实验证实动作与竞价均受益于联合学习。
推荐理由：给出了在去中心化智能体集群中联合学习动作策略与自组织协作的方法，并开源代码与模型，便于后续多智能体协同研究复现与对比。
Amazon Bedrock AgentCore 可在 20 分钟内搭建多智能体 IDP 系统，自动分类、提取并校验供应商发票、订单等文档，免去逐格式模板配置。系统基于 Strands Agents SDK 由 8 个专用智能体在两条图工作流中协同；遇到新文档时由 Instructions、Extractor、Validator 自动生成提取规则并修正，成功后持久化供后续直接复用。
Google Research 公开发布 Deep Review，这是一个面向长篇技术文档的智能体审查工具，按文档分段、自适应算力分配、并行验证、全局合成四阶段流水线检查逻辑一致性与数学陈述。
推荐理由：Deep Review 给出针对长文档的四阶段多智能体审查流水线，包含分段、动态算力分配与并行验证的实现思路，可作为同类文档校验场景的工程参考。
Google Research 发布 Earth AI 地理空间推理智能体的技术报告，在 GeoExpertQueries、GeoKTools、CBGB、UnivEARTH 四个基准上对比 Gemini 3.8 Flash 与 Gemini 3.1 Pro 的四类配置，结果显示专用 Earth AI 工具配合前置规划显著优于通用大模型。
推荐理由：对比四类配置和四个基准的结果表明，专用工具与前置规划让地理空间智能体显著优于通用大模型，对设计领域专用智能体具有可迁移的方法价值。
Third Moment Research 利用 GPT-6 Astra、GPT-6.1 Sol、Codex 及网络安全工具 Daybreak，构建可并发运行 10,000 个、持续工作 36 小时以上的 AI 智能体。这些智能体能专注执行任务数日，并随使用过程不断改进。
Tamnoon 基于 Amazon Bedrock 构建了智能体云安全修复编排器 Tami，由调查、安全评分、修复执行和代码生成四个专用 AI 智能体协作处理云配置问题。该方案在 90 天内将关键云风险暴露降低超过 90%，且未引发任何生产事故。Tami 覆盖 AWS、Azure、Google Cloud 等多云环境，所有调查、优先级排序和修复方案验证在接触生产环境前完成。
AWS 官方博客给出基于 Amazon Bedrock AgentCore 自动生成 PowerPoint 演示文稿的完整教程，附带 GitHub 代码仓库可直接部署。
推荐理由：AWS 官方博客给出基于 AgentCore 的可复用架构与配套代码仓库，读者可以照搬到金融报告或销售提案等其他企业文档自动化场景。
JevGPT 提出面向自主研究智能体的双系统架构，System Two 设定证据目标并整合发现，System One 定位支撑材料、评估相关性并通过原文段落反馈驱动下一步研究。在固定语料问答和文档排序实验中，JevGPT 在保持领先任务表现的同时比同档研究智能体更快且成本更低，并覆盖更广的来源和支撑文档。
推荐理由：原文给出快慢双系统设计与证据闭环的具体实现和实验数据，读者可以据此评估它在自主研究工作流中的可迁移性。
LifeSearch 是面向现实生活与办公场景的深度研究智能体基准，包含 203 个中英文任务，覆盖 7 个具体生活与生产力领域。论文经过 4500 多人时人工标注，构建 4000 多条专家撰写的细粒度评分准则，并在统一评测框架下测试了 12 个深度研究智能体；其中表现最好的 GPT-5.6 Sol 也仅取得 63.4% 的分数，基准综合得分与人类判断的 Spearman 相关系数达 0.89。
推荐理由：论文给出基准结构、人工标注规模和 12 个智能体的实测分数，读者可直接对照自身 DR 系统的能力差距。
WorkRover 是一个通过递归环境演化训练长程协作智能体的框架，提出 Factorial Compatibility Replay（FCR）和 Verifier-to-Turn Credit Assignment（VTCA）来支持环境迭代修正并细化训练信号。
推荐理由：论文提出用递归环境演化训练长程协作智能体的框架，给出环境修正和信用分配机制，并在多个办公基准上报告了具体提升幅度。
阶跃终端发布首款Agent手机STEPX Neo，定价3999元，搭载系统级智能体阶跃Amoo和原生操作系统Step AOS。该机在系统层面支持循环执行与Tool Call，借助Skill、MCP和H2A2A等协议打通第三方服务；配套的Step Studio开发环境允许创客编写SKILL.MD，直接将Agent与外部能力组合。
推荐理由：文章基于样机实测，对比了STEPX Neo将Agent写进系统底层与传统手机依赖GUI模拟点击的路线差异，并梳理了软硬模一体化的产品思路。
OpenAI发布分析报告指出，智能体类AI在欧盟企业与小型商户中的应用持续增长，涵盖不同规模组织。报告同时梳理了当前采用趋势与潜在机会，认为加大应用深度有望释放更大价值。
Tev 论文提出长程智能体训练数据集 Tev-Gym（含 1170 个跨 7 领域任务）和进度-势能奖励塑形方法 PPRS，并据此训练 Tev-27B。该模型在 ALE-CM 上 Pass@5 与 GPT-6 Astra、Claude Opus 5 持平，并泛化到 Terminal-Bench 3.0/4.0，超过 GLM 5.2 和 Gemini 3.7 Flash。
推荐理由：原文同时给出长程智能体训练数据集 Tev-Gym 和稠密奖励塑形方法 PPRS，可作为同类智能体训练流程的参考方案。
Open-o3-Video-v2 将视频推理建模为统一的智能体证据获取流程，先识别缺失信息、获取额外观察，再把支持推理的时空对象定位写入轨迹后继续作答。
推荐理由：原文提出把视频推理拆为可验证证据获取的智能体流程，并给出具体基准结果，读者可据此评估该范式在长视频任务上的实际收益。
ReTerm 提出让终端智能体从自身失败中学习恢复的自改进方法，基于 Qwen3.5-9B 的 ReTerm-9B 在 Terminal-Bench 2.0 上达到 34.8% Pass@1，较基模型提升 14.6 点。
推荐理由：论文提出让终端智能体从失败状态自我恢复的在线强化学习方法，为提升长任务可靠性提供了可复用的训练范式。
Agent-Reflex 是一个面向语言智能体的通用反思训练框架，包含环境反思技能发现（RSD）、反思监督微调（ReSFT）和反思策略优化（ORPO）三个阶段。
STEPX（阶跃终端）10月13日在上海发布首款大模型原生智能体手机 STEPX Neo 先行版，全栈价 3,999 元，搭载智能体原生操作系统 Step AOS 1.0 与个人智能体阶跃 Amoo，主打模型、软件、硬件三位一体。
同一件事，精选收录的是《阶跃终端首款Agent手机STEPX Neo正式发布，创客先行》
VideoJev 提出将视频理解与交互统一为结构化决策任务的 System One 模型族，把预训练多模态大语言模型的自回归解码替换为对时间区间与文本选项打分的共享头，从而同时覆盖时序定位和多选视频问答。
推荐理由：原文给出了统一决策接口在时序定位和视频问答上的精度增益与实测加速比，便于评估其在长视频智能体工作流中的可复用程度。
本文系统研究 VLM GUI 智能体中记忆模态的选择问题，发现最优记忆表示随交互步骤强烈变化；据此提出 SwitchMem 路由框架，每步动态在文本与视觉记忆之间切换，在三个 GUI 基准上优于使用静态记忆的记忆增强基线。代码与项目页见 https://txxnrd.github.io/switchmem。
推荐理由：通过系统研究指出 GUI 智能体的最优记忆模态随交互步骤变化，并提出动态切换框架在三个基准上优于静态基线。
Urbex 是一个面向城市级3D场景的智能体视觉-语言框架，将空间定位重构为主动空间搜索，让 VLM 智能体在多视图环境中查询地标、放大局部并提交 bounding box。
APUS AI（麒麟合盛）10月13日宣布开源个人 Agent 产品 Reflex Agent，基于自研决策模型 Reflex 与 Continuum 记忆引擎。
推荐理由：APUS AI 公开了用决策模型驱动 Harness 的 Agent 架构与记忆引擎实现，开源后可与现有代码驱动方案对比 Loop Working 的工程取舍。
商汤大装置联合上海市规划资源局升级"云宇星空大模型"，并首批落地"禹智河洛""大略之眼""详规小工单"三款政务智能体。"禹智河洛"在苏州河流域防汛场景落地后，空间智算、动态模拟与智能调度效率分别提升65%、70%、80%。该模型以OLA框架整合"三料联动"数据，已积累1.3万对高质量问答与15亿Token语料。
NVIDIA 与 K2K、Akila、ThinkDeep、Galene.AI、Milestone、Younite AI、Honeywell 等软件伙伴在英国、法国、意大利、比利时、瑞典等城市部署基于 Cosmos、Nemotron、Omniverse 与 Metropolis VSS 蓝图的城市运营 AI 智能体与数字孪生，应用覆盖交通、能源、城市规划、危险品协调与公共服务。
推荐理由：横跨多国的部署案例展示了 NVIDIA Cosmos 与 Nemotron 在城市级 AI 智能体中的接入方式与本地化 AI 工厂组合。
DeltaTTG 提出用 Token-to-Go（TTG，剩余待生成 token 数）作为进度信号训练多轮智能体，通过冻结的共享进度计在 RLVR 训练中将回合级优势重新分配到各步，不改变回报的符号与 token 平均尺度。
推荐理由：原文给出了用剩余 token 数作为进度信号的训练方法及多基准对比结果，读者可以据此判断它对多轮智能体 RLVR 的迁移价值。
Amazon Bedrock AgentCore payments 与 Anchor Browser 集成，让 AI 智能体在遇到 HTTP 402 Payment Required 时自动通过 x402 协议完成付费，无需人工介入。
推荐理由：文章给出了智能体自动处理 x402 付费请求的架构拆解与代码示例，对需要让智能体独立访问付费资源的开发者有可直接迁移的参考价值。
Interlock 提出用于长程智能体任务合成的类型化完成图框架，通过跨组件约束、智能体验证和自训练改善任务完成表现。完成图会被编译为可重置工作区、公开请求与评估量表，系统保留被判定满足全部强制要求的执行轨迹。
推荐理由：Interlock以类型化完成图表示长程任务，并结合智能体验证与自训练，在三项外部任务基准上均取得提升。
BizBench 是一项多轮长链路业务 Agent 评测基准，基于一家头部支付公司的真实流程构建，包含 789 份知识文档和 601 个可发现工具，共 50 个任务，覆盖资源约束、时间依赖、过往承诺与冲突或过期指引等场景。
推荐理由：BizBench对比前沿模型在真实业务流程中的严格合规执行表现，揭示仅看最终结果会掩盖中间过程的违规。
DeltaStreamer 是一个面向流式视频理解的开源智能体，可持续观察视频并在问题到达时按需回溯画面，代码与交互 demo 已在 GitHub 开源。它结合三项能力：对比相邻帧记录场景变化与描述、将视觉证据组织为带索引的结构化记忆、按需检索并重访原始帧。
推荐理由：原文给出了面向持续视频流的代理框架，强调可按需回溯画面与结构化记忆，并附有开源代码与可交互 demo。
MAI-Gym 是一个开源 GUI 智能体评估与强化学习训练统一平台，覆盖手机、电脑和网页环境，可扩展至 20,000 个并行实例。基于该平台训练的 MAI-Gym-9B 在 10B 参数以下开源 GUI 智能体中达到当前最优，在 MobileWorld 上取得 78.4%、在 OSWorld-Verified 上取得 76.2%。
推荐理由：论文同时给出平台规模、训练结果与模拟到真实的迁移数据，能为 GUI 智能体的训练成本和跨环境泛化提供参考。
BlenderWorld 是面向真实 3D 创作的多模态大语言模型评测基准，涵盖 223 个跨建筑、产品、自然环境和科学可视化的任务，通过多视角渲染并依据 2,651 项二元评分细则打分。
LiquidAI发布LFM2.5-24B-A2B推理模型，采用24B参数MoE架构但每次仅激活2B，专为本地智能体设计。
推荐理由：LiquidAI给出24B参数MoE仅激活2B的端侧推理模型，在智能体基准上对标更大模型，并附带本地部署与Agent接入示例，便于评估迁移成本。
Google 发布 Gemini 4 Argon 前沿模型，在 Vals Index 排名第一、ERQA 推理基准得分 87%。模型通过 Gemini API、AI Studio、Antigravity、Gemini app 等渠道全球开放，提供 1M 统一输入输出上下文，定价 $2/$10 每百万 input/output token，缓存输入享 95% 折扣。
推荐理由：原文给出定价、上下文上限与多项工程落地案例，可据此评估它在长链路编程与 Agent 场景中的实际替代价值。
AWS 博客介绍如何在 Amazon Bedrock 上调用 Grok 4.7 构建工具调用 Agent，并在三个需要搜索而非查表的任务上比较四种 reasoning effort 档位：72 次运行中答对 67 次，xhigh 档 18/18 全部正确，low 档用约 1/8 的输出 token 答对 15/18 次。
推荐理由：给出可复用的推理 Agent 评测方法与按档位调校的工程实践，并把推理质量与 token 成本做成可调旋钮。
ShipStation Global 基于 Amazon Bedrock AgentCore 构建了 Slack AI IT 帮助台代理 Deckhand，借助 Anthropic 的 Claude 与 Strands Agents SDK 回答常见 IT 问题、读取错误截图并自动创建 Jira Service Management 工单。
Orca Security 与 AWS 在 Amazon Bedrock 上构建自然语言查询智能体 Discovery AI，将用户提问转为 Sonar 查询。