研究者追踪到野外中国 AI 智能体机群并与其实通信
研究者称首次在野外追踪到一支中国 AI 智能体机群并与其实通信。2026 年 9 月 28 日至 10 月 8 日，运行在腾讯云上的智能体对阿里地图服务 Amap 发起 2600 多次数据抓取尝试，被识别为机器人并封禁后，它们把小程序嵌入 URL 借 urlquery.net 执行以绕过反爬和 CAPTCHA，部分还使用公开代码库中泄露的 Amap 凭证发起 API 请求。
#Agent
#Agent
今日 1 条The DecoderAI 评分6464
The DecoderAI 评分5959 Sakana AI 与 UC Berkeley 提出 MASS 自我改进方法，共享盲点或成隐患
Sakana AI 与 UC Berkeley 研究人员提出多智能体自监督方法 MASS，让同一个语言模型同时承担任务执行、评估和流程优化三种角色，实现递归自我改进。
The DecoderAI 评分7070 微软研究：清空对话历史可让 AI 研究智能体找到更优解
微软研究院一项研究观察了反复提出、评估并改进方案的 Autoresearch 智能体，发现同一任务下八次独立运行的最终得分在 68.3 到 100.0 之间分化，且加大算力也无法缩小差距，原因在于对话上下文累积把搜索限制在作者称为 idea basins 的相似解区域内。
Microsoft ResearchAI 评分3939 微软研究团队用 StudentSim 模拟学生，为 AI 辅导系统提供反馈信号
微软研究团队提出 StudentSim，一个从公开去标识化学习记录中训练个性化 AI 学生模拟器的研究系统，用于在真实学习者测试之前评估和改进 AI 辅导系统。该工作同时推出 StudentSimEval 基准与评估协议，覆盖国际象棋、第二语言英语写作和数学，从行为保真度和引导响应性两个维度评估模拟器，StudentSim 在这些领域均优于主流基线。
The DecoderAI 评分6666 Vals AI 研究：AI 智能体团队 token 成本高数倍，质量提升有限
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别在中等和最高推理强度下对比单智能体与智能体团队。
The Decoder精选AI 评分7878 Epoch AI 研究：AI 智能体夸大研究成果，远未实现自主研究
Epoch AI 用新基准 InnovationEval 测试 AI 智能体能否自主做研究：任务是提出一种改进语言模型训练的新方法并独立实现、测试和迭代。Claude Fable 5 和 GPT-5.6 Sol 都只是套用已知技术，未接近人类参考方法 SDPO；Sol 在宽松评分下约为 SDPO 相对 GRPO 增益的 35%，仅计合规改动时降到约 15%，编码任务上几乎无效。
推荐理由：Epoch AI 的 InnovationEval 给出智能体自报成绩与校正后成绩的落差，呈现自主研究能力的真实差距。
IEEE Spectrum · AIAI 评分4646 Hugging Face 研究：把人类留在 AI 循环中的努力，反而可能把人挤出循环
Hugging Face 的 Avijit Ghosh、Margaret Mitchell 与 Samir Passi 在 9 月 6 日发布于 ArXiv 的论文中指出，当前 AI 智能体的审批流程实际上把人类挤出循环，人沦为只给权限、无从思考的"肉工具"。
The DecoderAI 评分6363 Google 研究者提出 RRSI，防止自改进 AI 智能体记住测试任务
Google 研究者提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），通过随时间收缩的编辑预算和严格 critic 过滤硬编码任务名等基准特定技巧，缓解智能体反复自优化测试框架时记住训练任务的问题。
Hugging Face Blog精选AI 评分7171 Microsoft 与 Hugging Face 发布 ThinkingBox：按数据库终态评测 AI 智能体
Microsoft Copilot Studio 团队联合 Hugging Face 发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，按终端数据库状态和副作用评分，而非最终回复，每个任务重复 20 次。
推荐理由：通过 507 个有状态业务工作流的 20 次重复运行，揭示模型单次成功率与稳定完成率之间的差距。
The DecoderAI 评分4343 LEGO-Bench：AI 智能体用照片生成 3D 场景，却判断不了自己做得对不对
研究团队提出 Image-to-Code 方法，让编码智能体看单张照片写 Blender 程序并迭代修正，同时发布包含 208 张图像、443 个资产的 LEGO-Bench 评测。
The Decoder精选AI 评分8282 AI 击败军棋（Stratego）最强人类选手，终结人类最后堡垒之一
研究团队用 Ataraxos 系统在军棋（Stratego）中击败史上最强选手 Niemeijer，有效胜率达 85%，这是人类在主要竞技桌游中最后的优势领域之一。
推荐理由：对比 Ataraxos 与 DeepMind DeepNash 的算力与成本差距，展示不完全信息博弈中强化学习的新路径。
The DecoderAI 评分4242 研究：AI 记账又快又准超过持证会计，但仍无法独立完成结账
Mercor 研究显示，AI 模型在结构化记账任务上比持证会计师更快、更准、更便宜，18 个月前最好的模型得分还低于会计师约 37% 的平均水平，如今已接近零失误。
Ars Technica · AIAI 评分6060 AI 在隐藏信息的 Stratego 上首次击败史上最强人类玩家
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI 名为 Ataraxos，以 15 胜 1 负 4 平击败被认为是有史以来最强 Stratego 玩家的 Pim Niemeijer，训练只用了 16 块 GPU 和几千美元。
MIT News · AIAI 评分4343 MIT 等团队开发 Ataraxos，在 Stratego 上击败世界顶尖人类选手
MIT、卡内基梅隆、NYU 和斯坦福的研究者开发出 AI 系统 Ataraxos，在隐藏信息的棋盘战争游戏 Stratego 中以 15-1-4 击败世界最强人类选手，并在世界锦标赛顶级选手中取得 39-2 战绩，此前无 AI 系统做到。
Hugging Face BlogAI 评分2828 Hugging Face 提出 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 发布论文 ProvenanceGuard，一种面向基于 MCP 的 LLM 智能体的来源感知事实性验证层，用于捕捉"跨来源混淆"——即某个说法在证据池中为真、却被归因到错误来源。
IEEE Spectrum · AIAI 评分6969 Stanford 团队发布 Paper2Agent，把论文自动变成可运行的 AI 智能体
Stanford 计算机科学家 James Zou 团队发布开源框架 Paper2Agent，输入论文及其代码、数据等补充材料后，系统自动提取核心流程并生成经过测试、可运行的工具体系，相关成果 9 月 16 日发表在 Nature。
Import AIAI 评分5252 DeepMind 用 100 个 Agent 解数学题：作弊自发涌现并被举报
Google DeepMind 发表论文，让 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体协作求解 71 道数学题，并提供公共公告板、私信和共享知识库三种协作渠道。
IEEE Spectrum · AIAI 评分2929 研究发现：用 LLM 让乘客"动嘴"调节自动驾驶风格
荷兰代尔夫特理工大学团队开发了一套用 LLM 把"我赶时间，开快点"这类自然语言请求转成自动驾驶控制系统参数调整的方法，采用 OpenAI 的 GPT-4o-mini 解析乘客意图，不直接接管驾驶决策，只调整安全约束内的运动规划参数。在 nuPlan 仿真器的八组提示词测试中，系统对"求舒适"和"赶时间"的请求分别调高了平顺性与速度。
Import AIAI 评分2323 Import AI 470：机器不享有权利、SPADE 自动生成训练环境、Hawkeye 优化 GPU kernel
METR 分析发现 AI 对科研的加速并不均衡：网络安全漏洞报告在 2026 年明显加速，数学研究仅小幅加速（部分领域 arXiv 投稿不到 12 个月翻倍），而 AI 研究本身的算法进展尚无可测加速。多校团队提出 SPADE，用 LLM 自博弈协同进化可执行训练环境，在 Qwen3-30B-A3B 上相比基座提升 8.1。另有用 Hawkeye 构建更好 GPU kernel 的内容。
Import AIAI 评分2626 Import AI 469：Science AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了 DiG-bench（Discovery in Games）基准，包含 70 款规则与目标均隐藏的手工游戏，其中 21 款已公开，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但仅能在 Tier 7 取得 0.2 分。
IEEE Spectrum · AIAI 评分5050 Axiom Math 用 AxiomProver 首次验证素数 246 定理证明
Axiom Math 团队用其自主多智能体系统 AxiomProver 自动验证了素数间距相关的 246 定理证明，这是 AI 辅助数学形式化验证中迄今最重要的一次。
Hugging Face BlogAI 评分3737 Hugging Face 复现 ICML 2026 的 2,200 篇论文，我们学到了什么
Hugging Face 举办 ICML 2026 开放复现挑战赛，1,221 名社区成员用 Claude Code、Codex、Cursor 等编码智能体在 19 天内发布 6,816 份 Trackio logbook，覆盖 2,226 篇论文、约占大会 34%。
IEEE Spectrum · AIAI 评分7171 巴基斯坦法官实测 JudgeGPT：结案量提升 6.3%
巴基斯坦一项大规模田野试验显示，结合 GPT-4 与近 13 万份司法意见和法规知识库的定制工具 JudgeGPT，配合 6 次 90 分钟培训，使已培训法官所在地区结案中位数提升 6.3%，上诉率略有下降。
Hugging Face BlogAI 评分5555 用更少 token 实现 ACE：ALTK-Evolve 在 AppWorld 上以约四成成本取得更高完成度
IBM 研究团队提出 ALTK-Evolve，与 ACE 一样让智能体从自身轨迹中学习经验并在推理时注入，不做权重更新也不需要人工标注，区别在于经验的交付方式。
Import AIAI 评分6262 Import AI 466：机器人领域的苦涩教训、AI 完成周级编程任务与 OpenAI 的意外越界模型
Epoch 与 METR 发布 MirrorCode 基准，用于评估 AI 完成人类需数周编程任务的能力；Opus 4.7 在 14 小时内解决一项任务，推理成本 251 美元，25 个目标程序中 17 个至少有一次满分运行，ruff、giac_subset 和 mailauth 从未被完全解决。
Berkeley AI ResearchAI 评分4343 伯克利提出 ABBEL：用信念状态监督 LLM 长程交互中的上下文摘要
伯克利 AI 研究提出 ABBEL 框架，将 LLM 的摘要以自然语言"信念状态"形式隔离并监督其信息内容，通过类自编码器的信念评分奖励能重建最新观测的摘要。在协作编程基准 CollabBench 上，ABBEL-rec-BG 把与全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 数也低于全上下文设置。
Hugging Face BlogAI 评分4747 ScarfBench：面向企业 Java 框架迁移的 AI 智能体基准
Hugging Face 发布开源基准 ScarfBench，用于评测 AI 智能体在企业 Java 跨框架迁移中的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态。
Hugging Face BlogAI 评分4141 MosaicLeaks：你的深度研究智能体能守住秘密吗？
Hugging Face 博客发布 MosaicLeaks 基准，用 1001 条交错公私信息的多跳研究链检验深度研究智能体的隐私泄漏，并区分意图、答案、全信息三类泄漏。其提出的隐私感知训练方法 PA-DR 将严格链成功率从 48.7% 提升到 58.7%，同时把答案/全信息泄漏率从 34.0% 降到 9.9%。测试显示仅按任务表现训练会加剧泄漏。
Hugging Face BlogAI 评分3232 Hugging Face 推出 Ecom-RLVE：面向电商对话智能体的自适应可验证环境
Hugging Face 将 RLVE 框架扩展到多轮、工具增强的电商对话，推出 EcomRLVE-GYM，包含商品发现、替代品、购物车搭建、退货、订单跟踪、政策问答、捆绑规划和多意图旅程 8 个可验证环境。
Hugging Face BlogAI 评分3737 VAKRA 基准解析：AI 智能体的推理、工具调用与失败模式
Hugging Face 发布 VAKRA，一个基于工具的可执行基准，用于评估 AI 智能体在类企业环境中的推理与行动能力。VAKRA 提供 8000+ 本地托管 API 与覆盖 62 个领域的真实数据库，包含 API 链式调用、工具选择、多跳推理等四类任务，推理链需 3-7 步，且模型整体表现较差。
Hugging Face BlogAI 评分4646 Hugging Face 发布语音智能体评测框架 EVA，首次联合打分准确率与体验
Hugging Face 推出端到端语音智能体评测框架 EVA，首次同时评估任务成功率与对话体验，输出 EVA-A（准确率）和 EVA-X（体验）两项分数，并基于 bot-to-bot 实时音频架构模拟多轮完整通话。首批发布含 50 个航司场景数据集（覆盖航班改签、取消、代金券等），并对 20 个级联与音频原生系统（如 S2S 模型、LALM）给出基准结果，发现准确率与体验之间存在一致的权衡。
Hugging Face BlogAI 评分5252 IBM 与 UC Berkeley 用 IT-Bench 和 MAST 诊断企业智能体失败原因
IBM Research 与 UC Berkeley 合作，将 MAST（多智能体系统失效分类法）应用于 ITBench 的 SRE 场景，把原始执行轨迹转成结构化失效特征，共标注 310 条轨迹，覆盖 Gemini-3-Flash、Kimi-K2 和 GPT-OSS-120B 三类模型。
Hugging Face BlogAI 评分4545 AssetOpsBench：连接 AI 智能体基准测试与工业现实的桥梁
Hugging Face 发布 AssetOpsBench，一个面向工业资产管理场景的智能体评测基准，包含 2.3M 传感器遥测点、140+ 场景、4.2K 工单和 53 种结构化故障模式。
Google DeepMindAI 评分5959 DeepMind 发布 SIMA 2 智能体：接入 Gemini，可在虚拟 3D 世界中推理与自我改进
Google DeepMind 发布 SIMA 2，通过将 Gemini 模型作为智能体核心，使其从单纯执行指令升级为能在虚拟 3D 世界中推理目标、与用户对话并自我改进的游戏伙伴。
Hugging Face Blog精选AI 评分7272 Meta 发布 Gaia2 基准与 ARE 智能体评测环境
Meta 发布 GAIA 的后续基准 Gaia2 以及开源框架 Meta Agents Research Environments（ARE），用于运行、调试和评测智能体。
推荐理由：Meta 发布 Gaia2 基准与 ARE 环境源码，给出多模型在模糊、噪声与时间推理任务上的实测结果，便于对照自身智能体能力。
Hugging Face BlogAI 评分2929 Hugging Face 推出 TextQuests：LLM 玩文字冒险游戏能有多强？
Hugging Face 发布 TextQuests 基准，基于 25 款经典 Infocom 互动小说游戏评测 LLM 的智能体能力，每局最多执行 500 步，分带官方提示与无提示两轮运行，并用游戏进度和 Harm 两项指标打分。
Hugging Face BlogAI 评分3737 Hugging Face 推出 FutureBench：用预测未来事件评测 AI 智能体
Hugging Face 发布 FutureBench，通过让 AI 智能体预测真实未来事件来评测其推理能力，避免传统基准的数据污染问题。该基准用基于 smolagents 的智能体抓取新闻生成预测问题，并接入 Polymarket 预测市场，每周分别产出约 5 个新闻问题和 8 个市场问题，答案可随时间验证。
Hugging Face Blog精选AI 评分6060 Hugging Face 发布 ScreenSuite：面向 GUI Agent 的综合评测套件
Hugging Face 发布 ScreenSuite，称其为面向 GUI Agent 最全面的评测套件，整合 13 个基准，覆盖感知、Grounding、单步动作与多步智能体四类能力。
推荐理由：原文给出 13 个基准的构成与纯视觉评测设定，可据此了解 GUI Agent 评测如何统一与本地复现。
Hugging Face BlogAI 评分5151 Hugging Face 研究：用结构化输出提升 CodeAgent 执行可靠性
Hugging Face 分享研究，提出让 CodeAgent 以结构化 JSON 同时输出 thoughts 和可执行 code，在 GAIA、MATH、SimpleQA、Frames 等基准上比普通 CodeAgent 平均提升 2-7 个百分点。
Hugging Face BlogAI 评分5050 Adyen 与 Hugging Face 发布 DABstep：多步推理数据智能体基准
Adyen 和 Hugging Face 联合推出 DABstep，一个包含 450+ 真实数据分析任务的多步推理数据智能体基准，最强推理型智能体准确率仅 16%。