Evo-Harness：把单次失败编译成复用技能，终端基准准确率提升超10%
由 UIUC、亚马逊、宾夕法尼亚州立大学、埃默里大学等机构联合提出的 Evo-Harness 框架，正是为了击破这一瓶颈。该研究重新定义了“在线脚手架学习”（Online Harness Learning）范式，不再把经验视为被动检索的案例库。
AI Agent 第14页
检索越多反而错得越多？11种Agent记忆底座横评揭示注意力分流机制
研究团队在系统梳理了 2023 至 2026 年间 52 个代表性记忆增强智能体系统后，指出了当前评测的三大结构性缺陷。超过六成的评测指标被完全集中在 LoCoMo 和 LongMemEval 等纯对话问答基准上，而真正考察工具调用、环境交互与顺序决策的智能体任务却长期缺席。
AutoResearchEval：800条科研轨迹与45种失效模式，揭秘AI科研为何翻车
来自斯坦福大学（Stanford University）、Prentis AI 以及 Titan Holdings 的联合研究团队在最新工作中提出了 AutoResearchEval 评测基准与实证失效分类法 ARFT （AutoResearch Failure Taxonomy）。
KernelArc：不是单Agent死磕，而是共享记忆协同！登顶B200算子榜
为了打破这种“单兵死磕”的局部最优困境，来自 IMEC 与 AILabs 的研究团队提出了名为 KernelArc 的多 Agent GPU 内核协同优化架构。
StagedWorkspace：双视图版本契约，让办公Agent在OfficeQA提升至63.9%
哈佛大学、斯坦福大学、华盛顿大学与 Raycaster AI 等机构的研究团队近期联合提出了 StagedWorkspace ，首次将工作区状态明确确立为知识工作 Agent 的核心实验变量，并引入了“工作区状态契约”（Workspace-State Contract）。
StartupBench：顶尖大模型端到端成功率仅30%？首个真实商业工作流Agent基准发布
StartupBench 提出了一套基于细粒度规则的自动化评测机制。平均每个任务包含 25.3 条 相互独立的评测规则，跨越格式规范性、结构完整性、计算与逻辑正确性、领域专业事实深度等 6 个维度，并划分为 3 种重要性级别。
Terminal Agent最新综述！七维能力框架解构大模型终端执行生态
Terminal：该工作首次从工作负载级边界出发，明确将终端 Agent 界定为“任务核心推进闭环依赖于命令行执行、文本反馈与有状态环境交互”的智能系统，并提出了覆盖执行全生命周期的七维终端能力画像（Competence Profile）。
VAKRA：IBM开源8000+真实API基准，大模型多跳跨源推理准确率断崖下跌超50%
为了彻底复原这种复杂性，VAKRA 基于 BIRD-SQL 衍生出的真实数据库生态，构建了覆盖金融、医疗、供应链等 62 个领域的 8000 余个可执行 API。
Vero：首个仓库级形式化验证基准，最强AI只搞定了27个工程
来自 UC Berkeley、Stanford、Caltech、AWS 等机构的研究团队提出了 Vero ，这是业内首个面向真实仓库级（Repository-scale）、要求智能体联合合成“代码实现与机器可检查证明”的形式化验证基准。
Microsoft发布AdsWorldEngine：中枢与工具协同进化，Copilot广告RPM提升22%
Microsoft：为此，AdsWorldEngine 提出了中枢与工具的迭代联合优化范式（Iterative Actor-Tool Optimization）。这一循环由两个交替演进的飞轮组成： 第一个飞轮是 中枢策略对工具特性的自适应 。
AgentDebugX：闭环归因打破自修复瓶颈，GAIA失败任务单次重跑修复率翻倍
除了单机调试，AgentDebugX 还针对企业落地和开源协作设计了两个工程构件： 其一是 故障中心（Error Hub） 。智能体在生产环境中遇到的长尾 Bug，往往很难在开发沙盒中复现。AgentDebugX 允许将“轨迹-诊断-修复方案”打包为脱敏资产包（Bundle）。
检索到了历史轨迹，Agent 就真能照着做对吗？QCR 用一半 Token 提升 10.7 分
这项研究提出了名为 QCR （Query-Conditioned Reuse，查询条件化重用）的范式，并搭建了严格控制变量的评测框架。在涵盖 WebArena、WorkArena 和 AppWorld 三大主流环境的 2,391 个长流程任务实例评测中，QCR 在消耗在线 Token 减少 4...
CAP：跨108个网站实测！顶尖浏览器Agent最高成功率仅8.0%
来自清华大学、爱丁堡大学、澳门科技大学、东南大学等机构的研究团队联合提出了全新基准 CAP （Cross-site, complex Actions, and Perception），针对跨网站工作流、复杂 UI 操作以及动态视觉感知三大核心瓶颈展开全面评测。
Daydreaming：无需套取提示词，32次黑盒交互窃取86.8%隐藏Agent技能
研究团队提出了名为 Daydreaming 的黑盒执行重构攻击。该攻击彻底绕过了传统的越狱或信息刺探手段，在整个交互过程中不向目标 Agent 询问任何系统提示词，也不要求对方评价或校准生成的代码，而是将其建模为一个纯粹的黑盒系统辨识问题。
EASy：告别无脑堆算力，莫纳什用强化学习让智能体按预算精明办大事
针对这一长期被忽视的痛点，莫纳什大学（Monash University）的研究团队提出了名为 EASy （Efficient Agentic System）的可训练智能体框架。
NVIDIA提出ACES：文档及格不等于可用，成对实测带来21%能力净增
针对这一脱节现象，NVIDIA 团队提出了名为 ACES（Agentic Continuous Evaluation of Skills）的持续评估框架，并在开源工具 NVIDIA SkillEvaluator 中实现了该方法。
FailForge：从顽固失败中提炼排查方法论，SWE-bench基准提升6.6分
为此，团队提出了名为 FailForge 的智能体自愈蒸馏框架，将原本注定被丢弃的失败样本重新激活为高价值训练数据。实验表明，FailForge 成功挽回了超过 26% 连试数次均彻底失败的难题。
FlashRT：引导Coding Agent重写多模态部署，延迟最高降低70倍
卡耐基梅隆大学（CMU）、超威半导体（AMD）与纽约州立大学布法罗分校的研究团队提出了一套全新系统 FlashRT。该方案打破了“为人手写调度器”或“用规则编译器解决一切”的传统思路，转而将系统级优化任务交给大模型编码智能体（Coding Agent）。
HyperSkill：用超图重构智能体记忆，复杂任务最高提升11.5分
针对这一瓶颈，来自西北大学、伊利诺伊大学芝加哥分校与南加州大学的研究团队提出了 HyperSkill 。该框架将智能体的经验记忆形式化为一个 超图（Hypergraph） ，用超边把单次轨迹中的子任务序列、可复用技能与反思教训强绑定在一起，并通过子任务与轨迹级双路检索及基于高阶拓扑的记忆演化。
IssueTrojanBench：恶意Issue攻破66.5%编程Agent，框架级防御形同虚设
IssueTrojanBench：分析得出的结论对当前 Agent 框架的架构设计者提出了直接警示： 在这 1,400 次拦截中， 82.9% 的拒绝行为完全来源于底层大模型自身的显式安全推理 ，模型在思考链中识别出指令存在风险并主动拒绝执行。
OBLIVION：阻断Agent技能死灰复燃，恶意重构成功率从1.0降至0.114
针对这一隐蔽且危险的操作风险，研究团队提出了名为 OBLIVION 的基准与防御框架，首次系统性地将“操作型技能遗忘”（Operational Skill Unlearning）形式化为一个源到汇（Source-to-Sink）的工作流安全问题。
LivePlan：解耦“裁决”与“建议”，仅增0.08美元将Agent解题率提升15.2%
由 IBM 与伊利诺伊大学厄巴纳-香槟分校（UIUC）联合团队提出的 LivePlan 框架，换了一种更务实的解题思路： 将运行时的“漂移裁决”与“纠偏建议”彻底解耦 。
READY：自主准确率仅差0.3%，为何落地所需人工审核却相差近10%？
由 Scale AI、加州大学圣克鲁兹分校（UC Santa Cruz）与范德堡大学医学中心（Vanderbilt University Medical Center）联合提出的 READY （Reliable Enterprise Agent Deployment）框架，正是为了破解这个断层。
告别大模型监工：微秒级遥测与校验助 Agent 成功率从 52% 提至 73%
作者团队在涵盖 LangGraph、AutoGen 以及自研框架，横跨 Qwen-2.5-7B/3B、Llama-3.1-8B 以及商用 Gemini-2.5-flash API 的 2823 个真实智能体轨迹上，构建了一套两阶段防护系统。