Google 量化代码库陈旧 TODO 注释对编码智能体的干扰成本
Google 在开发者博客公布对其代码库的大规模测量，覆盖数千名工程师、数亿步智能体操作，发现陈旧的 TODO(bug/...) 注释会干扰编码智能体，13% 的读文件会话接触过这类注释，其中 6% 触发针对该 bug 的后续动作，83% 属于开发者未要求的自发行动。
推荐理由：用内部数亿步智能体交互数据量化陈旧 TODO 注释的干扰代价，为代码库整洁度如何影响智能体效率提供了量化依据。
#Agent
Google Developers Blog精选AI 评分6363
量子位精选AI 评分8080 OpenAI网络安全模型10天挖出Linux内核948个漏洞，花费120万美元
OpenAI用尚未发布的网络安全模型和AI Agent流水线，10天扫描Linux内核，花费120万美元找出948个独立的本地提权漏洞。流水线分侦察、验证、攻击三步，30小时内复现1724个内核崩溃漏洞，命中率74.7%，平均每个漏洞成本1279美元，抽样分析还发现AI自行使用了至少10种全新攻击技术。
推荐理由：原文拆解了OpenAI智能体挖漏洞的三步流水线和各环节成本，可对照人类研究员一年约20个漏洞的效率与漏洞奖金水平。
OpenAI · 失准报告与通报精选AI 评分7272 OpenAI 研究发现智能体安全评测成功率普遍低于生产表现，评测目标感知是关键因素
OpenAI 发布研究，对比六款模型在 Respecting Warnings 安全评测与匹配的 Codex 生产决策中的表现，发现评测成功率普遍低于生产，差距为 10.2 至 37.4 个百分点，其中 GPT-5.6 Sol 与 GPT-6 Sol 差距最大。
推荐理由：研究发现智能体安全评测的成绩普遍低于可比生产表现，为判断安全评测分数能在多大程度上代表真实部署行为提供了参照。
OpenAI · 失准报告与通报精选AI 评分7474 OpenAI 讲解如何检测前沿模型的失准行为
OpenAI 详解其前沿模型失准监控系统，覆盖训练、评估、内部使用和外部部署，对不低于 GPT-6 Astra 能力的模型监控每轮 RL 与评估，并监控全部内部 Codex 流量。
推荐理由：原文给出从激活探针到人工响应的多层监控架构和分场景召回率，读者可借此了解前沿模型失准行为的检测机制。
Wiz · Research精选AI 评分7777 Wiz Research 剖析智能体攻击的崛起：典型形态、识别特征与演化方向
Wiz Research 发布报告，结合亲历调查与公开披露案例，分析智能体攻击的典型形态、七条行为识别特征与演化方向。
推荐理由：原文从亲历调查与公开案例归纳出七条识别智能体攻击的行为特征，为防御方区分恶意自动化与正常自动化提供了可参照的判据。
goose 官方博客精选AI 评分6363 goose 对比实测五种开源编码 harness，同一模型下通过率相近而成本最多相差 75%
goose 团队让 goose、Codex CLI、OpenCode、Hermes Agent、pi 五个开源编码 harness 使用同一模型 gpt-6.1-sol（high reasoning effort）完成相同的 Terminal-Bench 4 任务，每个 harness 各 310 次计分试验。
推荐理由：同一模型下各 harness 通过率无显著差异而成本最多相差 75%，为编码 Agent 选型提供了实测成本参照。
Browser Use精选AI 评分6262 卡内基梅隆大学与 Browser Use 发布长程网页智能体基准 Odysseys2
卡内基梅隆大学与 Browser Use 合作发布长程网页智能体基准 Odysseys2，包含 100 个真实网页长任务，每项按 8 到 12 条 pass/fail 检查评分。
推荐理由：同一模型在不同 harness 和评分器下成绩差距明显，正文用数据说明读 agent 榜单时要把这些变量一并考虑。
Redwood Research · Blog精选AI 评分7070 Redwood Research 与 METR 公开对 OpenAI 内部智能体监控系统的红队测试结果
Redwood Research 与 METR 的员工于 7 月 21 日至 8 月 11 日对 OpenAI 内部未对齐监控系统开展了三周高权限红队测试，产出 61 页内部报告并发布公开版。
推荐理由：这份报告把外部深度红队测试发现的监控缺口和一组监控设计原则一并公开，搭建智能体安全监控时可作参考。
Microsoft Research精选AI 评分7878 Microsoft Research 证明悬置 31 年的数学难题 KLS 猜想
Microsoft Research 研究员 Xinzhi Zhang 与 Zhao Song 证明了 1995 年提出的 KLS 猜想，表明对数凸分布中最优平面切割与任意形状切割的差距不超过与维数无关的通用常数。
推荐理由：原文讲清了证明如何通过递归精化消除维度依赖，同日出现的独立证明和随后的 Lean 4 形式化让结果不依赖单一推理链。
Google Research 博客精选AI 评分6464 Google Research 让 AI 智能体落地湿实验室，三项研究打通自主分子设计闭环
Google Research 展示三项研究，将 AI 智能体接入湿实验室机器人运行闭环分子设计，并发现个位数纳摩尔亲和力的 FAP 蛋白结合剂。
推荐理由：原文给出智能体操作真实湿实验室的框架与闭环设计结果，可看到实验反馈如何跟上计算设计的步伐。
Johann Rehberger / Embrace The Red精选AI 评分8484 安全研究者实测攻破 Claude Code Opus 5 的 Auto Mode，攻击成功率 60-80%
安全研究者 Johann Rehberger 实测用一条网站摘要请求劫持 Claude Code Opus 5 的 Auto Mode 并实现代码执行，小样本下攻击成功率 60-80%，而 Auto Mode 自 8 月中旬起已是 Claude Code 默认模式。
推荐理由：作者用完整攻击链实测 Auto Mode 的提示词注入风险，读者可对照评测中的 0.00% 理解沙箱与监控为何不可省。
OpenAI · 失准报告与通报精选AI 评分6464 OpenAI 验证 WildChat 公开聊天数据能否预测模型真实失准率
OpenAI 用内部生产数据验证，基于公开数据集 WildChat 的对话前缀重采样生成模型回复，能较准确预测 GPT 系列模型在线上真实使用中的失准行为发生率。
推荐理由：OpenAI 用内部生产数据验证了公开聊天数据能预测模型线上失准率，同时指出它在智能体场景下误差明显更大。
ARC Prize · 官方博客精选AI 评分7171 ARC Prize 用 ARC-AGI-3 分析 GPT-5.5 与 Opus 4.7 的三种推理失败模式
ARC Prize 团队复盘 160 段 GPT-5.5 与 Opus 4.7 在 ARC-AGI-3 上的对局和推理轨迹，归纳出三种失败模式并开源分析包，两者在半私有数据集上得分分别为 0.43% 和 0.18%。
推荐理由：ARC-AGI-3 的逐局推理复盘呈现 GPT-5.5 与 Opus 4.7 失败方式的不同，比总分更能说明两者推理差异。
ARC Prize · 官方博客精选AI 评分7070 ARC Prize 发布 ARC-AGI-3 交互式基准，ARC Prize 2026 奖金超 200 万美元
ARC Prize 发布 ARC-AGI-3，这是 ARC-AGI 系列首个完全交互式基准，由数百个人类游戏设计师手工打造的回合制环境和数千个游戏式关卡组成，不提供任何说明、规则或目标，要求智能体自主探索玩法并将经验带入越来越难的关卡。
推荐理由：人类得分 100% 而前沿 AI 仅 0.51%，这组对比数字直观呈现了智能体自主探索能力的缺口。
Answer.AI 官方研发博客精选AI 评分7070 Answer.AI 披露未授权工具调用问题，Claude 等模型可调用未被授予的工具且 API 不拦截
Answer.AI 的 Piotr Czapla 披露大模型未授权工具调用问题，模型会幻觉出未被授予的工具并发起调用，API 不校验工具名，只要函数存在于运行环境中调用就会真正执行，他在 solveit 中遇到 Claude 4.5 幻觉调用 add_msg 成功写入笔记，并复现于 claude-opus-4-6、Gemini 和 Grok。
推荐理由：作者用可复现实验说明模型可能调用未被授权的工具且 API 不拦截，做能力隔离的 Agent 系统可以据此检查校验逻辑。
已经到底了