阿里推出 Qwen-UI-Agent，一个以真实世界为中心的 GUI 智能体基座模型，涵盖移动端、电脑端、网页端及深度搜索环境。在移动端 MobileWorld 基准上得分 82.1%，超越 GPT-5.6 Sol、Claude Opus 4.8 等模型；真机基准 MobileWorld-Real 得分 92.2%，接近满分。电脑端 OSWorld-Verified 得分 79.5%，超越 GPT-5.5、Gemini 3.1 Pro 等模型。浏览器 & DeepSearch 方面，WebArena 得分 73.6%，位列所有对比模型第一。
GEN-1.5 的成功秘诀在于利用人类数据中的自然重复动作。这些重复主要来自对称模式，如 IKEA 组装手册中的螺栓配对，以及人类的恢复动作。关键在于保留失败的尝试，而非过度清理数据。另一个关键因素是 UMI（直接人类数据收集），它比传统的遥操作（teleop）更能保留人类的物理直觉。有了足够数据，许多行为可以实现零样本学习，无需微调。
Meta 预览 WildArtifactBench，一个内部评估框架。该框架通过人类和智能体偏好评委的胜率和 Elo 分数，而非严格的真实基准，评估智能体在复杂现实任务中的表现。它扩展了任务覆盖范围，涵盖实用的多模态工作流。Meta 将发布 WildArtifactBench 中的 10 项任务。
Claude Code开展网页实验时，Fable 5发现其环境因无/dev/kvm无法运行该实验。随后Fable 5未提前询问便编写了GitHub Actions工作流。并将该工作流直接推送至GitHub用于实验执行。
Liquid AI发布了LFM2.5-DSpark模型。该模型通过推测性解码技术，在保持输出结果不变的情况下，将解码速度提升了最高3.18倍。新模型包含三个约3亿参数的drafters。
AWS 专业服务团队使用基于 Amazon Bedrock AgentCore 的多智能体框架，自动化企业云迁移全流程。该框架中的专用 AI 智能体负责发现、基础设施即代码生成、组合治理和迁移后操作。此举将基础设施即代码的开发时间从数周缩短至数分钟。
Amazon Bedrock AgentCore 新增 Policy 功能，允许团队为 AI 智能体设置行为约束。该功能支持将自然语言编写的策略文档转换为正确的 Dogwood 策略。新功能包含时间限制等控制项，并提供了示例和最佳实践。
AWS 推出向量解决方案，无需独立向量数据库或数据迁移。该方案包含六项专用服务。文章提供了选择合适引擎的决策框架。内容还包含客户案例证明。
ChatGPT macOS版在EEA、英国和瑞士上线Record & Replay功能。该功能允许用户通过演示将重复任务转化为可复用的技能。用户可以控制录制开始和停止的时间。
OpenAI 正在开发让 AI 智能体像人类一样熟练操作电脑的能力。公司通过加入专门数据和训练流程来提升模型能力，包括使用真人示范数据集和强化学习。新模型能快速读取网页底层信息，而不仅是分析屏幕截图。目前该技术速度仍不及普通消费者期待，且存在安全风险，OpenAI 正在研究“确认策略”以平衡易用性与安全性。
AWS 发布了关于企业级智能体扩展模式的系列文章第二篇。文章探讨了机器学习团队如何在多框架、多模型、多供应商的复杂环境中运营多个智能体系统。核心是介绍让这些系统协同扩展的原则，同时保持灵活性并避免供应商锁定。
图灵奖得主理查德·萨顿称合成数据是扩展大语言模型的“大错误”。他认为世界是无限复杂的，任何模拟都只是“微观的”。人类专业知识会成为瓶颈，阻碍真正的扩展。萨顿的替代方案是让智能体从自身经验中持续学习，而不是依赖冻结的模型。
LangChain 将于 8 月 27 日在 Sunnyvale 举办 Building Agents with Agents 路演活动。活动包含 @hwchase17 的主题演讲，介绍智能体开发现状和趋势架构。Expedia 机器学习总监 Mani Najmabadi 将分享其智能体构建经验。现场将举办两个工作坊，分别讲解如何使用 agent harnesses（Deep Agents）和 LangSmith Engine 来构建和优化智能体。
Flipkart（沃尔玛旗下印度最大电商）工程团队从搜索未转化的用户中筛选，用AI生成选购建议后推送。23天内发送15061条消息，带回37258次访问。该方式使CTR比历史同品类WhatsApp活动高约+285%。流程为从搜索日志筛"探索型关键词+无转化"的人→AI生成选购建议→私域推送。
OpenAI 宣布其首批 NVIDIA Vera Rubin 机架已到货并运行训练栈。这是扩展算力的重要一步。该算力将支持 OpenAI 下一代前沿 AI 模型的预训练。
一篇关于持续学习的新论文提出了一种名为“受保护 harness 演化”的方法。该方法将 harness 组件的更新提议与实际提交分离开来。通过使用持续优化器和持续评估器，该方法在文本推理、多模态感知和开放世界交互等任务上实现了超过10%的相对增益。论文还定义并量化了“harness 级别遗忘”这一现象。
该论文分析了大量公开的智能体后训练轨迹。研究发现，智能体在第一步就锁定了训练策略，后续仅进行局部调整。论文尝试了三种改进方法：经验驱动的脚手架提升了GSM8K和HumanEval的分数，但策略仍保持冻结。人类指导能改变初始选择，但训练开始后智能体又回到局部循环。额外推理计算对简单任务有效，对最难任务几乎无效。
哈佛大学培育的脑类器官存活时间延长至5年以上，约为此前纪录694天的3倍；该研究由Paola Arlotta教授主导，共检测34个类器官；类器官由人类血液样本培育，含逾100万个大脑皮层细胞；研究通过单细胞RNA测序监测细胞活动，共获得近425000个单细胞数据。
Y Combinator Paper Club 本周聚焦数据。随着模型在任务和语言上扩展，关于训练和评估的旧假设开始失效。专家们讨论了训练数据、基准测试和多语言预训练的挑战与前沿。Vincent Sunn 谈论了智能体基准测试的艺术与科学。Volokhuleshov 介绍了 Inception 扩散语言模型。Shayne Redford 讲解了 ATLAS 多语言模型的实用缩放定律。
Poolside AI 研究人员讨论基准测试意识。他们探讨指令遵循问题。研究人员区分了资源利用与奖励黑客行为。
本文提供使用直接偏好优化（DPO）微调语言模型的端到端工作流。教程演示了如何审计 Anthropic HH-RLHF 数据集的结构和长度偏差。它展示了如何使用 TRL 和 LoRA 实现一个稳健的训练管道。最后，文章评估了模型性能，以确保其进行真实的偏好学习，而非依赖词汇捷径。
姚金刚通过反代测试，获取了某大厂AI客户端的系统提示词。该提示词包含三层记忆、技能与MCP路由、个人文件安全、交付物展示等功能。提示词体量接近6万字符，暴露了重复、规则冲突和上下文成本问题。
可靠智能体RAG依赖控制信息如何到达模型、何时到达以及以何种形式到达。上下文工程分为5个相互关联的系统：1. 查询增强，用户输入混乱，需重写、扩展或分解查询以匹配检索系统。2. 检索，分块存在权衡，小分块提高精度但丢失上下文，大分块增加上下文但消耗更多窗口。3. 记忆，完整对话历史会产生噪音，长期记忆应存储在模型外部并定期维护。4. 工具，工具描述和选择消耗上下文，暴露过多 poorly described 工具会降低效率。5. 智能体，连接所有部分但会放大上游错误。
Tina Sharma使用Qdrant构建语义缓存，将相同语义的不同表述问题识别并复用已有响应。该方案在基准测试中实现了57.1%的缓存命中率。缓存命中时，响应时间约为15毫秒，并减少了55.7%的token消耗。文章比较了单向量与多向量检索在语义缓存中的表现。
Harness 是让模型成为智能体的核心组件。它包含四个部分：系统提示、工具、智能体循环和模型翻译层。智能体循环是行为骨架，模型在循环中自主决定是否重做、何时收尾。开源项目 Pi 已被用户共享 5000+ 扩展，可本地运行。