单篇

新研究认为辩论加投票只能选出最体面的错解，改为让智能体互相挑错修补，能解出单个模型全错的难题。

开发者给一句模糊需求，模型直接产出可合并 PR 并附改动视频演示，作者称质量超过自己手写。

XYEval 在 tau2-bench、SWE-bench 等任务中注入一条自信但错误的提示，Gemini、Claude、GPT 得分最多下降 46.7%，且模型常在推理中反对却仍照做。

Google DeepMind 负责人称已信任 Agent 在人工监督下自主做实验、分析结果、提新假设，半年前还做不到。

作者吐槽自己成了三个 Agent 的项目经理，Hyperagent Rooms 想让多个 Agent 和多人共享同一工作空间并行协作。

观点：Agent 不再模拟人点鼠标，而是直接调用剪辑、关键帧、图层等原语，会软件不再是护城河，审美才是。

Odyssey 基于真实游戏录像和输入训练双模型世界模拟，人类与 AI 追捕机器人共享同一张地图。

作者以 Codex 团队两个 PM、一个设计师配约 40 名工程师覆盖 10 多个界面为例，认为代码生成不再是瓶颈，真正稀缺的是动手前定义「什么算对」。

微软与港城大新论文把 Agent 在长任务中「选对下一步」的能力称为 taste，并构建了 502 个决策分叉测试集，最强模型仅得 59.7%。

作者认为真正值得关注的是大规模并行探索加异常检测加人类验证的流程，而非发现本身。

Google 等机构的新方法只在训练时使用优化后的 harness，让模型在部署时无需专用脚手架，宏任务成功率从 23.3% 提升到 44.3%。

高丽大学与微软亚研测量三类 Agent 的耗时与 CPU 占用，发现加核让问答 Agent 快 13 倍、网页搜索 Agent 只快 4%，资源调度比堆硬件更有效。