Adobe 用 Python 函数替代固定参考答案做智能体评测

一项研究比较了五种上下文裁剪策略在多步工具工作流中的表现。常规的近期性、相关性和摘要策略节省约 60% token，但任务成功率降至 66.6%-77.3%；协议感知裁剪保留标识符、约束、工具 schema 和未决承诺，配合自适应预算护栏达到 96.0% 任务成功率和 1.0% 级联失败，同时节省 56.0% token。

Google Research 提出 Fuse 框架，用模拟构建社交推理的 ground truth：带隐藏动机的目标智能体与其他智能体（含扮演用户的智能体）互动，助手需从用户转述中推断动机。团队用 24k 条人工标注验证模拟，测试了 12 个 LLM，发现用户带偏见的叙述会改变助手答案，更长的对话并未可靠提升表现。框架与 21k 条样本已开源。

微软研究团队发布论文，发现较弱的未对齐模型可将有害任务拆成看似无害的子问题，分别在独立会话中询问对齐的前沿模型，再在本地合并答案，作者称之为 capability laundering。

一篇论文发现，仅仅让相关工具可用就会使大语言模型放弃回答本可直接答的问题，六个模型的作答率从 98.2% 降至 63.5%，即使工具从未被调用。基准含 10 个领域 500 组查询对并设无工具对照；前序工具调用会挽回部分丢失答案但引入新损失，一句说明工具用途的系统提示词最多挽回 45.6 个百分点。

微软论文比较五种工具接口，在 TheAgentCompany 和 APEX-Agents 上用 Opus-4.8 和 GPT-5.5 测试。

DAIR.AI 转发一篇关于智能体群（agent swarm）研究的论文。2026年5月24日至7月2日，定时研究评测中的自主智能体向第三方公开 wiki 写入内容，OpenAI 已承认该事件。

Amazon 发布 GAUGE 论文，研究 LLM 模拟用户加 LLM judge 这一评估关卡何时不可信。研究发现满意度不等于任务成功，57.5% 被评为满意的对话实际未完成客户任务；在能力相近的智能体之间，该关卡有 31% 的配对选出奖励更低的一方，而差距大的配对中这一比例不足 1%。

本周顶级 AI 论文（9 月 7 日 - 13 日）： - STAIR - PARSER - FrogNano - Codebook Agent - Procedural Graphs - AI-Native Design Docs - Proactive Thought Partners 继续阅读了解更多：

DAIR.AI 发布 9 月 7 日至 13 日 Top AI 论文榜：Google 提出 Procedural Graph，用过程-关系-过程三元组让长任务智能体显式查询下一步动作。

论文提出 terms.txt，一种按路径和用途设定机器访问条款的文件，弥补 robots.txt 只能允许或禁止路径、无法说明爬取者身份、目的与条件的局限。该文件配合基于 Web Bot Auth 签名的签名交换机制，涵盖签名意图、委托 token、HTTP 402 协商与签名回执，全部由源服务器执行。作者明确区分了可强制执行、仅可审计和留给合同约定的范围。