DAIR.AI 论文：多智能体系统失控如"流行病"，RogueHandoff-20 基准测试不安全轨迹传播

NVIDIA 发布开源合成数据工具 NeMo Data Designer（NDD）技术报告，采用声明式配置定义数据集各列，支持生成文本、代码、结构化输出、图像、嵌入向量及控制多样性的统计采样器，并可通过插件扩展类型。

NVIDIA 论文提出 Agora，把多个研究智能体的共享记忆记录为 Git 中只增不改的 DAG，每个结果、假设和验证都是不可变 commit，父边标明依赖关系，索引列出开放分支与验证状态。

Adobe 研究者提出把每条评测用例的参考答案写成 Python 函数，评测时对实时系统运行，让期望答案随数据变化，上游 API 变更会直接导致测试失败。

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%。