Parsewave 发布 AutomationBench Verified，审计出 206 个验证器缺陷

Shaped 发布 AutomationBench Verified，对 Zapier 的 AutomationBench 全部 600 个公开任务的验证器做了独立审计。

研究者提出 Harness-Aware Distillation，一种面向带 harness 部署的小语言模型智能体的蒸馏框架：用同一教师模型分别在有无 harness 信息下推理，训练学生模型偏好带 harness 时的动作，并用过滤器剔除与 harness 记录矛盾的样本，全程无需任务奖励或成功标签。

推荐。LLM 智能体喜欢结构，所以一个语料库能改善智能体搜索并不意外。

SelfSearch 是一种无奖励搜索方法，让 agent 通过记录早期自我修改的推理、工具动作和结果来修改自己的指令、工具和执行流程。

UT Austin 在 SWE-bench Verified 和 Terminal-Bench 上运行近 35,000 次智能体实验，分别改变压缩方式、触发时机和删除量。

Google 提出 VeriHarness，将同一基座模型变为智能体验证器，专门处理 rollout 间的一致与分歧：分歧时查工作区证据裁决，一致时反向挑战找被遗漏的需求。在五个长时程基准上取得最优选择分数，配合证据修订在 Gemini 3.5 Flash 上提升 6.2 分、Claude Opus 4.8 上提升 6.4 分，并开源约 26,000 条 rollout。

Microsoft 与加州大学圣巴巴拉分校等发布论文 ScholarEvolve，提出基于已发表智能体研究而非自身失败日志来进化 agent harness。方法将 harness 拆为工具使用、记忆管理和任务执行模块，对近期论文做主题建模以识别各模块的改进策略，再实现并测试组合，且可持续纳入新论文。

CMU 论文提出 harness learning，用 RL 训练一个提案模型读取任务、当前 harness 和执行报告后生成 harness 代码修改，以修改后 harness 的得分为奖励，solver 模型权重不变。

Meta Superintelligence Labs 等发表论文，发现带轻量推理框架的预训练 LLM 在足够采样预算下解决智能体任务的覆盖面常超过 RL 后训练版本，如 BFCL v4 多轮、ACEBench 和 WebShop 上后训练模型赢在 pass@1，但基座模型在大 K 下常解出后训练模型从未解出的任务。研究将这一测试时扩展性损失命名为 Sharpening Tax，在 14 个基座/后训练配对、4 个模型族、3 个基准共 42 对中大多成立，随模型规模增大，可…

AutoCompact 训练编程智能体自主决定何时压缩上下文、保留哪些工作状态以及如何恢复。先由 judge 审查并修正基础智能体的压缩决策，再用修正后的轨迹做 SFT，最后用任务成功奖励做 RL 联合训练编码与压缩。SWE-bench Verified 通过率提升 9.2 分，SWE-PolyBench Verified 提升 5.0 分，且在 256K 窗口不溢出的情况下仍有增益。