行业趋势

让大模型参与芯片微架构搜索：MicroEvo效率做到10.6倍

处理器微架构要在性能、功耗和面积之间反复取舍，但一次PPA评估就可能需要昂贵仿真。东南大学、国家EDA技术创新中心、英伟达、复旦、中科院计算所和北大等团队提出MicroEvo，在论文设置下把搜索效率做到NSGA-II的10.6倍。

视频智能体看一小时后还记得什么？小红书等团队做了场硬测

一段视频平均88.8分钟，问题没有选择项，还可能要求模型回忆半小时前的画面或主动发出提醒。香港科技大学、小红书、香港大学和香港中文大学推出StreamArena，用243段完整视频和3646个开放题测试流式视频智能体。

智能体跑得久还要会掉头：Argus修复任务约78%，代价是1.41倍Token

微软与上海交通大学、复旦大学、南京大学、清华大学、香港大学、北京大学等机构发布Argus，一个面向长程推理的持久智能体运行时。模型权重不变，系统通过角色分工、项目状态、验证记录和控制策略积累经验。

让视频智能体自己改代码：四轮进化后准确率从38.44%升至51.47%

阿里巴巴、浙江大学、北京航空航天大学和字节跳动团队发布MetaVideoAgent，让长视频问答智能体根据目标视频类型自动修改自己的处理流程。四轮进化后，八类视频的宏平均准确率从38.44%升到51.47%。

视频剪完才知道好不好，阿里等把偏好反馈拆回每个编辑片段

长视频编辑智能体要连续做素材选择、剪切、排序、字幕和导出，最终成片出炉后才得到好坏评价。阿里巴巴、中国科学技术大学等机构提出GRPB，把同一任务多版成片的相对排名，重新分配给中间编辑片段，用于训练9B参数的Crayotter。

让深度研究智能体先看完视频再搜索，200道多跳题做到64%

论文公开页面未披露作者机构。Video-DeepResearch团队研究的任务要求模型先在连续画面里找到人物或物体，再去网页补充外部知识；团队发现，现有智能体常跳过视觉工具直接搜索文字，或凭模型记忆作答。新系统因此分阶段开放工具，强制先完成

编码智能体让任务多完成39%，公共知识覆盖率却只剩22.3%

上海财经大学与复旦大学研究者的一项开源社区模拟发现，引入编码智能体后，完成任务数增加39%，中位完成时间从45分钟缩短到20分钟；同一批工作留下的公共知识更难被后续开发者利用，标准化检索中的覆盖率只有22.3%，真实人类语料为81.1%。

智能体记忆投毒能把审计检测率压到7.4%以内

带长期记忆的AI智能体会把历史交互写入数据库，后续遇到相似问题再检索。香港科技大学团队提出的MAFIA攻击只通过普通查询和写入接口投放恶意记录，在论文测试中最高取得90.7%的攻击成功率，并把审计检测率压到不超过7.4%。

亚马逊让AI智能体预演A/B测试，校准后误差降低约77倍

亚马逊研究人员用AI智能体模拟营销A/B测试，并拿67项历史实验验证预测结果。未经校准的系统能判断部分效果方向，方向重合度为0.70，但会系统性高估改版带来的影响。

AI给75篇AI论文做评审，四套“AI科学家”多数只拿1分

Sakana AI与FARS等团队提出的一项自动科研基准，让Sakana AI v1、Sakana AI v2、CycleResearcher和Data-to-Paper围绕15个研究提案各写一篇论文，再让GPT-5.4、Gemini和Cl

清华等团队发现，给大模型一份工具说明可能削弱拒答信号

北京邮电大学、北京航空航天大学和清华大学研究人员发现，同一条危险请求加入结构化工具说明后，模型内部区分有害与无害输入的能力明显下降。Llama的AUROC从0.927降至0.740，Qwen从0.901降至0.786，Mistral从0.9

蚂蚁把手机、电脑和网页智能体合成一个，平均成功率51.2%

蚂蚁集团团队提出MAGA，把分别擅长手机、桌面和网页操作的GUI智能体蒸馏到同一个Qwen3-VL模型中。8B版本在三套基准上的平均成功率为51.2%，比论文中最强的统一模型基线高2个百分点，接近三个领域教师模型50.9%的平均水平。

亚马逊测试10款医疗AI，最强模型仍会漏掉危机信号

亚马逊Health AI团队用1200个模拟患者场景测试10款基础模型。表现最强的模型综合得分为4.25分，满分5分；分诊项目的最高通过率为88%，最弱模型只有32%。

AI智能体被判失败的案例中，15.3%可能判错了

研究人员重新检查了150条被公开基准判定为失败的电脑操作轨迹，发现其中15.3%的“FAIL”结论有问题：10.7%属于评测器漏判，4.7%是任务或环境本身已经损坏。

阿里发布Qwen-UI-Agent，手机实机任务成功率92.2%

阿里巴巴MAI-UI团队发布Qwen-UI-Agent技术报告，把手机、电脑、网页和DeepSearch任务放进同一套GUI智能体体系。论文报告的27B版本在MobileWorld-Real实机手机测试中取得92.2%的成功率，在Andro

微软造出会随模型一起进化的软件环境，9B智能体成功率从36.5%升到67.1%

会操作电脑的智能体，最缺的不是模型，而是能放手让它操作的软件。真实应用有登录门槛和真实用户，点错一步成本高昂，拿来训练又贵又慢、无法复现；可换成固定网页和截图当题库，模型又会很快把答案背下来。微软研究院（Microsoft Research

183关全部通关！亚马逊等团队提出Tycho，让AI边玩边写出游戏世界模型

面对一款规则完全陌生的网格益智游戏，大多数智能体的做法是"看一帧、走一步"：靠反应式试错摸索规律，每走错一步都要在计分里留下代价。ARC-AGI-3把这类游戏做成了正式基准——64×64的彩色网格、没有文字说明、每一步操作都计入得分。德累斯

不用前沿模型也能挖漏洞：HoF-Bench证明小模型组合更省更准

AISLE联合中欧技术研究所和马萨里克大学推出了HoF-Bench，一个基于真实AI发现漏洞的基准测试。基准包含8个代码库的95个CVE（通用漏洞披露），在严格协议下，最便宜的配置只需66美元就找到了70个CVE，而GPT-5.6 luna

浙大&美团等提出SkillRise：让AI智能体在跨任务中自动演化技能

浙江大学、新加坡国立大学、上海交通大学和美团联合提出了SkillRise，一个面向跨任务技能演化的统一强化学习框架。在ALFWorld、WebShop和ScienceWorld三个基准上，SkillRise在Pass@1指标上相比最强基线提

港中文&澳门理工发布TREK：最强LLM旅行规划成功率不到一半，中位数仅6.6%

香港中文大学和澳门理工大学联合发布了TREK（Travel Reasoning and Evaluation Kit），一个用于评估LLM智能体旅行规划能力的基准。在15个LLM智能体的评估中，即使是最强的GPT-5.6也只在46.2%的可