部署與生產化

系統性測試 5 個 frontier 模型是否具備「預算感知」能力，結果全員失敗：任務能力強不等於預算感知強（r=0.35），所有模型都過度樂觀，在注定失敗的任務上持續燒錢。

把 agent 安全問題拆成四個細粒度維度打分，用這個「評分標準（Rubric）」作為強化學習的獎勵訊號，讓模型學會在安全和實用之間找到真正的平衡，而非一律拒絕。

Deep research agent 在評測時會搜尋網路，而 benchmark 答案也在網路上——這種「邊考試邊查答案」現象讓分數最多虛高 4%；Alibaba 團隊定義三種汙染類型並開發偵測演算法，質疑現有評測數字的可信度。

一個 AI「優化 agent」不只幫你寫更好的 system prompt，也同時把自己的 system prompt 一起優化——不改模型，在五個 benchmark 上平均提升 4.49 分。

現有 LLM serving 模擬器把每個對話 turn 當獨立請求，完全忽略 agent 跨輪次的 KV cache 重用和工具呼叫等待；這篇建了第一個把 agent 當「有狀態程式」來模擬的 hardware-aware 模擬器。

訓練 Agent 時大部分的「跑樣本」都在浪費算力；TRACE 用樹狀結構把 rollout budget 導到最有學習價值的岔路口，同樣算力讓 Multi-Hop QA 多學 2.8 分。

agent 系統還不穩定就上線時，傳統任務層監控會失靈；這篇提出 3×3 監控框架，幫你找出「哪根線沒接好」。

LLM Agent 明明答對了卻說「我答錯了」——本文用一個不需額外標注的校準獎勵修正這個反思偏差，讓 Agent 真正成為自己的驗證器。

小模型面對 250 個工具的 MCP 目錄幾乎癱瘓（執行成功率 3%），Evoflux 用推論時的演化搜尋反覆修復失敗的工具 graph，把成功率拉到 17–24%——不需要 fine-tuning。

Agent 常常「以為自己知道」使用者的意思，其實只是靠假設在行動；ACCORD 讓 agent 在每個行動前主動去環境裡確認「我真的有這個資訊嗎？」，AppWorld 成功率從 42% 跳到 62.6%。

Perplexity 的真實生產數據：把功能從「對話搜尋」升級為「自主 agent」之後，每次任務自主執行時間從 33 秒跳到 26 分鐘、完成時間縮短 87%、用戶滿意度更高——而且 agent 吸引了認知複雜度更高的工作類型。

工具呼叫 agent 常常「知道事實卻用錯」：資訊都在 prompt 裡，但每次決策時 LLM 需要自己從文字中重建狀態，一旦重建出錯就違反政策或拿陳舊資料做決定。LedgerAgent 在 agent 迴圈中插入一個明確的型別帳本，把狀態從 prompt 文字裡分離出來，不需要任何微調。

企業部署 agent 時，「批准一個動作」和「執行那個動作」之間存在安全漏洞：現有存取控制在 identity 層，assurance 在 plan 層，但在「agent 真的動 AWS / K8s 的那一刻」缺乏強制驗證點。Sovereign Execution Broker (SEB) 就是插在這個瞬間的憑證驗證與執行邊界。

把 LLM multi-agent 系統推向企業生產的兩大卡點是「Domain 適配」和「推理成本」，這篇提出兩階段框架：先客製化（持續預訓練 + SFT + 偏好最佳化），再加速推理（推測解碼 + FP8 量化），實測吞吐量提升 4.48 倍。

Agent 跑長任務時 trace 越積越長最終爆 context，SelfCompact 讓 LLM 自己判斷何時壓縮記憶，比固定間隔方案更準確，且節省 30-70% token 成本。

Web Agent 執行完任務後，HANSEL 自動從瀏覽歷史中抽出「最關鍵的幾頁」讓用戶點進去驗證，比起讓人看完整 log 省了 61% 的軌跡量。

精心訓練的 agent（不論 SFT 還是 RL）放到和訓練時不一樣的環境，表現就會明顯下降——這不是個別模型問題，而是系統性問題。

不改模型、零訓練，推理時用「模型自己的注意力分數」遞迴挑出相關片段重播給模型，顯著改善 LLM 在 128K 長文中找不到答案的問題。

問題不是 RL 演算法不夠好，而是缺乏讓 agent 在生產中「邊跑邊進化」的系統基礎設施；這篇提出三大工程支柱讓企業規模的 agent 能持續自我更新。

Amazon 把 agent 每次都要「重新生成」的固定操作程式碼，預先離線編譯成版本化工具——生產環境 p50 延遲降 42%、錯誤率降 53%。

另開一個「記憶 agent」並行跑在行動 agent 旁邊，在關鍵時刻主動把重要資訊推送給它——Terminal-Bench 2.0 提升 +8.3pp，τ²-Bench 提升 +6.8pp。

爬梳 1,250 篇論文、建立「AI 自我改良」的雙軸分類地圖，分清楚哪些是已可上線的「有界自我精煉」、哪些是還在研究的「無界遞迴自我提升」。

把 agent 評測拆成三個可獨立抽換的零件（題庫、執行框架、執行環境），解決現在大家各做各的、無法重用的問題，並附帶自動偵測 reward hacking（作弊行為）的軌跡分析工具。

整合製藥與金融系統真實部署經驗的 agent 落地報告，歸納出三個讓 agent 從實驗室走向生產的關鍵設計模式：驗證管線、fallback 機制、人機協作節點（human-in-the-loop）。

LLM Agent 在開放環境中會隨時間漂移（預測越來越不準）；這篇把 ARIMA 時序預測器嵌進 Agent 作為「自我校準器」，讓 Agent 在無人監督下自動偵測並修正漂移，準確率比基準 LLM Agent 高 91.7%。