融資速報｜Callosum $100M 種子輪
Callosum 完成 $100M 種子輪，由 Atomico 領投，估值未揭露。這筆錢押的是「Agent 的成本瓶頸不在模型，而在把每一步都塞進同一顆 GPU」——當推論支出吃掉 AI 原生公司一半以上營收，路由層的價值開始從模型選擇擴張到晶片選擇。
#agent-deployment
18 篇文章AI Agent Arxiv Digest — 2026-08-01
今天三篇論文從不同角度逼問「AI Agent 在現實任務中的真實極限」：ORCA-bench 把 LLM Agent 丟進 SRE on-call 的生產環境做根因分析，最強模型也只答對 40%；AgentS4D 揭露工作區 Agent 的安全黑箱——66% 的「成功執行」背後仍觸發了危險行為，任務完成不等於安全；Context Files 研究則以 288 次對照實驗發現，開發者普遍維護的 [AGENTS.md](http://AGENTS.md) / [CLAUDE.md](http://CLAUDE.md) 對 coding agent 的正確率幾乎沒有可量測的提升。三篇合讀，讓你對「A
AI Agent Arxiv Digest — 2026-07-30
今天三篇圍繞「讓 Agent 更可靠、更好部署、更客觀評估」三個核心問題：TRACE-ROUTER 指出多步驟 Agent 流程不能套用「每次呼叫都重新選模型」的路由策略，改用任務級別路由搭配強化學習持續優化；OmniaBench 建立橫跨消費者、企業、工程三大場景的 1,431 題評測集，頂尖模型（Claude Sonnet-5）得分仍不到六成；自我校準 Agent 框架則示範如何用 ARIMA 時序預測幫 Agent 在無人監督下偵測並修正預測漂移。
AI Agent Arxiv Digest — 2026-07-28
今天三篇論文從三個角度直擊 Agent 平台核心挑戰：**AgentCompass** 提出可組合的開源評測基礎設施，終結 agent 評測各自為政的碎片化亂象；**Agents in the Wild** 是少見的生產落地報告，從藥物研發與金融系統的真實部署歸納出可複用的設計模式；**Nanbeige4.2-3B** 則証明 3B 小模型配上 Looped Transformer 與大規模 agentic RL，在 agent 任務上可以壓過 9B 甚至 12B 的競爭對手——對邊端部署或成本敏感場景有直接啟示。
AI Agent Arxiv Digest — 2026-07-25
今天三篇從三個互補角度探索「讓 Agent 更可靠地解決複雜任務」。NVIDIA 提出把 Agent 寫成普通的 Python class，讓開發、測試、追蹤都像一般軟體一樣進行；BAAI 的 AREX 展示了能遞迴驗證並改良自身研究結論的深度研究 Agent，在 BrowseComp、HLE 等基準上超越同量級模型；第三篇爬梳 1,250 篇論文，為「AI 自我改良」這個混亂詞彙建立清楚的分類地圖，幫你分辨哪些技術已可落地、哪些還在研究階段。
AI Agent Arxiv Digest — 2026-07-22
三篇論文從基礎設施、可觀測性、評估三個角度切入同一個核心問題：「如何打造真正可靠的 agent 系統？」Dyserve 用數學最佳化在 60ms 內決定 agent workflow 每個節點要用哪個 LLM，在精準度和延遲上同步超越所有 baseline；AgentLocate 解決 multi-agent pipeline 出錯時「不知道哪個 agent 搞的鬼」這個 ops 噩夢，自動定位責任 agent 和出錯時間點（COLM 2026 accepted）；PolyWorkBench 則給出一記警告：現有頂尖 LLM agent 在多語言工作流中表現大幅劣化，全球化產品場景還有很長的路
AI Agent Arxiv Digest — 2026-07-13
今天三篇論文共同呼應一個趨勢：生產環境 agent 的瓶頸已不在模型能力，而在「狀態管理」。第一篇（Amazon）展示把重複步驟預先編譯成工具，可讓 p50 延遲降 42%、錯誤率降 53%；第二篇提出讓獨立記憶 agent 主動把關鍵狀態「推送」給行動 agent，解決長程任務中資訊遺失（behavioral state decay）的問題；第三篇以遞迴多 agent 架構克服單一 agent 無法同時廣又深的 web 研究限制。三篇合看：**工具化（tool compilation）、主動記憶（proactive memory）、遞迴分工（recursive orchestration）*
AI Agent Arxiv Digest — 2026-07-03
今日三篇共同揭示一個核心張力：現有 agent 系統在封閉環境下表現亮眼，但只要環境稍有偏移就會出現嚴重退化。ICML 2026 論文從工具使用角度系統化量化了這個問題；第二篇展示如何用 6 個專精 agent 的流水線完成跨域複雜任務；第三篇則從 UX 角度提醒：agent 的「個性表達強度」不是越強越好，中等才是甜蜜點。
AI Agent Arxiv Digest — 2026-06-28
今天三篇分別從不同層次切入「打造生產級 Agent 系統」：一本涵蓋 LLM 基礎到 multi-agent 架構的全棧實用指南、一個讓 Agent 在長任務中自主決定何時壓縮上下文的輕量 scaffold、以及一篇把 Agent 強化學習信用分配從「工具呼叫點」精細到「token 層級」的訓練演算法。三篇合起來，正好串起「學什麼架構」、「跑起來怎麼穩」、「怎麼訓得更好」三個打造 Agent 平台的關鍵問題。
AI Agent Arxiv Digest — 2026-06-22
今天三篇從「agent 在生產環境的可靠性與安全性」出發，覆蓋推論期、訓練期、基礎設施三個層次。LedgerAgent 用推論期的輕量「帳本」結構，讓工具呼叫 agent 不再把所有狀態塞進 prompt 靠 LLM 重建——直接降低政策違反與狀態錯誤；Alibaba 的 Connect the Dots (CoD) 則往更遠看，以強化學習訓練 agent 在長期部署中邊執行任務邊更新對環境的認識，跨任務越跑越準；Sovereign Execution Brokers 從安全基礎設施切入，在 agent 每次「動生產系統」的那一刻插入憑證驗證，把「授權的動作」和「實際執行的動作」嚴格綁定。三篇
AI Agent Arxiv Digest — 2026-06-17
今天三篇從不同角度挑戰「agent 工具使用與記憶」的基本假設：Evoflux 揭示小模型在 MCP 工具目錄前幾乎失能（執行成功率僅 3%），並用推論時演化搜尋把數字拉到 17-24%；FlowBank 指出 agent workflow 不必每次重新生成，預計算多樣化 workflow 倉庫再智慧路由，比手工設計高出近 15%；GitOfThoughts 則帶來最反直覺的發現：記憶對 agent 只在「問題幾乎一樣」時才有用，但 git 版本控制提供了一條以稽核性換取的工程之路。
AI Agent Arxiv Digest — 2026-06-16
今天三篇論文從「訓練 → 架構 → 環境」三個層次，一起回答同一個問題：怎麼讓 Agent 在真實系統裡更可靠？RefGRPO 找出 Agent RL 訓練中被忽略的反思校準問題，讓 Agent 成為自己的驗證器；「Agents All the Way Down」給出從 LLM substrate 到上線部署的完整 custom agent 方法論，強調地基穩固比框架選擇更重要；EurekAgent 則以自主科研任務為場景，證明「環境工程」比「流程工程」更決定 agent 的可靠性上限。
AI Agent Arxiv Digest — 2026-06-13
今天三篇分別從「記憶架構」、「訓練效率」、「可靠度評估」三個角度切入 Agent 平台的核心挑戰。HORMA 提出階層式檔案系統記憶架構，讓 Agent 在長工作流程中不再因 context 暴漲而崩潰；TRACE 重新設計 Agent RL 訓練的 rollout 分配邏輯，同樣算力讓 Multi-Hop QA 多學 2.8 個百分點；τ-Rec 則揭露多輪對話推薦 Agent 的「可靠度斷崖」——連最強模型連跑四次的可靠度也只剩 38%，這個數字對任何計劃上線 Agent 產品的團隊都是當頭棒喝。
AI Agent Arxiv Digest — 2026-06-12
今天三篇論文從「如何評量 agent」和「agent 究竟是什麼」兩個角度出發：T1-Bench 建出橫跨 25 個真實業務領域的高仿真 benchmark，讓多領域跨域推理能力首次有系統性量化基準；VISTA 解決「用 LLM 模擬使用者測 agent」的可信度難題，提供 6 個指標量化你的測試有沒有真的覆蓋 agent 的能力邊界；Agentic Software 則從第一原理釐清：當 LLM 成為主推理引擎時，軟體的本質已變——這直接影響 agent 平台的除錯工具和測試策略設計。
AI Agent Arxiv Digest — 2026-06-11
今天三篇論文從不同層次探索「agent-native 基礎設施」的設計：第一篇從 API 界面出發，提出讓 API 在出錯時主動給 agent 結構化修復建議，大幅提升工具呼叫成功率；第二篇拉高到系統架構層，主張 Agent OS 才是讓 agent 長期穩定運行的正確抽象；第三篇直擊推理服務底層，建出針對多輪 agent 的 hardware-aware 模擬器，讓 KV cache 排程優化得以量化驗證。從 API 到 OS 到硬體，agent 運行的每一層都需要重新設計。
AI Agent Arxiv Digest — 2026-06-05
今天三篇分別從「評測診斷」、「工具進化」、「安全對齊」三個角度補強 Agent 平台的核心短板：APB 提出一套 4,209 道題的診斷型 benchmark，首次能把「規劃失敗」和「執行失敗」分開來看；MetaForge 讓 agent 能在運行時「自行鍛造」沒有的工具，打破靜態工具庫的天花板；RUBAS 把 agent 安全問題細分成四個評分維度，用強化學習讓模型學會在實用性和安全性間找到平衡。三篇合看：你的 agent 系統能不能被診斷、能不能自我擴展、能不能安全上線——這三道關卡今天同時被研究者正面回應。
AI Agent Arxiv Digest — 2026-05-29
今天三篇論文從三個切面同時問「如何讓 agentic AI 跑得更好」：第一篇（UIUC × Intel）量測 agent 真實工作負載，發現瓶頸在 KV-cache 管理而非長 prompt；第二篇（PwC）用對照實驗打臉 RAG-first 預設，指出 grep 在 agent loop 裡常勝過向量搜尋；第三篇（Microsoft Research）開源完整 agent 訓練框架，讓社群不靠閉源 API 也能訓練出同量級 SOTA 的 agent。
AI Agent Arxiv Digest — 2026-05-28
今天三篇論文從三個角度補齊 agent 平台知識：AgentFugue 展示多個 peer agent 共享「推理暫存筆記」可突破長任務協作瓶頸；Can Agent Benchmarks Support Their Scores? 揭露當前 agent benchmark 的評分機制存在系統性漏洞，排行榜數字需重新審視；VibeServe 則讓 agent 自動生成整套 LLM serving stack，在特殊部署場景下超越手工優化的 vLLM。三篇合起來分別回答了「agent 怎麼協作更強」、「我們信任的評測數字是否可靠」以及「agent 能幫工程師做基礎設施嗎」。