用 Amazon Bedrock AgentCore 构建可信 AI 智能体的生产级评估框架
AWS 的 Sales, Marketing, and Global Services 团队基于 Amazon Bedrock AgentCore Evaluations 搭建了面向生产环境的多智能体持续质量评估框架。
#Agent
AWS Machine Learning BlogAI 评分4141 OpenAI NewsAI 评分2020 Itaú 如何为全体客户构建生成式 AI
巴西银行 Itaú 推出对话式界面 ia.i 和治理平台 IARA，将 AI First 战略同时落地到客户与员工场景。该行在巴西监管最严格的行业之一中推进生成式 AI 应用。
AWS Machine Learning Blog精选AI 评分6565 Reflection AI 发布开源权重模型 Beam，面向智能体编码
Reflection AI 发布开源权重模型 Beam，用于智能体编码和长周期任务，总参数 501B、激活参数 23B，报告有效上下文长度 100 万 token。
推荐理由：原文给出 Beam 的参数量、上下文长度和三种精度检查点，并附 AWS 两条部署路径，可据此评估自托管成本。
OpenAI NewsAI 评分4040 Stack Overflow for Agents 借助 ChatGPT 插件实现注册量三倍增长
Stack Overflow for Agents 的 ChatGPT 插件推动智能体创建量最高增长 10 倍，注册量增至三倍。两名工程师借助 Codex 在数周内完成该产品开发。
Google DeepMindAI 评分5858 Google DeepMind 用 Antigravity 智能体平台加速抗菌肽发现
Google DeepMind 展示用智能体开发平台 Google Antigravity 发现新型抗菌肽候选物的完整流程，把原本分散在多个数据库的检索压缩到一次会话中。
AWS Machine Learning BlogAI 评分5858 AWS 提出 Trust in Depth：让智能体获得更多自主权而不失控
AWS AI Services 副总裁 Shawn Bice 提出 Trust in Depth 框架，主张在智能体行为可验证时让它自主行动，把人工判断留给真正需要决策的环节。
OpenAI NewsAI 评分2323 Sullivan & Cromwell 与 OpenAI 合作开发 Agreement Analyzer 审查协议
Sullivan & Cromwell 与 OpenAI 合作开发了 AI 工具 Agreement Analyzer，用于识别协议草案中的问题。该工具将律所的法律专业能力引入协议审查流程。
AWS Machine Learning BlogAI 评分5858 用 Amazon Bedrock AgentCore 构建可自我改进的文档处理系统
AWS 发布教程，介绍如何用 Amazon Bedrock AgentCore 搭建多智能体文档处理系统，自动完成分类、抽取、校验并从纠错中学习。系统由 8 个智能体组成，通过 Strands Agents 编排识别与训练两条工作流，新单据类型首次处理约 3 分 49 秒，同类单据再次处理降至 1 分 30 秒。
AWS Machine Learning BlogAI 评分3838 用 Amazon Bedrock AgentCore 自动生成演示文稿
基于 Amazon Bedrock AgentCore 构建的 AI 智能体系统可自动生成 PowerPoint 演示文稿，内部测试中完成一份演示文稿耗时不到 90 秒。
AWS Machine Learning BlogAI 评分2828 Tamnoon 如何用 Amazon Bedrock 构建 AI 驱动的云安全修复平台 Tami
Tamnoon 基于 Amazon Bedrock 构建了智能体式云修复编排器 Tami，可自主调查 CNAPP 等来源的安全发现并评估修复安全性，再带护栏地生成和执行修复方案。该方案在 90 天内将关键云暴露减少超过 90%，且未出现生产问题。Tami 由调查、安全评分、修复和代码生成四个专用智能体组成，通过单一 API 按任务调用不同基础模型。
OpenAI NewsAI 评分3535 Amp 借助 OpenAI 模型让 AI 智能体超越代码场景
Amp 利用 GPT-6 Astra、Ultrafast、GPT-Live-1 和 Sign in with ChatGPT，将 AI 智能体的能力拓展到代码之外的场景。原文未披露具体参数规模、benchmark 分数或定价信息。
OpenAI NewsAI 评分2222 Third Moment Research 如何用 GPT-6 Astra 与 GPT-6.1 Sol 让 10,000 个智能体连续运行 36+ 小时
Third Moment Research 借助 GPT-6 Astra、GPT-6.1 Sol、Codex 以及面向网络安全的 Daybreak，构建出可连续专注数天、并随使用不断改进的智能体，支撑 10,000 个智能体运行 36+ 小时。
NVIDIA BlogAI 评分3535 欧洲多城部署 NVIDIA 驱动的 AI 智能体，提升城市运营效率
欧洲多国城市正采用 NVIDIA 加速计算构建物理 AI 智能体和数字孪生，用于城市运营与公共服务。法国 Côte-d'Or 在 500 多栋公共建筑部署智能体，将文档检索时间从数周缩短至数分钟，运营成本降低 10%，目标规模化后达 30%。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 4 Argon 并公布安全防护方案
Google DeepMind 开始广泛推送 Gemini 4 Argon，并同步发布安全与安保报告。该模型在 12 个端到端模拟网络攻击场景中全部通过，上一代为 5 个；在 Gray Swan 的间接提示注入基准上，15 次自适应攻击的成功率降至 0.7%。在编码基准上，模型试图走捷径或作弊的比例降至 2%，同时公司部署了实时失准监控，读取智能体动作与思维链。
推荐理由：原文披露了 Gemini 4 Argon 在网络安全与生物领域的前沿防护措施，以及智能体失准监控的具体机制和数字。
Google DeepMind精选AI 评分9090 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和消费者开放，API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元。
推荐理由：官方披露了 Argon 在编码、科研与安全对齐上的具体案例和基准表现，可据此判断前沿模型在长周期任务中的实际边界。
NVIDIA Blog精选AI 评分7878 NVIDIA RTX Spark 笔记本上市前，生态伙伴推出本地 AI 软件更新
NVIDIA 宣布 RTX Spark 笔记本将于 10 月 16 日上市，配备最高 128GB 统一内存和 1 petaflop AI 算力，生态伙伴同步推出本地 AI 软件更新。
推荐理由：原文列出 RTX Spark 上市前生态伙伴的软件更新清单，可据此了解本地智能体在 PC 上的落地方式。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 入门：如何让 Copilot 了解你的代码库
GitHub Copilot 可通过四种方式学习代码库规则：用 .github/copilot-instructions.md 定义仓库级约定，用 .github/instructions 中的 applyTo 字段指定路径级指导，用 .github/skills 下的 SKILL.md 封装可重复流程，用 .github/agents 定义专用自定义智能体。
Microsoft ResearchAI 评分5555 微软研究院提出 StudentSim：用个性化学生模拟器评估和改进 AI 导师
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化学生模拟器，用于在真实学习者测试前评估和改进 AI 导师。研究同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域，从行为保真度和对指导的响应度两个维度评估模拟器。
Microsoft Research精选AI 评分7171 微软研究院开源 Agent Lightning v1.0：约 3500 行的轻量智能体强化学习框架
微软研究院开源 Agent Lightning v1.0，用约 3500 行代码实现完整的智能体强化学习控制平面，让部署时使用的 agent harness 直接参与训练，无需在训练框架内重新实现智能体。
推荐理由：微软研究院开源了约 3500 行的智能体强化学习框架，读者可了解它如何让部署中的 harness 直接参与训练。
Microsoft ResearchAI 评分2222 Microsoft 研究播客：AI 会犯哪些错，失败能教给我们什么
Microsoft 研究合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对话，讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码评审开放基准 ReviewBench
GitHub 发布 AI 代码评审离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、187 个开源仓库的 219 个 PR 评测集。
GitHub Blog · AI & MLAI 评分2222 AI 正在改变开发者工作，GitHub 给出三项需要强化的技能
GitHub 提出 AI 正在改变开发者工作方式，建议强化三项技能：学会指挥 AI 智能体而非仅使用它、不轻信 AI 的第一个答案、用 AI 节省的时间解决更大问题。GitHub Copilot 内置的 Rubber Duck agent 会用第二个模型审查计划、代码和测试，以发现首个模型遗漏的问题。
Microsoft ResearchAI 评分2222 Microsoft Research Asia – Singapore 成立一周年：推进研究、合作与人才培养
Microsoft Research Asia – Singapore 作为微软在东南亚的首个研究实验室，成立一年来围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践及生态与人才培养四大方向推进工作。
GitHub Blog · AI & MLAI 评分5858 GitHub Copilot 应用如何用 canvases 构建自定义工作流
GitHub Copilot 应用中的 canvas 是一种可自定义界面，用户和智能体共享同一份状态，可做成看板、问题分诊板、发布清单或仪表盘。创建时只需打开智能体会话，输入 /create-canvas 并用自然语言描述工作流、界面操作和智能体权限，智能体就会生成界面并在右侧面板打开。
GitHub Blog · AI & MLAI 评分4848 GitHub Copilot 用 canvas 取代聊天框：当 chat 是错误 UI
GitHub Copilot 应用推出 canvas，一种在应用内运行、无浏览器界面的全栈小应用，可与 Copilot 智能体双向通信。canvas 能调用第三方 API 并在本地执行代码，例如做出可浏览和安装 Winget 包的界面，或用 SQLite canvas 直接操作数据库。
GitHub Blog · AI & ML精选AI 评分6262 GitHub Security Lab 发布 Fuzzing Taskflow 自主模糊测试流水线
GitHub Security Lab 发布 Fuzzing Taskflow，这是一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会自动识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，再对每个崩溃做分类并生成漏洞报告。
推荐理由：作者公开了这套自主模糊测试流水线的架构与运行方式，读者可据此判断哪些人工环节能交给 LLM 智能体。
Berkeley AI ResearchAI 评分3838 ABBEL：通过信念状态更新让 LLM 高效完成长程交互
伯克利 AI 研究提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，用受自编码器启发的重建式信念评分作为辅助 RL 任务。在 CollabBench 协作编程任务上，该方法把与全上下文模型的性能差距缩小约 50%，训练步数减少 50%，峰值 token 长度仍显著低于全上下文。
Berkeley AI ResearchAI 评分4242 智能免费之后怎么办？面向智能体、由智能体构建的数据系统
GPT-4 级能力每百万 token 价格从 2023 年初约 30 美元降至如今不足 1 美元，部分厂商已低于 0.10 美元，推理价格年降幅在 9x 到 900x 之间、中位数约 50x。