论文提出，参数高效微调（PEFT）不仅是全参数微调的低成本替代，更是强大共享基座模型上承载个性化行为的紧凑基底。研究围绕三个扩展维度展开：Scale Up（更强共享先验提升小适配器效用）、Scale Down（探索适配器可靠性的最小化边界）、Scale Out（大规模持久化适配实例共存）。以MinT为例，展示了管理适配器身份、版本、溯源、评估与服务驻留的基础设施。结论表明，PEFT有潜力成为持久化个人模型的紧凑底座，而不仅仅是预算替代方案。

K-BrowseComp 是一个针对韩语语境的网页浏览智能体基准，包含400个问题，其中300个为人工构建验证的子集。在此子集上，GPT-5.5、DeepSeek-V4-Pro 和 GLM-5.1 等前沿大语言模型仅达到30.00%–45.67%的准确率，而韩国本土大模型得分仅为0.00%–10.33%。此外构建的100题合成对抗测试集中，最强模型得分仅为26.00%。数据集与代码已公开。

腾讯正在为拥有14亿用户的微信测试内嵌式AI智能体原型。用户只需在微信主界面向右滑动，即可调出对话窗口，输入指令后智能体能自动调用微信小程序完成各类任务，例如根据要求找咖啡馆点单。该产品计划最快于本月启动合规审批，之后通过灰度测试分阶段推广。然而，其全量上线面临算力供给不足的挑战，且成本投入极高。面对阿里千问、字节豆包等竞品的AI智能体功能，腾讯已将此项目列为最高战略优先级，力求打磨细节。

图灵奖得主理查德·萨顿认为，普通生成式AI（如大语言模型）缺乏完成真正科学发现的关键能力。他指出，这类模型生成的内容中，“好的部分不新，新颖的部分不好”，且自身缺少测试与评估机制来筛选有效方案。真正的科学发现需要包含变异、评估和选择性保留的闭环，而生成式AI恰恰缺少评估环节。相比之下，萨顿列举了AlphaGo、AlphaProof、Claude Code等系统，认为这类具备评估反馈机制的AI智能体更有潜力实现突破。

计算机使用智能体在动态交互环境中面临提示注入等对抗性交互和弹窗等环境动态带来的安全风险。现有技能学习方法假设静态安全环境，可能导致危险技能学习。SkillHarness将技能学习与利用建模为安全约束交互过程，引入技能边界机制，利用多源监督信号从交互轨迹中识别安全技能，并构建自改进的安全约束；同时通过选择性技能复用，根据上下文引导任务分解并选择性激活技能子集。实验表明，SkillHarness将学习技能的不安全率降低57.1%，并在动态环境变化下持续提升执行稳定性。

Curation-Bench 是一个面向智能体的基准，固定模型、训练配方和评估套件，赋予智能体命令行权限以检查数据、实施策略并提交训练/评估管道进行迭代。在视觉语言指令微调场景中，开箱即用的智能体在十次迭代内即可达到强数据选择基线。但轨迹分析显示存在执行-研究差距：智能体主要调整局部策略变体，而非探索新策略族。脚手架要求每次迭代引用、实例化并改编先前方法，引导智能体进行方法导向探索。最终脚手架化的智能体自主组合出数据选择策略，以十分之一的数据预算超越了强基线。代码和基准已开源。

EvoTrainer 是一个自主训练框架，通过经验反馈共同进化 LLM 策略与训练端工具。它诊断 rollout 级证据、修正诊断、回测干预并积累可复用技能。在数学推理、竞赛编程代码生成和仓库级软件工程评估中，EvoTrainer 在相同数据、代码库和协议下匹配或超越人工设计的 RL 参考，最大收益在长 horizon SWE 任务上。轨迹分析显示，保留的策略跨领域发散，进化的诊断阻止无效高分分支被提升，可复用技能塑造后续搜索。

针对大语言模型后训练中奖励模型依赖规则验证器、真实参考答案、程序检查表等异构评估标准、缺乏统一机制的问题，提出Skill-RM框架。该框架将奖励建模重构为可复用的“奖励评估技能”执行，把奖励计算当作结构化的智能体任务，通过统一接口动态选择和聚合证据。在奖励基准及best-of-N选择、强化学习等下游任务中，Skill-RM持续优于传统judge基线，为奖励建模提供了统一且透明的方案。代码已开源。

大语言模型执行多步工作流缺乏形式化规范与验证。受形式语言克服自然语言歧义启发，Lean4Agent 首次用依赖类型形式语言 Lean4 建模和验证智能体行为。其核心 FormalAgentLib 是可扩展的 Lean4 库，在显式假设下验证工作流语义一致性并定位运行时故障。LeanEvolve 利用验证结果修正工作流。在 SWE-Bench-Verified 困难子集和 ELAIP-Bench 子集上，5 个 LLM 的验证通过工作流性能平均高 11.94%，LeanEvolve 进一步将 SWE 性能提升 7.47%。

EvoDS 是一个自进化自主数据科学智能体，通过智能体强化学习实现技能扩展与长期上下文自适应管理。核心包括自主技能获取（ASA）机制与自适应上下文压缩（ACC）策略，前者用于合成、验证和复用可执行技能，后者将上下文管理转化为学习控制问题。采用两阶段多智能体训练方案。理论证明其分层设计降低工具选择错误，优化目标符合信息瓶颈原理。在四个基准测试中，EvoDS 平均优于现有开源数据科学智能体 28.9%，并消除 token 溢出失败。代码与数据已开源。

论文整理了2023-2026年间21个编排框架中63起LLM智能体预算超支生产事故，构建8簇故障分类（Cohen's kappa=0.837，N=113），附加47个结构条目。开发了1,180行无unsafe的Rust crate token-budgets，通过仿射所有权模型使克隆、双重花费及委托后使用在编译期报错。单智能体下4行Python计数器表现相当（0/30超支）；多智能体委托场景中Python asyncio模式30/30超支，Rust crate编译期拒绝相同模式。在5个运行时、3个提供商、160次温度分层实时API测试中，方案零预算违规且零误拒，静态过度预留4-6倍（自适应2.11倍）。二进制级别预算安全性暂未解决。

Agent libOS是一个运行在常规主机操作系统之上的运行时基底，将LLM智能体建模为可调度的AgentProcess，具备进程标识、父子关系、生命周期、工具表、类型化对象内存、显式能力、人工队列、检查点、事件和审计记录。其核心设计原则是：工具是类似libc的包装器，运行时原语（文件系统访问、对象访问、休眠、人工审批、JIT工具注册、外部副作用）作为权限边界，按显式能力和策略进行检查。当前Python原型实现了异步调度、命名空间局部对象内存、运行时集成的人工批准、一次性权限授予、每进程工作目录、shell与图像注册原语、Deno/TypeScript JIT工具、文件系统/对象桥工具、可注入的资源提供者基底，以及123个回归测试。Agent libOS旨在展示一个可调度、授权、恢复和审计长时间运行LLM智能体的运行时基底，而不将工具分发视为信任边界。

MemTrain 是一个专为增强大语言模型智能体上下文记忆能力而设计的自监督训练框架。它基于未标注的 Wikipedia 语料，引入两个耦合代理任务：端到端掩码重建（要求模型在多轮记忆更新后恢复被掩码实体）与中间记忆召回（利用中间记忆状态重建被掩码历史信息），并通过 GRPO 联合优化。在长文本 QA 和搜索型 QA 基准上，MemTrain 一致提升不同模型的记忆密集型推理性能，最高达 17.67 个百分点的增益。

计算机使用AI智能体将语言模型扩展到与文件、终端、浏览器和外部工具的持续交互，安全风险难以从孤立提示或最终响应检测，因危害在多步执行轨迹中才显现。BraveGuard是一个自进化防御框架，通过挖掘最新研究识别新兴威胁与攻击模式，实例化为可执行任务，收集agent rollout轨迹并推导轨迹级监督信号训练guard模型。训练了Qwen3-Guard和Llama-Guard等多个骨干，在AgentHazard上，平均设置下检测准确率从38.79%提升至82.38%，表明基于开放世界威胁发现和真实agent执行的guard监督能超越固定分类和合成数据，为面对演变风险的计算机使用AI智能体提供自适应防御路径。

AuditFlow是图基多智能体框架，分离自适应搜索与确定性验证。从静态US-GAAP分类图和动态XBRL申报图构建符号环境，提供事实检索、分类遍历、数值检查和规则评估工具。两初级审计员从监管与证据视角检查案例，高级审计员解决分歧并请求进一步调查，最终证据聚合生成审计裁决、预期值、证据链和可信度分数。在FinAuditing衍生的FinMR样本上，使用GPT-5.5达82.09%联合审计准确率，比最强基线高14.93个百分点。移除确定性检查后准确率降至17.91%，表明符号环境执行了模型无法可靠替代的验证步骤。

AgentCL 是一个评估语言智能体持续学习的框架，核心是构造受控任务流和转移增益指标。受控流确保早期子解、证据或工作流可在后续任务中复用，而朴素流无法保证复用。框架还引入 MemProbe 探测方法，存储交互、洞察与技能，并在整合时过滤不可靠经验。在编码、深度研究和语言理解/推理任务上的实验表明，朴素流难以区分不同记忆设计，受控流能清晰区别其可塑性；朴素流与保留设置往往增益有限，甚至暴露记忆诱导的性能退化。研究揭示了平衡可塑性与稳定复用的更强记忆设计需求。

阿里通义千问（Qwen）于6月2日发布新模型 Qwen3.7-Plus，定位为多模态交互混合智能体基座。它是 Qwen3.7 的升级版，在保留文本、编码和工具使用能力的基础上，显著强化了视觉理解与视觉推理能力，支持图像、视频、屏幕、网页和文本输入，面向复杂软件与办公流程。该模型在 Vision Arena 评测中帮助阿里进入全球前 5、中国第 1，并在 BabyVision、MathVision 等多模态测试中提升明显。模型已通过阿里云百炼和 Qwen Studio 提供服务。

英伟达通过与微软、戴尔和惠普合作推出搭载AI智能体的PC，旨在进入并主导规模达2000亿美元的CPU市场。此举旨在让AI智能体能够轻松、安全且实用地普及大众。

MiniMax 发布了新模型 MiniMax M3，引入了 MiniMax Sparse Attention (MSA) 架构。该模型支持高达 1M token 的上下文窗口，并具备原生的图像、视频和计算机使用能力，面向智能体编程场景。

Google推出了Gemini智能体Spark，它可以在后台为用户执行多步骤任务。评测显示其效果显著，但存在成本和隐私方面的权衡。该智能体支持“24/7”自主运行，但始终由用户控制，并被设计在采取重大行动前先征询用户意见。

Memory OS是一个开源项目，它通过一个六层结构为Hermes Agent添加了本地持久记忆功能。该记忆栈包含门控检索机制和一个wiki系统，旨在增强智能体的记忆能力。

英伟达推出了 RTX Spark。该产品已上线，产品页面为 nvidia.com/en-us/products/rtx-spark/。该消息在 Hacker News 上获得了 101 个积分。

华为鸿蒙智家升级“1+3+N”解决方案，包括作为家庭大脑的计算与连接中枢、智能中控屏等三种交互方式，以及影音、安防等N个子系统。新一代接入AI管家小艺Claw，支持语音操控家居、查询屋内情况并记忆用户习惯。该AI管家还新增辅助养猫功能，可执行投喂、清扫指令。目前鸿蒙智联已支持3200+品牌、400+品类产品。

腾讯混元多模态数字人团队基于Hy3 preview模型和GameMate1.0框架，为《和平精英》推出代言人田曦薇形象的AI队友「小田」。该角色具备战局感知、独立决策能力，并实现对话情感化回应、动态策略推理与主动协同作战。基于大模型长文记忆，玩家可生成由Image3.0制作的专属图文记忆。该AI队友累计体验用户突破1.1亿，单日活跃峰值1770万，玩家麦克风开启率75%。

字节跳动发布AI智能体平台扣子Coze 3.0版本。该版本支持多人与多Agent协作的写作方式，开箱即用，并提供自媒体、法律、金融等行业的专家技能。新版本可接入Claude Code、Codex CLI等本地Agent，支持手机与电脑端的跨端同步。

MMG2Skill-Bench是首个将人类多模态、异构、含噪声的现实指南转化为智能体可执行技能的基准。MMG2Skill框架以闭环方式将指南编译为可编辑技能，在运行中固定VLM智能体，并通过轨迹级根因反馈修订技能。在GUI控制、开放游戏和策略卡牌任务中，使用六种VLM骨干，MMG2Skill在所有模型-领域设置下一致优于普通基线，宏平均提升+12.8至+25.3个百分点。消融实验表明结构化技能构建和轨迹驱动修订缺一不可。

HarnessForge提出元自适应框架，将LLM智能体系统形式化为框架-策略对，通过故障引导的框架定制和框架条件化的策略对齐实现协同进化。在五个跨领域基准上，基于Qwen3-4B和Qwen3-8B的HarnessForge相比仅优化框架或策略的基线最高提升12.0%，表明框架与推理策略的可执行兼容性对智能体系统自适应至关重要。代码已开源。

现有 Auto-Harness 系统仅针对固定离线基准评测，而开放任务流存在无终点历史、异构任务与分布偏移，导致单一密集更新装备性能先升后降。本文提出 Adaptive Auto-Harness，将距 oracle 装备差距分解为进化损失与适配损失，采用状态化多智能体进化器、带求解时路由的装备树及人类引导钩子来解决。在预测市场、安全竞赛与事件预测三个任务流上，该方法优于五个基线，消融实验验证了各模块贡献。代码已开源。

英伟达发布面向AI智能体的开源模型Nemotron 3 Ultra，其为5500亿参数的混合专家模型。相较于同级别开源模型，该模型推理速度最高提升5倍，使用成本最高降低30%。模型已适配Hermes Agent、LangChain Deep Agents等主流框架，并已助力CrowdStrike、Palantir等企业构建智能体系统。该模型预计于6月4日通过Hugging Face、ModelScope等平台以NVIDIA NIM微服务形式提供。

MiniMax 发布旗舰大语言模型 M3，宣称是首个同时具备编码与智能体能力、百万上下文与原生多模态的国产模型。模型基于自研 MSA 架构，API 上下文窗口最高支持 1M tokens，保障至少 512K 可用。在 BrowseComp 智能体评测中，M3 以 83.5 分超越 Opus 4.7（79.3）。官方提供 M3 与 M3-highspeed 两个版本 API，标准版定价为输入 2.1 元、输出 8.4 元/百万 tokens（上下文≤512K，限时五折），并即将在 HuggingFace 与 GitHub 开源。