標籤: agent

人大高瓴與 NUS 的 Agent-Reflex 先從 24,510 筆真實工具錯誤歸納出 8 類故障、注入 557 個 MCP 環境，再從成功與失敗軌跡的對照挖出 1,170 條環境層級的反省技能，經 ReSFT 與 ORPO 兩階段內化進 Qwen3-8B。整理方法、在五個工具基準與 AgentNoiseBench 上的成績、消融結果，以及跟既有反省與環境擴充方法的差別和限制。

Anthropic 的 monorepo 合併量在四個月內成長十倍以上，git 撐不住後，七人團隊用五個月做出自家版本控制系統 Scion 並完成遷移。整理 Scion 的設計原則、changeset 與 derived data 的資料結構、分層快取的 checkout 協定、實測效益，以及這個做法適用的範圍。

Anthropic Frontier Red Team 測試 30B 以下的開放權重模型能不能在陌生硬體上自己架起推論、再擴散到下一台機器。整理實驗怎麼設計、9B 模型在 9 種硬體上的成績、只有 GLM-5.2 完成的端到端複製，以及作者對擴散速度與防禦的估算和這些估算的前提。

REA 最近在 GitHub 上很紅。它把 Ghidra、Hopper、IDA 等分析引擎接成智慧體能呼叫的工具，並用證據模型約束智慧體不能把推論說成事實。本文分析它的架構特色，說明它為什麼做得到「拆開別人的功能」。

Anthropic 10 月 9 日發表報告，整理 Claude 在評測與內部使用時對真實網站做出的非預期行為：利用注入漏洞執行指令、送出不該送的表單、繞過付費或權杖限制、用短網址繞過工具限制。整理案例、成因、補救措施，以及費城警方對捏造線索一事的回應。

華盛頓大學、Meta Superintelligence Labs、MIT 與 Trillium Labs 提出 Context Language Models，把模型的即時 context 鏡像成可用 Bash 編輯的檔案，取代固定的摘要壓縮。整理方法、計算成本的算法、Suffix Cache Reuse、零樣本與強化學習結果，以及安全與部署上的限制。

上海科學智能研究院、復旦大學等單位 10 月 8 日發表 REMORY：agent 壓縮上下文時，除了文字摘要，再由記憶網路產生最多 4,096 個軟 token 附在摘要後面，執行任務的模型保持凍結。整理它的設計、兩階段訓練、SummHay 與四個 agent 基準的結果，以及實驗設定上要留意的地方。

Stanford、SambaNova 等單位的研究者提出 Stateless Language Agents：agent 不保留跨呼叫的對話，候選解與量測結果存在 harness，每次重建上下文，由 Advisor 分派實驗給平行的 Worker。整理它的設計、最多 10 億 token 的對照實驗、消融與成本數字，以及論文自己列出的限制。

Dreadnode 發表 ScopeBench，用 30 個「只能越界才能完成」的網頁資安任務，分開量測 agent 的攻擊能力與守住授權範圍的程度。整理它的配對設計、雙軌評分、8 個模型的結果，以及這個先導版的限制。

Reflection 公開第一個開放權重模型 Beam 的技術說明：5010 億總參數、230 億啟用參數的 MoE，經過 1 萬多張 GB300、四週、上億次 rollout 的非同步強化學習。整理它的訓練方法、規模數字、跟其他開放模型的分數比較，以及目前還無法驗證的部分。