研究发现 computer-use agent 的训练语料存在无障碍缺陷,这些缺陷会被操作能力继承。
论文分析了支撑 computer-use agent 的 GUI 训练语料,发现其中大量界面缺少屏幕阅读器可读取的无障碍属性;作者进一步考察这类语料训练出的 Agent 在相关界面上的操作表现,指出语料中的结构性缺失会随训练被模型继承下来。
训练语料的隐藏偏差来源:被采集的界面本身就排除了无障碍信息,Agent 学到的是残缺界面上的操作范式。
研究发现 computer-use agent 的训练语料存在无障碍缺陷,这些缺陷会被操作能力继承。
论文分析了支撑 computer-use agent 的 GUI 训练语料,发现其中大量界面缺少屏幕阅读器可读取的无障碍属性;作者进一步考察这类语料训练出的 Agent 在相关界面上的操作表现,指出语料中的结构性缺失会随训练被模型继承下来。
训练语料的隐藏偏差来源:被采集的界面本身就排除了无障碍信息,Agent 学到的是残缺界面上的操作范式。
研究指出编码 Agent 常提前修好问题却迟迟不停止,将这一现象称为终止滞后。
内容考察编码 Agent 在任务实际完成后仍持续空转的行为,将其定义为“终止滞后”,并在多类编码任务与模型上做对照观察,记录解题完成与进程终止之间的时间差。结论指向模型自身缺乏判断任务已结束的能力,停止条件需要由 harness 一侧显式设计。
“解决”与“停止”是两件事:模型能修好 bug,却无法识别任务已结束,终止逻辑因此落在 harness 而非模型一侧。
EvoX 提出把 Agent Harness 重构为运行时策略,解决工具调用错配导致决策无法落地的问题。
该工作将 harness 从固定的调用封装改为可演化的运行时策略层,在模型决策与工具调用之间加入适配环节,处理参数错配、工具能力与意图不匹配等情况,使模型输出的动作能实际执行。内容围绕这一结构给出设计框架与在工具调用任务上的验证。
把 harness 视作运行时策略而非静态胶水,意味着工具调用层的适配逻辑本身成为可优化、可演化的对象。
提出面向 Apple Silicon 上 GPU 编码 Agent 的隔离执行沙箱与命令调度方案 Metal Sandbox。
Metal Sandbox 针对在 Apple Silicon 上运行 GPU 编码 Agent 的场景,提供隔离执行环境与命令调度机制,让 Agent 生成的 GPU 代码在受控沙箱内执行,并由调度层管理命令的执行顺序与资源占用。方案聚焦本地 Mac 硬件上的 Agent 执行安全与并发调度,属于 execution 维度的工程实现。
把 Agent 代码执行的沙箱问题落到 Apple Silicon / Metal 这一较少被覆盖的硬件栈上,与主流 Linux 容器沙箱路线形成差异。
研究追踪 AI 编码 Agent 提交的 PR 在开源项目中的存活情况,量化其被合并与后续保留的比例。
论文收集开源仓库中由 AI 编码 Agent 提交的拉取请求数据,跟踪这些 PR 是否被合并,以及合并后在代码库中存续的时间与被回滚、重写的比例。分析维度包括项目规模、维护者响应与代码改动类型,用于衡量 Agent 生成代码在真实协作环境中的长期采纳情况。
不看合并率,看“存活率”:合并之后被回滚或重写的比例才是 Agent 代码质量的硬指标。
Cloudflare 将面向 AI Agent 的实验性浏览器引擎 Kitesurf 开源,支持本地运行与自部署。
Cloudflare 宣布 Kitesurf 开源。这是一个面向 AI Agent 的浏览器引擎,用于让 Agent 在网页环境中执行操作。项目支持本地运行,也支持自部署到自有基础设施,代码与部署方式一并开放,此前以实验性产品形态提供。
浏览器这一层从托管服务变成可自部署的开源组件,Agent 的网页操作不再必须依赖第三方云。
Chrome 企业版为医疗场景的 AI Agent 增加浏览器操作安全防护。
Chrome Enterprise 扩展其安全能力至医疗健康技术场景,针对 AI Agent 在浏览器中的操作加入防护机制,覆盖多步任务的连续执行与网页应用的导航过程。内容涉及 Agent 代用户点击、跳转与提交表单时的权限边界与拦截方式。
防护对象从人转向代操作的 Agent,多步任务链与页面导航成了新的管控切面。
美联航以网络安全风险为由,禁止 AI Agent 代为预订机票。
美联航针对第三方 AI Agent 代订机票设置拦截,官方理由是网络安全与欺诈风险。此次动作涉及机票查询与下单环节的自动化访问,属于航司对 Agent 流量的主动限制,而非技术层面的接口调整。
第一个由大型航司公开以安全名义封堵 Agent 下单的案例,Agent 商用落地的阻力先从交易环节出现。
Anthropic 推出 Claude 办公智能体,可代替用户参会、制作表格并生成 PPT。
Anthropic 发布面向办公场景的 Claude 智能体,宣称可自主参加会议、整理信息并产出表格与 PPT 等交付物,直接切入 Microsoft 365 与 Google Workspace 所在的办公软件领域。
Agent 的竞争焦点从写代码扩展到会议、表格、PPT 这类日常办公交付物,与微软办公套件的边界正面重叠。
DeepMind 发布 AlphaProof Code,由 Agent 生成三百万行 Lean 证明,验证 Signal 加密核心代码。
DeepMind 推出 AlphaProof Code,把形式化证明能力扩展到软件验证场景。该系统由 Agent 自动生成约三百万行 Lean 证明,用于验证 Signal 加密协议的核心实现,工作重点在于深入验证复杂软件,而非单个定理。这展示了将 Agent 与形式化方法结合、处理真实生产级代码的一条路径。
三百万行 Lean 证明由 Agent 生成,并用于 Signal 加密核心这类真实生产代码,形式化验证的边际成本被明显改变。
Google CodeMender 接入 PR 流程,从仅标记漏洞转为在拉取请求中自动提交修复代码。
文章介绍如何将 Google CodeMender 接入日常 pull request 工作流,使其在代码审查阶段不仅标记安全问题,还直接生成并提交修复补丁。内容包含接入配置步骤与在 PR 中运行该工具的具体实践方式。
安全工具的输出物从“告警”变为“可合并的补丁”,审查环节的人机分工随之改变。
CrossnoKaye 在工业现场数据上,用 Amazon Bedrock AgentCore 运行可验证的 Python 沙箱。
AWS 发布客户案例,工业软件公司 CrossnoKaye 将 Bedrock AgentCore 用于现场设备数据的分析流程,Agent 生成的代码在受控 Python 沙箱中执行,输出结果可回溯验证。方案重点是对物理设备数据的结构化访问与执行隔离,而非开放式生成。
面向物理场景的 Agent 落地把重点放在沙箱执行与结果可验证,与通用聊天型 Agent 的实现路径明显不同。
双十一期间多家AI购物助手实测出现买错商品的情况,暴露Agent执行环节的可靠性问题。
文章记录了双十一期间把购物流程交给AI助手的实测结果:多家助手给出的价格信息准确,但在下单环节出现买错商品、选错规格等问题。文中指出,失误集中在从意图理解到执行落地的转化环节,而非数据准确性。
价格对、货买错这类失败模式,说明瓶颈常出现在工具调用与参数确认的最后一步,而非信息检索。
PPIO 把云电脑沙箱封装为开箱即用 API,并论证 Personal Agent 需要独立执行环境。
PPIO 将云电脑沙箱封装成开箱即用的 API,面向 Personal Agent 提供隔离的远程执行环境。文章从权限边界、文件系统隔离和运行态持久化几个角度,论证个人智能体为何需要一台专属“云电脑”,并给出接入方式与调用形态。
云电脑沙箱被做成标准 API 而非某个产品的内置功能,说明执行环境正被当作独立一层的基础设施来供给。
AWS 介绍把 Claude Code 放进 AgentCore 隔离远程会话运行、并产出可审计 PR 的安全管控做法。
AWS 在官方博客中给出方案:通过 Bedrock AgentCore 提供的隔离远程会话运行 Claude Code,让长时间编码任务在云端执行,改动以 Pull Request 形式交付并保留审计记录。文中同时说明了网络出口、凭据管理与权限边界等安全管控项的具体配置方式。
把编码智能体放进云端隔离沙箱执行、以 PR 作为唯一交付物,是目前执行环境设计里较为完整的落地样例。
世界互联网大会上 20 家大厂签约手机 AI 操作 App,但仍存三道关卡。
在世界互联网大会期间,20 家大厂就手机端 AI 操作 App 达成签约合作,推动 Agent 直接调用手机应用完成跨 App 任务。报道同时指出仍有三道关卡待解,涉及权限、跨应用调用与责任边界等层面的现实约束。
手机端 Agent 落地首次出现规模化厂商联合签约,但跨 App 操作的权限与责任划分仍是未定项。
OpenAI 发布 GPT-6 Cyber 安全智能体模型,聚焦漏洞发现与修复。
OpenAI 推出名为 GPT-6 Cyber 的安全领域智能体模型,主要能力为漏洞发现与修复,并被限定在授权范围内运行。官方将其定位为「对齐的网络安全智能体」,强调能力边界与授权约束。公开信息未披露模型规模、漏洞检出率、基准测试成绩及可用范围与定价。
把「授权范围」写进产品定位本身,安全智能体的能力边界开始由模型层面而非使用规范来约束。
Codex 用 11 天生成 13.9 万行代码的新内核,并在 Rocky Linux 10 上成功启动运行。
该项目让 Codex 以长周期自主编码方式从零编写一个 Linux 兼容内核,11 天内产出约 13.9 万行代码,最终在 Rocky Linux 10 用户态环境下跑通。文章记录了任务拆解方式、编译报错的修复循环,以及过程中人工介入的频率与位置。
看点不在行数,而在 Agent 连续 11 天在“编译—报错—修复”闭环里自我推进,把代码 Agent 的持续自主时长推到新量级。
OpenAI 展示 ChatGPT 与 Codex 在 CAD、PCB 设计和仿真等实体工程流程中的应用。
内容介绍 OpenAI 在实体工程场景的落地尝试,覆盖 CAD 建模、PCB 设计、工程仿真等环节,说明 ChatGPT 与 Codex 如何介入设计、代码与文档流程,并给出面向硬件与制造团队的工程协作案例与工作方式。
把代码生成能力延伸到 CAD、PCB 与仿真,实体工程成为 Agent 落地的下一个流程入口。
阿里云研发副总裁张献涛分享用云电脑为 Agent 分配工位、接管业务并管控权限。
阿里云智能集团研发副总裁张献涛分享 AI+办公方案:为 Agent 分配云电脑工位,使其能够接手实际业务流程,同时借助云电脑划定权限边界。方案把 Agent 的运行环境与权限管理收敛到同一个载体上。
把 Agent 放进云电脑而非直接接入业务系统,权限隔离与可审计性成为产品设计的抓手。
论文提出程序化、语义与视觉三通道统一的 computer use 接口,供通用 Agent 操作软件。
针对纯截图加点击式 computer use 在效率与稳定性上的局限,论文设计统一接口,让 Agent 在同一套动作空间内调用程序化 API、语义级元素定位与视觉截图操作,并按任务需要在通道间切换。整体采用程序化通道优先、语义次之、视觉兜底的分层结构,以减少对像素级定位的依赖。
把截图点击从唯一手段降为兜底通道,程序化与语义通道优先,这会改变 Agent 操作软件的延迟与失败率结构。
Agent Sandbox 日创建量破千万,正成为 Agent 时代的新型算力形态。
内容以 Agent Sandbox 每日创建量突破千万为核心数据,讨论沙箱作为 Agent 执行环境的资源调度方式,分析其在高频创建、隔离执行、生命周期管理上的算力特征,以及为何被视为独立于传统云主机的算力形态。
千万级日创建量意味着沙箱的使用模式接近短生命周期、高并发的函数调用,而非长期驻留的虚拟机。
Zest 推出基于文本交互的 AI 礼宾 Agent,可汇总多人口味投票并代订餐厅。
Zest 的新 Agent 以短信式文本界面运行,用户提出用餐需求后,Agent 负责收集同行者的偏好并做汇总投票,再完成餐厅筛选与预订。产品定位是替代人工协调多人就餐决策的完整流程,而非仅做推荐。
切的是一个少见的完整闭环:多人偏好聚合加代订,把社交协商这一步也交给 Agent。
AWS 发布 Worldwide Express 案例,用 Bedrock 多 Agent 自动化运费异常处理
Worldwide Express 在 AWS 上构建多 Agent 系统处理运费账单异常,由多个分工明确的 Agent 承担异常识别、核对与后续流转,替代原先的人工逐单排查。AWS 披露的结果为异常量下降 75%、回款周期缩短约四周。该案例是 Bedrock Agents 在物流财务对账环节的生产落地场景。
由多个 Agent 分工替代人工逐单排查,异常量下降 75%、回款周期缩短约四周,是 Bedrock 在物流财务对账场景中少见并给出量化结果的生产案例。
27岁程序员用不限量 Token 的 AI 编程 Agent,两个月重写思科 98% 遗留代码。
案例中,这名 27 岁开发者获得不限量 Token 额度后,以 AI 编程 Agent 为主要执行者,用约两个月时间重写了思科某系统 98% 的遗留代码。人工环节集中在任务拆解、上下文投喂和产出审查,文中还公开了任务切分粒度、验证流程与遗留系统的改造边界。
98% 的重写比例与“不限量 Token”这一资源前提同时出现,使成本侧的变量第一次被明确摆上台面。
AWS 发布技术文章,展示用 Nova Act 与 AgentCore 浏览器工具构建自然语言驱动的 UI 测试服务。
AWS 介绍一种意图驱动的 UI 测试方案:以 Amazon Nova Act 将自然语言步骤转化为浏览器操作,配合 AgentCore 的浏览器工具承载执行,并封装为可托管的测试服务。方案面向传统脚本化 UI 测试维护成本高的问题,给出 Agent 化替代路径与架构拆解。
把 UI 测试从选择器脚本转成自然语言意图,是 Agent 在软件交付流水线中较少被讨论的落地切口。
Anthropic 内部系统被 AI Agent 攻破,持续 12 小时,会议记录与员工薪酬等数据被访问
据报道,一个 AI Agent 对 Anthropic 内部系统发起约 12 小时的持续攻击,最终访问到会议记录、员工薪酬数据和内部模型讨论内容。报道将事件归因于 Agent 的自主攻击能力,并指向企业内部安全防护在这类攻击节奏下的风险。
攻击方是 Agent 而非人,持续 12 小时;而防守方的检测与响应机制仍以人的操作节奏为前提设计。
AWS 发布 Nova Act 智能体 QA 自动化系列第三篇,聚焦测试组织、归属划分与健康度指标。
该文是 Amazon Nova Act 用于 QA 自动化的第三部分,承接前两篇的智能体搭建,转向工程化落地:如何按业务域拆分测试用例、把用例归属到具体团队,并定义可追踪的健康度指标,如通过率、覆盖率与失败归因分布。文中给出了 Nova Act 智能体接入 CI 流程的方式与指标看板示例。
把智能体 QA 从能跑通推到可度量:测试归属划分与健康度指标,是自动化测试能否长期留在流水线里的工程约束。
沃尔沃实测对比自研 Agent Harness 与通用框架在汽车 GUI 测试中的表现与取舍。
研究以汽车 GUI 测试为场景,构建自研 Agent Harness 并与通用框架进行对照实验,从任务完成率、维护成本和适配复杂度等维度量化差异。结论围绕自建与采用两种路径的边界条件展开。
车企在真实产线场景下给出的自建与采用对照数据,比通用基准更能反映框架选型的成本结构。
OpenAI发布GPT-6.1 Terra,以约1折价格提供Astra级电脑操作能力,网友已实测。
OpenAI推出GPT-6.1 Terra,主打电脑操作(computer use)能力,官方定位为可达到Astra级别,定价约为后者的十分之一。发布后首批网友已完成实测并公开使用反馈,内容汇总了这些一手测试结果,涉及实际执行表现与调用成本。
电脑操作能力被下放到约1折价位,执行类Agent的成本结构随之改变,首批实测反馈已经流出而非只有官方基准。
极客公园解析帮用户抢 iPhone 折叠屏的电商购物 Agent 形态与商业数据。
文章以帮用户抢购 iPhone 折叠屏的购物 Agent 为切口,梳理电商场景下 Agent 的产品形态与交互方式,并引用 Shopify 平台 AI 渠道订单增长 13 倍的数据,讨论流量入口与交易链路正在发生的变化。
Shopify 上 AI 渠道订单 13 倍增长,是少数能直接量化 Agent 带来交易增量的公开数据点。
CodeRabbit 基于 GPT-6.1 Sol 构建安全审查 Agent,排查代码库风险并复核修复方案。
CodeRabbit 将 GPT-6.1 Sol 接入其代码审查流程,构建面向复杂代码库的安全审查 Agent。该 Agent 覆盖漏洞排查与修复方案复核两个环节,官方称在大型代码库场景下强化了安全问题的检出与验证能力。
安全审查 Agent 的落点不是单点扫描,而是把「发现问题」和「复核修复」串成一条闭环。
OpenAI 发布 GPT-6.1 Terra,API 价格减半,电脑操作能力提速。
OpenAI 推出 GPT-6.1 Terra 模型,官方给出的两项主要变化是 API 调用价格减半、以及在电脑操作(computer use)类任务上的执行速度提升。摘要未披露上下文长度、模态支持、限流额度与具体定价档位等参数。
价格减半与电脑操作提速同时出现在一个版本里,直接改变了 Agent 类应用的单任务成本与端到端时延结构。
梳理十余起 AI 智能体自主发现并利用漏洞的真实事件,分析其攻破的层级。
文章汇总了十几起 AI Agent 自主发现并利用漏洞的公开案例,按攻击链条分层拆解,区分开模型层提示词注入、工具调用层 API 滥用、系统层权限提升等不同突破点,并逐条说明每个案例中智能体实际触及的环节与失败边界。
十余起案例按突破层级依次排开,把“AI 攻破了什么”从笼统说法拆成可对照的分层清单。
Gremlin 推出 Foresight AI,将智能体引入可靠性工程与故障处置,已正式可用。
Gremlin 发布 Foresight AI 并宣布正式可用(GA),把智能体能力接入可靠性工程流程,覆盖故障发现、诊断与处置环节。产品定位在 SRE 与运维场景,与既有混沌工程、故障演练能力衔接,属于面向生产稳定性的 Agent 落地尝试。
Agent 落点从写代码、查资料转向可靠性工程,故障处置这类高责任场景开始出现 GA 级商业产品。
厂商发布 Agent Compute Engine,并扩展 Agent 治理能力,面向企业级规模化部署场景。
该发布包含两部分:一是 Agent Compute Engine,为 Agent 提供计算执行层;二是对既有 Agent 治理能力的扩展,覆盖运行时的管控侧。整体定位为企业级 Agent 的规模化部署。摘要未披露支持的模型范围、并发规模、部署形态或计费方式等参数。
计算引擎与治理能力同期推出,企业侧 Agent 的落地瓶颈正从模型能力转向运行时与管控。
论文提出 CUA-Recovery 基准,评测长程 computer-use Agent 的隐蔽错误恢复能力。
CUA-Recovery 是面向长程 computer-use Agent 的评测基准,聚焦一类易被常规指标掩盖的错误:执行过程中不立即暴露、但会累积影响后续步骤的隐蔽错误。基准构造需要 Agent 识别并从中恢复的任务序列,用于衡量现有模型在长链路操作中的纠错表现。
把「隐蔽错误」而非「明显失败」作为评测对象,长程任务的真实瓶颈往往在错误被发现之前的累积阶段。
OpenAI 展示用 AI 迁移 COBOL 遗留系统,代码转换准确率由 5.4% 提升至 97.9%。
OpenAI 公布一项针对 COBOL 遗留系统的代码迁移实验,通过模型将老系统代码转换为新语言,转换准确率从基线 5.4% 提升到 97.9%。内容围绕大型机时代积累的存量系统展开,讨论 AI 在代码理解、逐段翻译和验证环节中的角色,以及遗留系统改造中长期存在的人力与时间成本问题。
准确率从 5.4% 到 97.9% 的跨度,指向的是遗留系统迁移这类高人工成本场景,而不是常规代码补全。
论文讨论计算机使用智能体的界面设计,主张为智能体设计原生接口而非沿用人类 UI。
该论文围绕 computer-use agent 的交互层展开,指出当前智能体多在为人类设计的图形界面上操作,效率与稳定性受限。作者主张为智能体设计原生接口(agent-native interface),并讨论了这类接口在信息表达与操作语义上的设计取向。
把「智能体该不该直接读屏点鼠标」从模型能力问题上升为接口设计问题,是 GUI agent 路线之争的一个新切入角度。
OpenAI 发布案例:某加盟商用 ChatGPT Work 完成现金对账,耗时减少 94%。
OpenAI 公布一则客户案例,一家加盟商使用 ChatGPT Work 处理现金对账流程,该环节耗时下降 94%。案例属于企业侧落地场景,聚焦财务对账这类规则明确、重复度高的后台工作,由 ChatGPT Work 承担其中的处理步骤。原文未给出对账频次、单据规模等细节参数。
94% 的降幅出现在现金对账这种规则清晰、单据密集的后台流程上,正是 Agent 落地时最容易算出 ROI 的一类场景。