Ecom-RLVE：面向电商对话智能体的自适应可验证环境
Hugging Face 将 RLVE 框架从单轮推理题扩展到多轮、工具增强的电商对话，推出 EcomRLVE-GYM，包含产品发现、替代品、购物车构建、退货、订单跟踪、政策问答、捆绑规划和多意图旅程 8 个可验证环境。
#Agent
#Agent
今日 0 条Hugging Face BlogAI 评分3434
Hugging Face BlogAI 评分3838 Hugging Face 发布 VAKRA：评测 AI 智能体推理、工具调用与失败模式的可执行基准
Hugging Face 推出 VAKRA，一个面向企业级环境的工具接地可执行基准，用于评测 AI 智能体的组合推理与多步工作流执行能力。VAKRA 提供 8,000+ 本地托管 API、覆盖 62 个领域并配有领域文档，任务需 3-7 步推理链，包含 API Chaining、Tool Selection、Multi-Hop Reasoning 等四项任务，模型整体表现不佳。
OpenAI News精选AI 评分6262 OpenAI 更新 Agents SDK，加入原生沙箱执行与模型原生 harness
OpenAI 更新 Agents SDK，新增原生沙箱执行和模型原生 harness，帮助开发者在文件与工具之间构建安全、长时间运行的智能体。
推荐理由：官方给出 Agents SDK 的两项能力变化，读者可据此判断长时运行智能体的构建方式是否改变。
Hugging Face Blog精选AI 评分6262 HCompany 发布 HoloTab：可直接在浏览器中执行任务的 AI 智能体扩展
HCompany 发布 HoloTab，一款 Chrome 扩展，可像人一样浏览网页并自动完成跨网站任务，无需任何配置或技术背景。用户只需描述需求，智能体便在浏览器内导航界面、填写字段并做出决策，底层由视觉模型、动作规划和界面理解驱动。
推荐理由：官方给出浏览器智能体的录制复用机制与免费入口，可据此判断零门槛自动化任务的落地方式。
Google ResearchAI 评分5858 Google 发布 Vantage：用生成式 AI 模拟对话评估未来技能
Google 发布研究实验 Vantage，通过生成式 AI 构建模拟环境中的多轮对话，评估高中与大学生面向未来的技能，现已在 Google Labs 开放英文注册。
OpenAI NewsAI 评分2222 Cloudflare Agent Cloud 引入 OpenAI GPT-5.4 与 Codex，支持企业构建智能体工作流
Cloudflare 将 OpenAI 的 GPT-5.4 和 Codex 引入 Agent Cloud，让企业能够构建、部署并规模化运行面向真实任务的 AI 智能体，兼顾速度与安全。
OpenAI NewsAI 评分3838 OpenAI 教你使用 ChatGPT 技能（skills）构建可复用工作流
OpenAI 发布指南，介绍如何创建和使用 ChatGPT 技能（skills），以构建可复用工作流、自动化重复性任务并保证稳定高质量的输出。
Google ResearchAI 评分3232 Google Research 发布 ConvApparel 数据集，量化并弥合用户模拟器的真实感差距
Google Research 推出 ConvApparel，一个包含超 4,000 段人机多轮对话（近 15,000 轮）的服饰购物领域数据集，用于量化 LLM 用户模拟器与真实人类的真实感差距。
Google ResearchAI 评分4242 Google 推出 PaperVizAgent 与 ScholarPeer 两个学术 AI 智能体
Google 发布两个学术智能体框架：PaperVizAgent（原 PaperBanana）从论文方法章节生成出版级图表，ScholarPeer 则自动评审论文。
OpenAI NewsAI 评分2222 OpenAI 阐述企业级 AI 的下一阶段：Frontier、ChatGPT Enterprise、Codex 与全员 AI 智能体
OpenAI 阐述了企业级 AI 的下一阶段，随着各行业采用加速，其企业产品线涵盖 Frontier、ChatGPT Enterprise、Codex 以及公司范围内的 AI 智能体。
Google DeepMind精选AI 评分8383 Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以四个尺寸覆盖端侧到工作站，并给出 Apache 2.0 许可与首日工具支持，可据此判断本地部署与微调的选择空间。
OpenAI NewsAI 评分2222 Gradient Labs 用 GPT-4.1 与 GPT-5.4 mini/nano 为每位银行客户配备 AI 客户经理
Gradient Labs 基于 GPT-4.1 和 GPT-5.4 mini、nano 构建 AI 智能体，用于自动化银行客服工作流，兼顾低延迟与高可靠性。该方案的目标是为每位银行客户提供一名 AI 客户经理。
Mistral AIAI 评分3636 Mistral AI 推出 Spaces：为人类与 AI 智能体打造的 CLI
Mistral AI 发布 Spaces CLI，一款同时面向人类开发者与编码智能体的命令行工具，通过 `spaces init`、`spaces dev` 等命令可从零搭建带热重载、数据库和 Dockerfile 的多服务项目。
Google DeepMindAI 评分5858 Google DeepMind 用 Gemini 重做鼠标指针，Chrome 与 Googlebook 率先接入
Google DeepMind 公布 AI 指针交互的四条设计原则，并展示由 Gemini 驱动的实验性指针演示，用户可在 Google AI Studio 中通过指向和语音完成图像编辑、地图查找等操作。
Hugging Face BlogAI 评分4848 Anthropic 限制 Claude 访问后，Hugging Face 教你用开源模型救活 OpenClaw
Anthropic 正限制 Pro/Max 订阅者在开放智能体平台中访问 Claude 模型，Hugging Face 建议将 OpenClaw、Pi、Open Code 等智能体迁移到开源模型。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，精度更高、延迟更低，已通过 Gemini Live API 在 Google AI Studio 预览，并接入 Gemini Enterprise for Customer Experience、Search Live 和 Gemini Live。
推荐理由：官方给出语音模型的延迟、推理基准与多语言覆盖变化，可据此判断语音智能体的可用边界。
Google Research精选AI 评分6060 Google 发布 Vibe Coding XR，用 Gemini 与 XR Blocks 生成 Android XR 应用
Google 发布 Vibe Coding XR 工作流，将 Gemini 与基于 WebXR、three.js、LiteRT.js 的 XR Blocks 框架结合，把自然语言提示词直接转成可运行的物理感知 Android XR 应用，官方称耗时在 60 秒以内。
推荐理由：Google 把 Gemini 与 XR Blocks 组合成从自然语言到 Android XR 应用的生成流程，并给出 VCXR60 初步评测数据，可据此判断 XR 原型开发的门槛变化。
OpenAI News精选AI 评分6060 OpenAI 推出安全漏洞赏金计划
OpenAI 推出 Safety Bug Bounty 计划，用于识别 AI 滥用与安全风险，覆盖范围包括智能体漏洞、提示注入和数据外泄。
推荐理由：OpenAI 官方公布安全漏洞赏金计划，读者可了解其覆盖的智能体漏洞与提示注入等风险范围。
Hugging Face BlogAI 评分4242 Hugging Face 推出语音智能体评估框架 EVA
Hugging Face 发布端到端语音智能体评估框架 EVA，首次同时打分任务成功率（EVA-A）与对话体验（EVA-X），并开源含 50 个航司场景的数据集。对 20 个级联与音频原生系统的基准测试显示，准确率与体验之间存在一致的权衡：任务完成得好的智能体，用户体验往往更差。
OpenAI NewsAI 评分3838 OpenAI 如何用思维链监控内部编程智能体的失准行为
OpenAI 采用思维链监控（chain-of-thought monitoring）研究内部编程智能体的失准问题，通过分析真实部署环境来检测风险并强化 AI 安全保障措施。
Google ResearchAI 评分4040 Google Research 在 The Check Up 展示医疗 AI 进展：从个性化护理到 AMIE 智能体
Google Research 在 The Check Up 活动上公布多项医疗 AI 进展：与 Fitbit 合作研究发现，模拟协作医疗团队的 Personal Health Agent（PHA）比单一任务应用更能支持长期健康。
Mistral AI精选AI 评分6262 Mistral AI 推出企业级模型训练系统 Forge
Mistral AI 推出 Forge，一套让企业基于自有专有知识构建前沿级 AI 模型的系统，支持预训练、后训练和强化学习等阶段，并同时支持稠密与 MoE 架构及多模态输入。
推荐理由：原文给出企业用自有数据训练前沿模型的分阶段训练路径与智能体落地方式，可据此判断企业自建模型的可行边界。
Hugging Face Blog精选AI 评分6262 H Company 发布 Holotron-12B 高吞吐 computer-use 智能体模型
H Company 发布 Holotron-12B，一个基于 NVIDIA Nemotron-Nano-2 VL 后训练的多模态 computer-use 模型，现已在 Hugging Face 上线，采用 NVIDIA Open Model License。
推荐理由：官方披露了模型架构、训练数据规模与 WebVoyager 提升幅度，可据此判断高吞吐 computer-use 智能体的落地条件。
Mistral AI精选AI 评分6262 Mistral 用 Vibe 搭建自动编写 Rails 测试的智能体
Mistral 基于其开源编码助手 Vibe 搭建了一个自动编写 Rails RSpec 测试的智能体，可读取源码、生成或改进测试、按风格规则与覆盖率目标校验，并在 CI/CD 中无人干预运行。
推荐理由：Mistral 公开了用 Vibe 搭建自动写 RSpec 测试智能体的完整方案，包括 AGENTS.md、skills 与自定义工具的具体做法和实测数据。
OpenAI NewsAI 评分3838 OpenAI 如何设计 AI 智能体抵御提示词注入
OpenAI 介绍了 ChatGPT 在智能体工作流中抵御提示词注入与社会工程攻击的设计思路：通过限制高风险操作、保护敏感数据来降低风险。
OpenAI NewsAI 评分4747 OpenAI 如何用 Responses API 打造智能体运行环境
OpenAI 基于 Responses API、shell 工具和托管容器构建了一套智能体运行时，让智能体能够使用文件、工具和状态，并以安全、可扩展的方式运行。该方案将 Responses API 从模型调用接口扩展为具备计算机环境的智能体运行平台。
OpenAI NewsAI 评分5555 OpenAI 发布 Codex Security 研究预览版
OpenAI 发布 Codex Security，定位为 AI 应用安全智能体，目前处于研究预览阶段。该智能体通过分析项目上下文来检测、验证并修复复杂漏洞，官方称其置信度更高、噪声更少。
OpenAI NewsAI 评分1818 Balyasny Asset Management 如何用 OpenAI 构建 AI 研究引擎
Balyasny Asset Management 通过严格的模型评估、全平台使用 OpenAI 以及智能体工作流，重构了投资研究流程。其做法是将模型评测与 agent 工作流结合，在 OpenAI 平台上搭建起一套 AI 研究引擎。
OpenAI News精选AI 评分8282 OpenAI 发布 GPT-5.4，主打编码、电脑操作与 1M token 上下文
OpenAI 发布 GPT-5.4，称其为面向专业工作能力最强且最高效的前沿模型，具备 SOTA 级编码、电脑操作和工具搜索能力，上下文窗口为 1M token。
推荐理由：官方给出 GPT-5.4 的定位与能力清单，可据此了解前沿模型在专业工作场景的迭代方向。
OpenAI NewsAI 评分5858 OpenAI 在 Amazon Bedrock 推出面向智能体的有状态运行时
OpenAI 在 Amazon Bedrock 推出面向智能体的有状态运行时（Stateful Runtime for Agents），为基于 OpenAI 的多步 AI 工作流提供持久编排、记忆与安全执行能力。
OpenAI News精选AI 评分6262 OpenAI 与 Amazon 宣布战略合作，将 Frontier 平台引入 AWS
OpenAI 与 Amazon 宣布战略合作，将 OpenAI 的 Frontier 平台引入 AWS。合作范围涵盖 AI 基础设施扩展、定制模型以及企业级 AI 智能体。
推荐理由：OpenAI 与 Amazon 的这次合作把 Frontier 平台接入 AWS，读者可据此了解企业级 AI 基础设施与智能体的落地路径。
OpenAI NewsAI 评分3131 OpenAI 与太平洋西北国家实验室合作推出 DraftNEPABench，加速联邦许可审批
OpenAI 与太平洋西北国家实验室联合推出 DraftNEPABench，用于评估 AI 编程智能体加速联邦许可审批的能力。该基准显示，NEPA 草案撰写时间有望最多缩短 15%，并推动基础设施审查现代化。
OpenAI NewsAI 评分2222 OpenAI 宣布 Frontier Alliance Partners，助企业将 AI 智能体从试点推向生产
OpenAI 宣布推出 Frontier Alliance Partners，帮助企业从 AI 试点走向生产环境，实现安全、可扩展的智能体部署。
Hugging Face BlogAI 评分4949 IBM 与 UC Berkeley 用 ITBench 和 MAST 诊断企业级 Agent 失败原因
IBM Research 与 UC Berkeley 用 MAST 失败分类法分析了 310 条 ITBench SRE 执行轨迹，覆盖 Gemini-3-Flash、Kimi-K2 和 GPT-OSS-120B 三类模型。
Hugging Face Blog精选AI 评分6060 Gradio 6 的 gr.HTML 支持自定义模板与 JavaScript 交互
Gradio 6 的 gr.HTML 现已支持自定义模板、作用域 CSS 和 JavaScript 交互，可让 LLM 一次性生成前端、后端与状态管理，全部写在一个 Python 文件里。
推荐理由：原文给出 gr.HTML 的模板与状态同步写法，读者可据此判断单文件生成自定义组件的可行边界。
OpenAI NewsAI 评分3636 OpenAI 与 Paradigm 推出 EVMbench：评估 AI 智能体发现、修补与利用智能合约漏洞的能力
OpenAI 与 Paradigm 联合推出 EVMbench，用于评估 AI 智能体检测、修补和利用高危智能合约漏洞的能力。该基准聚焦高严重性漏洞，覆盖发现、修复与攻击三类任务。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 CUDA kernel agent skill，Claude 与 Codex 端到端生成可用内核
Hugging Face 构建了一个 agent skill，教编码智能体编写生产级 CUDA kernel，并用 Claude 和 Codex 在 diffusers 与 transformers 两个真实目标上端到端生成了可用的 kernel、PyTorch 绑定和基准测试。
推荐理由：Hugging Face 把 CUDA kernel 开发知识打包成 agent skill，并给出两个真实目标的端到端基准数据，可迁移到其他领域技能设计。
Hugging Face BlogAI 评分5858 OpenEnv 实践：在真实环境中评测工具型智能体
Meta 与 Hugging Face 联合推出的开源框架 OpenEnv 用于在真实系统而非模拟环境中评测 AI 智能体，Turing 为其贡献了生产级日历管理环境 Calendar Gym。
OpenAI NewsAI 评分2626 OpenAI 的 Harness engineering：在智能体优先的世界中驾驭 Codex
OpenAI 技术团队成员 Ryan Lopopolo 提出 Harness engineering，探讨在智能体优先的世界中如何利用 Codex。文章聚焦于围绕 Codex 构建工程实践，而非模型本身的能力。
Google ResearchAI 评分3838 Google Research 推出 DialogLab：开源多智能体群组对话创作与测试框架
Google Research 发布开源原型框架 DialogLab，用于创作、模拟和测试动态的人机群组对话，相关论文在 ACM UIST 2025 展示。该框架将对话的社交设定与时间流程解耦，通过"创作-测试-验证"三阶段工作流支持多参与方、角色分组与打断规则配置。