评估AI智能体远不止验证单次工具调用是否合法。NVIDIA技术博客指出，步骤级评分能够帮助团队定位具体失败环节，而端到端评分则验证真实环境是否达到预期状态。该框架强调，生产级评估应同时报告一致性、步骤数量和成...

Perplexity近日披露其Computer模型的一项新训练方法，通过将拒绝采样微调与提示引导自蒸馏相结合，让AI既能从成功执行的会话中学习，也能从用户纠正过的失败操作中吸收经验。传统微调往往依赖高质量成功样本，但真实...

OpenAI 宣布 Agents API 进入公共测试阶段，开发者现在可以访问支撑 Codex 的托管代理编排与基础设施。该 API 统一管理上下文、工具调用、子代理、持久执行、文件与代码环境，能够支持长时间运行的智能体。这意味着...

随着AI代理越来越多地调用外部工具并消费返回结果，工具输出已成为提示注入的新攻击面。ARMO最新分析指出，隐藏在工具结果中的恶意指令之所以能绕过常规防护，核心原因是输入检查与动作检查分别发生在代理循环的不同...

AI基准测试机构Vals AI的最新分析显示，开源权重模型在执行多阶段任务时，其环境代价可能远超简单查询。以构建一个Web应用为例，这类复杂任务涉及多轮推理、代码生成、工具调用与验证等步骤，模型需要消耗的能源或水...

近期安全研究显示，Claude Code Opus 5 的 Auto Mode（自动模式）存在提示注入攻击风险。攻击者通过构造简单的网站摘要请求，即可劫持自动模式下的编码代理，并在实测中实现代码执行，攻击成功率达到60%至80%。这一...

NVIDIA在Hugging Face平台推出DeepSeek-V4-Pro-0813-NVFP4量化模型，该模型是DeepSeek-V4-Pro-0813的量化版本，采用自回归混合专家（MoE）语言模型架构。通过NVIDIA Model Optimizer量化后，模型在保持高级推理能力...

微软在GitHub开源了AutoSaddler项目。该系统面向AI智能体性能优化，通过分析智能体的实际执行轨迹，自动更新提示词、工具配置和中间件组件，从而提升智能体在复杂任务中的表现。传统智能体高度依赖开发者手工调试提...