Google让生物实验Agent进入闭环湿实验室
Google Research 10月16日公开一套由科学家定向、Agent规划、机器人执行的湿实验室工作流。核心设施VERID是一座语义数字孪生：它跟踪机械臂几何、孔板液量、试剂和吸头，先做虚拟演练与安全检查，再把视频同每步动作对齐。案例中，系统发现染料分层、从读板机中断中恢复，并拒绝物理上不可执行的八通道吸液方案；闭环自我训练把盲测染料配比准确率提高五倍以上。
关键在于实验反馈改变下一轮设计。适配体筛选第三轮纠正了G-四链体偏置，使肌红蛋白特异性回升至72.4%、校正命中率升至33.5%；蛋白结合物流程找到个位数纳摩尔候选，并把结构预测加速8.6倍。边界也很明确：实验使用非感染性系统，序列需经安全筛查，执行前必须仿真，关键动作仍由人批准。这不是成熟的“无人实验室”，而是Agent开始在可追溯、可中止的闭环里规划和纠错。
Beam开放501B长上下文稀疏模型
Reflection AI开放Beam：501B总参数、每Token激活23B的稀疏MoE，支持100万Token上下文和跨轮思考状态，提供BF16、FP8、NVFP4权重，采用Apache 2.0。52层中43层用512 Token滑动窗口；官方测得100万上下文KV Cache约36.08 GiB，全局注意力则约208 GiB。NVFP4权重约280 GB，推荐部署仍需4张B200或2张B300；开放不等于低门槛，官方性能也待独立复测。
Nemotron 3.5覆盖服务器与端侧Agent
10月15日，NVIDIA发布Nemotron 3.5 Super VL 120B与Bolt 74B-A9B，后者提供24 GB原生2-bit量化；4 GB级Bolt E4B计划10月23日推出，面向物理和对话Agent。前两款已经可用。Super VL的速度优势来自厂商引用的发布评测，公告也未给出判断商用边界所需的许可证细节。
Anthropic让外部评估者获得近员工级访问
10月15日，Anthropic称将给予METR“类似员工”的访问，包括最新模型、训练过程和防护信息，METR会独立发布风险评估；公司还与SecureBio、Accenture合作。Anthropic把独立性定义为评估者不持股，也不在财务或运营上依赖公司。更深访问能避免只测公开模型，但合同范围、可披露内容和首批结果仍待评估者报告验证。
GitHub把AI漏洞扫描与自动修复推向GA
10月15日，GitHub的AI Scan可在PR中补充CodeQL覆盖不到的PHP、Shell、Terraform HCL、Dockerfile等变更；发现仅作提示，不能阻止合并，也不支持Fork或Dependabot PR。Agentic Autofix则可浏览文件、提出修复、重跑CodeQL并创建草稿PR。后者面向启用GitHub Code Security或Advanced Security的Enterprise Cloud组织，并消耗AI Credits与Actions分钟。
OpenAI向美国高校实验室免费开放Rosalind
10月15日，OpenAI推出Rosalind Academic Plan，合格的美国高校实验室最多可获30个免费Business Standard席位，最长12个月，并使用GPT-Rosalind与配套工作台。申请需负责人、安全联系人和可信访问审核；研究数据默认不用于训练。计划仅限美国大学且不含API，是分发项目而非新模型能力证明。
Cloudflare用网络信号帮助OpenAI发现新页面
10月15日，Cloudflare披露与OpenAI自7月开展的试点，用网络元数据过滤不存在、重定向、重复或可能有害的页面，并提供内容变化信号。早期已有未知页面进入OpenAI搜索索引。信号只用于搜索发现，不共享正文训练模型，也不构成抓取许可；下一阶段才衡量流量和商业效果。
Hugging Face把BERT分词再加速约50倍
10月15日，Hugging Face发现BERT热启动编码时间约88%耗在文本规范化，WordPiece只占8%；重写后，在此前8.6倍基础上又提速最高5.7倍，相对tokenizers 0.23累计约50倍，经典BPE最高约30倍。但改动发布时仍在拉取请求阶段，只能视作工程预告。
FDE-Gym检验Agent能否交付业务结果
FDE-Gym从20个客户场景、18个行业整理95项交付任务，让Agent同模拟客户沟通并操作近真实系统。13种配置中，最佳现实设置均分0.56，只有14项达到“至少0.8且无事故”；即使23项任务获得全部关键信息，也只有10项实现高业务提升。答对需求不等于完成交付，但客户模拟和计分仍由作者设计。
四个Gemini Agent用27小时通关Minecraft
研究者把四个Gemini 4 Argon Agent放入沙盒Minecraft生存世界，只提供共享聊天、记忆与Mineflayer接口。它们编写2783段程序、死亡605次，在27小时14分钟后击败末影龙。作者称这是同类条件下首次端到端自主完成；但实验为简单难度且只有一次运行，不能证明稳定通用能力。
LEASH按不确定性把难题升级给强模型
LEASH用弱模型隐藏状态估计不确定性，在任务开始、执行步骤和移交后决定是否升级给强模型，不训练新路由器。OSWorld上，相同升级率比随机路由高6.55至11.94个百分点；Qwen3.5-35B-A3B组合达到73.66%成功率、每题0.4117美元，略高于始终使用Claude Opus 5的72.90%，成本低19.2%。结论依赖作者组合与当时定价。
Agent安全评测会被表面线索误导
一项对LinuxArena和TS-Bench衍生数据的审计发现，安全分类器可能记住表面线索：AgentDojo精确工具查找F1从混合域0.901降至域外0.495；样本按交互等权后，TS-Guard F1从0.902降至0.719。改写信息标签使Haiku拦截率下降8.33个百分点，换成不透明工具名则上升11.46个百分点；效应未在Luna或Q8版本复现。
PROBE训练审计Agent主动诱发策略违规
PROBE把安全审计建模为双人序贯博弈：审计Agent扮演用户，经多轮对话和工具调用探测定价、隐私、确认和安全违规，再按覆盖范围、违规收益和真实性奖励。作者称GRPO、DPO与GFlowNet训练后的审计者均优于同架构零样本方法，即使模型更小也成立；摘要未给出精确幅度和误报率。
Anthropic把Claude Code插件目录独立开源
anthropics/claude-plugins-official集中维护Claude Code插件清单，既含Anthropic内部插件，也收录合作方与社区插件；插件可组合.mcp.json、命令、Agent和Skill。仓库采用Apache 2.0，但链接插件可有各自许可证，Anthropic也明确不控制或完全验证外部MCP服务器与软件，安装前仍需逐项审查信任边界。
CLI-Anything用命令行给桌面软件加Agent接口
HKUDS/CLI-Anything为Blender、GIMP、LibreOffice、QGIS、OBS等软件维护Agent Harness，用结构化命令和JSON输出替代脆弱的界面点击，并通过CLI-Hub统一发现、安装与更新。项目采用Apache 2.0，覆盖面很广，但不同软件仍依赖各自运行环境与权限；把操作转成CLI提高可组合性，不自动保证第三方文件、脚本或高权限动作安全。