智能体资讯
追踪 AI Agent 与编程智能体的前沿进展、技术拆解、选型指南与商业动向
换了一套更难的考卷,翻倍速度没变:27 小时之后是判断力
METR 11 月 20 日发布第四季度能力更新,换上更难的 TH2 套件。合并口径下时间跨度仍约每 3.61 个月翻一番,可验证子集最长约 27 小时;判断力类任务上,模型仍未达到人类参照,模型互评还会系统性偏高分。
屏幕交给 Claude,但 Anthropic 自己写明没有沙箱
Anthropic 11 月 20 日的发布说明把 computer use 以 beta 形式放进 Team 与 Enterprise 套餐,默认关闭、由所有者开启。设置文档同时写明:Claude 与用户应用之间没有沙箱,只读设置与文件夹范围限制都不生效。
用一段话把一个人的做法变成全队能跑的流程,AWS Quick 换了做法
AWS 11 月 20 日更新办公智能体工作台 Quick:在对话里描述流程就地生成 flow,加确定性步骤负责计算与校验,一个请求可并行叫来多个专职 Agent,关掉标签页任务继续跑。客户 Pomelo 称单个用例每月省 80 小时。
220 多个 Skill 按岗位发下去,国泰海通已经跑了 1300 多个 Agent
11 月 20 日,财跃星辰在长沙发布金融办公智能体 FinWork V1.0,从按场景交付改成按岗位交付:个人、部门、组织三层使用,API、SDK、配置化三层接入。国泰海通已上线 1300 多个 Agent、覆盖 260 多个场景。
哪一条记忆把它带偏了:把记忆投毒的因果检验压到 1.52 秒
arXiv 11 月 19 日的 DriftGuard 把记忆安全换了个问法:不问内容可不可疑,而问抽掉这条记忆后智能体的行动会不会变。离线成对回放造标签,在线只跑一个风险模型,单任务 1.52 秒、986 个 token。
话说完了活没派出去:语音智能体卡在请求没写全
arXiv 11 月 19 日的一篇论文指出,全双工语音模型的失败多数发生在工具被执行之前:请求没发出去,或发得不完整。Duopra 把后端当成工具,要求请求写成自包含的自然语言,同一后端下 Pass@1 从 4.7% 升到 44.7%。
同一天两份成绩单:WorkBuddy 日活千万,豆包工作三个月做出 20 亿元 ARR
11 月 18 日腾讯与字节同日披露办公智能体数据:WorkBuddy 日活超 1000 万、近七天收入年化超 5 亿美元、百强企业 60% 成为客户;豆包工作日活 800 万、企业 ARR 破 20 亿元。两套口径不同,不能横向比较。
许可审批交给智能体,75 名持证专家签字,Pulley 融了 6400 万美元
Pulley 11 月 18 日宣布 6400 万美元融资,做的是商业建筑规划许可:智能体负责辖区研究与图纸审查,75 名以上持证专家签字,在 2000 多个城市和县取得私人图审资质。公司称 ARR 同比增长 5 倍。
三个多月 1700 次性能调查,OpenAI 让 Codex 查自家线上变慢
OpenAI 11 月 19 日公开内部的 Performance Factory:性能告警自动开单,Codex 智能体调查并提修复方案,工程师审查合并,部署后由另一个智能体回读基线。三个多月 1700 多次调查,600 多起找到根因。
125B 模型塞进 12GB 显卡,前 DeepSeek-VL 负责人开源了个人 Agent
前 DeepSeek-VL 负责人张博 11 月 19 日开源个人 Agent 项目 Linger,配套的 PolyStrata 引擎按专家分层调度,把 125B 的 Qwen3.8-Flash-Next 跑在 12GB 显存上。写操作弹确认卡、明确不做沙箱隔离,是这套设计里最该盯的一处。
把 108 起智能体事故搬回实验室重跑,62 起根本没有攻击者
arXiv 11 月 19 日的一篇论文提出 ROGUE-AI:把媒体报道过的智能体事故离线重建,再配一个只去掉被指责原因的对照组。108 次复现里 89% 复现出伤害,而 72 起真实损害事故中有 62 起根本没有攻击者。
天工把编排层搬上台面,32.7 万家企业的设备接进 Agent OS
11 月 18 日至 20 日武汉的 5G+工业互联网大会上,中国移动焕新发布天工平台,以 Agent 智能编排为核心,面向九大行业推出八大智能体。平台已服务 32.7 万家企业,连接设备超 2000 万台。
一轮对话从 3 秒压到 0.4 秒,Vercel 的 eve 把开销挪出了模型
Vercel 11 月 17 日发布 eve 1.0,开源智能体框架正式可用。一轮对话的中位耗时从 3.036 秒降到 414 毫秒,50 轮会话的工作流费用从 5.4 美分降到 1.3 美分,追踪换成 OpenTelemetry。
团队默认插件成了正式功能,GitHub 把 Copilot 配置拆成三层
GitHub 11 月 18 日把 Copilot 团队定制做成正式功能,团队维护者可把已批准的 Agent Plugins 设为团队默认,直属成员在 VS Code 与 CLI 默认开启,子团队不继承,组织策略优先。
失败一次就记一条规则,企业智能体在留出集上多拿 10.9 个百分点
11 月 17 日上传的论文提出 ARISE,让企业智能体把每次失败归因后存成微记忆,再汇总成带条件的宏规则,留出集涨了才收。SOP-Bench 提升 10.9 个百分点,模型调用反而少 4.0%。
Eclipse 把编码智能体的沙箱单独开源了,默认后端还是 Docker
Eclipse 基金会 11 月 19 日发布 Eclipse Enclave 1.0,一个开源、厂商中立的沙箱运行时,支持 Claude Code、Codex、OpenCode 等命令行智能体,每个会话跑在独立容器里。隔离不等于防注入,默认后端仍是 Docker。
Devin 不再等派活:Cognition 让一个智能体管一群智能体
Cognition 11 月 17 日发布 Devin Bots,把编码智能体从接任务推到接目标。一个 Bot 自带记忆与工具,拆工单、开并行会话、评估结果,只把需要人判断的事推到 Needs You 收件箱。
微软拉 40 多家机构定规矩,智能体不能自己证明自己
微软 11 月 17 日在 Ignite 上发起 AI 透明度倡议,与埃森哲、Adobe、毕马威、万事达卡、沃尔沃等 40 多家机构共建跨厂商标准,并把可观察、可验证、可控落到 Microsoft AI、Foundry 与 Copilot。
把偏见注进一个节点,链式智能体网络比网状歪得更厉害
一篇 11 月 16 日提交的论文用五种拓扑、五个模型和三个敏感数据集做偏见注入实验,链式网络的公平性指标变化达 0.70,网状只有 0.10 左右;多数投票还会把个体决策的翻转藏起来。
智能体拿到自己的支付标记,连连和 Visa 跑通一笔真实采购
11 月 18 日新加坡金融科技节,连连数字与 Visa 用 Visa Intelligent Commerce Connect 为智能体签发专属支付标记,完成一笔真实的办公用品采购,并同步推出 LianLian XCard。
把智能体塞进银行核心系统,Stitch 让每个动作都等一个人复核
Stitch 11 月 18 日在迪拜与利雅得发布 Stitch AI,把 Copilot、预置智能体与自建智能体的 Harness 直接做进银行操作系统。数据不出系统、敏感字段先脱敏,每笔动作都要 maker-checker 复核并留痕。
委派给更多智能体,反而更不容易发现文档里的矛盾
一篇 11 月 17 日上传的论文在 Harvey LAB 的 11 个尽调任务里注入 73 处数值冲突,强制委派让矛盾证据的检索率从 50.2% 升到 68.7%,判定率却从 16.2% 降到 13.2%,损失主要发生在 Worker 向 Lead 汇报的环节。
智能体的改进开始走流水线,微软把 trace、评测与修复接成一个闭环
微软在 Ignite 上给 Microsoft Foundry 加入持续改进闭环,把运行轨迹、专家标注、评测集与候选改动串成四步。阿拉斯加航空的维修报告分类从 81.2% 调到 91.1%,NTT DATA 准备铺到 1000 个以上项目。
OpenAI 把 computer-use 放进病历与保险门户,四家机构已在生产环境跑
OpenAI 面向医疗团队开放 computer-use 智能体,靠读屏点击输入完成授权申请、转诊与出院规划。CVS Health 用它清掉积压数月的文件发送,Cigna 把跨 10 个以上系统的信息汇总压到几秒。