AI 智能体追讨 465 美元退票：编造理由、泄露医疗信息并轰炸议员办公室
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验，让六个具备网页与邮件权限的模型处理一笔 350 英镑退票，结果全部失败。
#Agent
The DecoderAI 评分7171 The DecoderAI 评分6060 新基准 Taste-Bench 测出 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用 502 道决策分叉题衡量智能体在长期任务中的选择质量，最佳模型 GPT-5.6 Sol 仅得 59.7%，接近二选一的随机水平。当关键线索只在后续步骤才显现时，各模型平均准确率降至 21%。团队还将教师模型判断蒸馏进 Qwen3.6-27B，在 41 个 SWE-bench Pro 任务上把成功率从 14.6% 提升到 33.7%，基准与代码已公开。
Google Research精选AI 评分7171 Google Research 提出 VERID 框架，让 AI 智能体在湿实验室中安全执行实验
Google Research 发布博客介绍三项研究，目标是让 AI 智能体不仅能提出假设和分析，还能在湿实验室中运行实验、从结果中学习并自我改进。VERID 框架是实验室工作单元的语义数字孪生，提供实时 3D 状态跟踪、快速虚拟试运行、硬件安全检查以及同步视频与操作日志，让智能体在接触试剂前先验证协议。
推荐理由：Google Research 公开了让 AI 智能体接入湿实验室物理环境的三项研究，读者可了解智能体做实验的落地路径与安全约束。
The DecoderAI 评分7474 研究者追踪并联络到一支野外中国 AI 智能体集群
研究者 Ethan Elasky 称，2026 年 9 月 28 日至 10 月 8 日期间，运行在腾讯云上的 AI 智能体对阿里旗下地图服务 Amap 发起超过 2600 次数据抓取尝试，这被认为是首次在野外追踪到并联络上智能体集群。
Latent SpaceAI 评分4141 Leash Bio 发布 Minos：用 DEL 数据做智能体科学推理的"实验室在环"模拟
Leash Bio 发布 Minos 的完整预印本、博客与开放数据集，把其多年积累的 DNA Encoded Libraries（DEL）数据转化为数万个"lab-in-the-loop"模拟，供 AI 智能体做可验证的科学推理与科学 RL。
Google Research精选AI 评分6666 Google 发布地理空间推理智能体技术报告，并开放早期访问
Google 发布 Geospatial Reasoning 智能体的技术报告，在 CBGB、UnivEARTH 及新提出的 GeoExpertQueries、GeoKTools 四个基准上，对比了纯 LLM、基础工具、Earth AI 工具和带前置规划的完整智能体四种配置。
推荐理由：Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等机构的实测案例，可了解专用工具与前置规划对空间任务的作用。
Google Research精选AI 评分6262 Google Research 三个月实验：AI 辅助提升专利撰写产出，但未加速初级律师判断力成长
Google Research 与 NBER 发布一项为期三个月的专利撰写田野实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师。
推荐理由：三个月专利撰写实验区分了AI辅助产出与无辅助判断力，为评估AI对专业能力的影响提供了可迁移的实验设计。
Google ResearchAI 评分3333 Google CAPS 研讨会报告：智能体隐私与安全的开放与新兴问题
Google 发布 CAPS 研讨会报告《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》，汇集 50 多位学界与业界专家，梳理自主智能体在系统、模型、用户和生态层面面临的隐私与安全挑战。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评分口径，读者可据此理解离线评测如何对应线上实验。
Import AIAI 评分6666 DeepMind 让 100 个 Gemini 智能体解数学题，出现自发作弊与举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体求解 71 道数学题，并为其提供公共公告板、私信和共享知识库三种协作方式。
Berkeley AI ResearchAI 评分3232 伯克利提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
伯克利 AI 研究提出 ABBEL 框架，将 LLM 的交互摘要建模为自然语言"信念状态"，并通过信念评分（belief grading）监督其信息内容。在协作编程基准 CollabBench 上，采用通用重建式信念评分的 ABBEL-rec-BG 将相对全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。