一篇 Microsoft 论文跨 9 个模型测了 LLM Agent 的长程衰减：在 ToolQA 上短程近乎满分的模型，任务拉到 16 步后成功率只剩 0-33%。依赖步骤越多，摔得越狠。

反直觉的发现是，缩短上下文并没有救回成绩，衰减反而更严重——问题主要由步数而非上下文长度驱动。作者给出的三条建议：按真实工作流长度设计测试、度量每步可靠性、在错误扩散前加检查点。

Sierra 与普林斯顿把"构建 agent"本身设成了基准任务。开发者 agent 拿到的开局和真实项目一样：真实业务记录、掌握需求的模拟客户、生产 API、一份待继承的代码库，外加服务成本与模型限制，最后要交付一个可用的客服智能体，用保留的模拟用户部署评分。4 个领域、53 个任务。

结果很难看：Claude Opus 5 在 Claude Code 下通过 23.9%，GPT-5.6-sol 在 Codex 下 22.0%，而人类专家撰写的参考实现得 82.2%。失败模式和人类开发者踩的坑一致——对业务记录只做浅查询、几乎不向客户追问需求、很少实验 agent 架构和服务配置，跑通第一个设计就直接交付。

论文给 agent 编码仓库的老毛病起了名字：追加一条指令成本 O(1)，但一旦当初的理由丢失，安全删除的成本是 O(2^|D|)——于是只增不减，作者称之为"灾难性记忆"，正好是"灾难性遗忘"的镜像。

实测数据：1,867 个仓库、247,694 条指令生命周期，CLAUDE.md 类文件生命周期内平均增长 226%，每次提交净增 4.9 条；指令越老越难删，对数删除风险以 -0.032/次提交的速度下降。修复方案朴素得惊人——给每条指令附注释，记录失败、假设与结果，且对执行模型隐藏。IFEval 逆转实验里，冗余指令从 +211.3% 收缩到 +1.4%；WildIFEval 上指令遵循能力最高提升 23.1 个百分点。

前 Cursor 核心工程师、现 SpaceXAI 的 Lauren Tan 在一期工程工作坊里给出自己的账本：单月合入 1000 个 PR，某天早上一觉醒来已有 20 个 PR 自动合入 main。她的核心判断是，AI 写代码已经不值钱，验证才是瓶颈——把精力全押在生成侧的团队，堵点只会往后挪。

Anthropic 黑客马拉松获胜团队把参赛用的整套 Claude Code 设置以 MIT 许可开源，命名为 ECC，包含 68 个子代理、286 项技能、94 个命令，可直接抄进自己的工作流改造。

腾讯开源了内部用了半年的做法：团队级 Agent 的规则、Skill 和文档全部放进一个 Git 仓库，自今年 3 月起内部使用。变更走 merge request 评审，合并后通过 hook 在每个人的下一次会话自动生效；每条经验按实际使用情况积累置信度，强的排前面，弱的下沉。

Google DeepMind、MIT、Stanford 等机构提出 SMART，一个 ML 性能建模库。它的 main 分支几乎看不到代码：仓库本体是自然语言设计文档组成的有向图，编码子智能体在版本更新时从文档重新生成全部实现。文档是源头，代码是衍生物。

据彭博社报道，字节跳动正开发实时空间视频生成 AI 模型，张一鸣亲自督导，计划最早下月发布（时间未最终确定，需核查）。模型基于电影级视频生成模型 Seedance 构建，面向直播、短剧和游戏生成交互式虚拟世界，指标是每秒 20 帧、约 50 毫秒延迟按需生成视频流，响应 Pico 头显用户的语音或动作。

面壁智能（OpenBMB）开源 MiniCPM5-2B：2.52B 稠密架构（官方称 2.6B Dense），原生 131,072 token 上下文，Apache 2.0 权重，标准 LlamaForCausalLM 结构，vLLM、SGLang、llama.cpp、Ollama 首日可用；同一 checkpoint 支持 Think/No-Think 两种模式，vLLM 侧通过 minicpm5 parser 支持工具调用。

Artificial Analysis 给出的 Intelligence Index v4.2 得分为 15，是 4B 总参数以下开源权重模型最高，领先 Granite 4.2 3B（11 分）4 分；MarkTechPost 口径为 34 项基准平均 53.9。注意：OpenBMB 官方帖一处称"23 分登顶"，与 AA 官方 15 分不一致，以 AA 榜单为准，厂商口径差异需核查。

开发者 cozyblaze 让 GPT-6 Astra 自主通关了 Valve 的 3D 解谜游戏《传送门》：设定初始目标后无任何人工帮助，全程约 23 小时 43 分钟，共 3336 次工具调用。按 Astra 牌价计算约 571.18 美元，实际成本由他每月 200 美元的 Codex 订阅覆盖。