AIDE² در یک آزمایش هشت‌روزه کد پیرامونی عامل پژوهشی خود را تغییر داد و نسخه‌های بهتر را با ارزیابی‌های پنهان انتخاب کرد؛ محدودیت اصلی همچنان کیفیت همین مرز ارزیابی است.
تعرفه پایه Grok 4.7 ثابت است، اما مصرف بیشتر توکن خروجی و قیمت‌گذاری متفاوت متن‌های طولانی می‌تواند هزینه نهایی کار را تغییر دهد.
Anthropic چهارمین رخداد امنیتی Claude را در نشست‌هایی پیدا کرد که از بازبینی قبلی جا مانده بودند؛ مسئله اکنون کامل بودن خودِ شواهد و گزارش‌های امنیتی است.
پژوهشی تازه نشان می‌دهد وضعیت حافظه نهان می‌تواند حتی با دمای صفر مسیر اجرای عامل را تغییر دهد و کاهش دقت وزن‌ها این اثر را بیشتر کند.
روش DRACO از IBM با معیارهای پویا، سیگنال آموزش را در مسیر عامل پخش می‌کند؛ کد باز است اما اختلاف یک نتیجه بنچمارک همچنان نیازمند توضیح است.
CordisBench نشان می‌دهد با پیچیده‌تر شدن زیرساخت عامل، بعضی پیامدهای چرخه‌عمر بهتر است به‌جای استدلال مدل، پیش از اجرا به‌صورت قطعی محاسبه و بررسی شوند.
هارنس‌دِو نشان می‌دهد چارچوب‌های عاملِ در حال تکامل پیش از ارتقا به اعتبارسنجی پنهان، آزمون اجراکننده، شواهد زمان اجرا و بازگشت نیاز دارند.
AdaptRubric با rubricهای تطبیقی برای GUI agentها، بهبود F1 در reward modeling و افزایش task success در reinforcement learning گزارش کرده است.
چرا هویت و تأیید برای حاکمیت ایجنت کافی نیست و سامانه‌های دانش، اجرا و ارزیابی چگونه حاکمیت واقعی را عملیاتی می‌کنند.
