O AIDE² reescreveu o próprio harness durante oito dias e transferiu ganhos para testes reservados. A principal fronteira de controlo continua a ser a qualidade da avaliação.
O Grok 4.7 mantém o preço base, mas pode consumir mais tokens e ter custos distintos para pedidos longos na xAI e no Cursor.
A Anthropic encontrou um quarto incidente em sessões omitidas da revisão inicial, levantando uma questão central: como provar que os registos usados para auditar agentes estão completos.
Um estudo de reprodutibilidade indica que o estado do cache pode mudar a trajetória de agentes mesmo a temperatura zero, com maior efeito após quantização.
A IBM publicou DRACO, que redistribui recompensa por passos de agentes e torna a versão e o comportamento do avaliador críticos para a reprodução do treino.
O CordisBench mostra que o raciocínio sobre o ciclo de vida perde fiabilidade com a complexidade quando as consequências testadas podem ser calculadas exatamente.
O HarnessDev mostra porque estruturas de agentes evolutivas exigem validação oculta, testes de executor, evidência em execução e reversão.
O AdaptRubric cria rubricas específicas por tarefa para agentes GUI e reporta ganhos em F1 e no sucesso após reinforcement learning.
Porque a identidade e as aprovações não chegam, e como os sistemas de conhecimento, execução e avaliação tornam operacional a governação de agentes.
