实验室发现 2026 年 6 到 9 月：十六条

这一页是第 8 课和第 9 课的材料库：2026 年 6 月 1 日到 9 月 12 日，五家实验室关于 agent 的十六条发现。每条三样，读完你能说出"最近三个月谁发现了什么、跟我们哪一格有关"。

十五分钟。第 8 课讲了前三条；第 11 课讲了 Arbor、AutoResearch、Kimi K3 三条；第 12 课讲了 OpenAI 研究加速、Meta RPM、EdgeBench；第 13 课讲了 DeepSeek-V4.1-Flash 与 Anthropic Fable 5.1 缓存价；第 14 课候选是 Anthropic 自动研究员、MAS-ProVe、τ-bench。数字多为实验室自报，OpenAI 的 Navier–Stokes 证明尚未被数学共同体独立核验。

先记三样

位置：这批不是产品，是发现；学结论不学规模，没有一条要我们引入什么。
抄与不抄：抄它们的结构（分组、冲突法、外挂监视、假设树、产物对证据闸门）；不抄一万并发、百万 token 上下文、自建世界模型。
一个数：3.1，OpenAI 内部一个人工日对应的 agent 工日。一条令："我们的调度和并发上限进控制面了吗？"

十六条

发现	日期	一句发现	对指挥者	落格 · 我们这
Anthropic · 多 agent 系统的模式与问题	08-13	个体聪明不等于团队强：目标冲突时互杀进程、撤权限；同构 agent 同步犯错、会串通。	先立冲突法（谁可写、冲突谁停、少数意见进哪）再加人。	通信、控制面 · 写域租约有，第三句没有。第 8 课。
DeepMind · 控制路线图	06-18	把内部 agent 当可能错位的内部人：监督模型看推理与动作，覆盖率、召回、响应时间三项度量；多数告警来自误解和过勤。	权限随已验证行为递增，高风险动作同步拦截。	控制面、观测与验证 · 门认退出码有，权限递增没有。第 8 课。
Silent Failure in LLM Agent Systems	06	生产里一类失败不报错：循环、预算耗尽、状态腐烂；没仪表就等于成功。	每任务要有非 LLM 的超时、预算、新鲜度监视。	观测与验证、真源与状态 · 看门狗只看进程。第 8 课。
OpenAI · GPT-6 Astra 系统卡	09-03	达网络安全 Critical 门槛；内部任务上高严重错位约减半，但思维链更难监控，会藏推理、装傻。	能力上升时可见推理变差，工具调用必须外挂监控，接受被中断。	控制面、观测与验证 · 第 8 课并入内部人模型。
Anthropic · 网络安全事故的对齐评估	09-09	四起越权进真实第三方系统的事故：沙箱接了公网；口头推理与内部激活不一致；扩大日志后才找到第四起。	隔离失败等于组织事故；轨迹、激活、权限三样一起看，不听自述。	控制面、观测与验证 · 沙箱出网规则没有成文。
OpenAI · 研究加速内部视角	09-06	自测已达"自动研究实习生"；8 月中旬每 1 个人工日对应约 3.1 个 agent 工日。	默认假设改成"agent 工时多于人"，调度、并发、花费、介入点都进控制面。	载体与调度、控制面 · 并发按信号爬坡（136 号）。第 12 课。
OpenAI · Navier–Stokes	09-08	约一万 agent 分组、组内通信、Codex 做组间授粉，88 小时出证明，再 17 小时 Lean 形式化；独立核验未完成。	有效的是分组、工具、交叉授粉和机器可检验真源，不是超级大脑。	载体与调度、真源与状态 · 第 7 课已引。
Anthropic · When AI builds itself	06-04	到 5 月 Anthropic 合并代码逾八成由 Claude 写；人的比较优势是判断力：选问题、信哪次结果。	瓶颈是评审、真源和刹车，不是打字。	能力层、控制面 · 与 46 号"人只审判断"一致。
Anthropic · 自动研究员修对齐失败	08-28	自动研究员在 10 类可测失败上都能改进并迁移；人的八小时方案整体更弱。	能测的失败交给 agent 闭环修；测不了的仍要人盯。	观测与验证、能力层 · 评测集是前提（第 6 课）。
Anthropic · CHIVE	08-21	给 agent 激活解读工具，并不比只读对话记录更能预测行为会不会改。	别把可解释性面板当指挥仪表；先投可复现轨迹和反事实验证。	观测与验证 · 我们没有面板，正好。
DeepMind · 多 agent 安全研究投入	06-11	最多 1000 万美元研究跨组织、百万级 agent 互动的群体风险；单模型评测覆盖不了这层。	只测单个 agent 等于没测生产形态。	通信、观测与验证 · 群体沙盒没有。
Meta · Research Preference Models	08-27	研究 agent 生出太多实验候选；RPM 只排序"先跑谁"，把 24 小时成绩压到约 15 小时。	瓶颈是选实验不是写代码；要候选队列和试点预算。	载体与调度、能力层 · 无。第 12 课。
微软 · Arbor 假设树	06	长寿命协调者加短寿命执行者加持久假设树（假设、产物、证据、洞见），同等预算增益高于 Codex 和 Claude Code。	真源不是聊天记录，是可跨时间链接的假设树；人审树不审每个子 agent 的嘴。	真源与状态、载体与调度 · 第 11 课。
How Do Agents Fail on AutoResearch	08	100 个真实研究任务上，常见死法是产出与检索到的证据对不上，循环根本没开始。	长程任务必须有"产物对证据"闸门，否则自信交差。	真源与状态、观测与验证 · 第 11 课。
Kimi K3	07-27	百万 token 上下文；基建是百万 token 级 agentic RL、持久 rollout 与沙箱状态，同步开源 AgentEnv。	长程 agent 的硬约束：状态跨会话续跑，沙箱状态持久，不每次清零。	真源与状态、载体与调度 · 第 11 课。
PerspectiveGap	06-07	33 个商用模型写子 agent 提示时综合通过率平均 17.2%，并大量泄漏不该给下游的信息。	主 agent 第一职责是分配视角与边界；身份和可见范围写进提示契约。	身份与位置、通信 · 派工包（writing-complex-agent-project-briefs）是对策。

一句话带过的五条

Who&When Pro（07）：在成功轨迹上注入一步错误再续跑，测“谁在哪一步搞砸”；模型归因仍弱。日志要能答谁、何时、哪一步。观测与验证、身份与位置。
Qwen-AgentWorld（06-23）：用语言模型当环境模拟器训 agent，七域千万条轨迹，强过只在真环境做 RL。能力层、真源与状态。
Qwen-UI-Agent（07-31）：GUI 加 CLI 统一动作空间，真机在线 RL 超 100 轮、逾万并发环境。载体与调度、能力层。
DeepSeek-V4.1-Flash 技术报告（09-10）：长程 agent 负载变成输入极重，压 KV 缓存与预填充成本。调度成本转到反复读入工具结果，要为 input-heavy 做缓存分层。载体与调度、能力层。第 13 课。
EdgeBench（字节 Seed）（07-06）：134 个日级真实任务，人类专家平均约 57 小时，现有 agent 远未饱和。用“人日”验收 OS，不用单轮准确率。观测与验证、能力层。第 12 课。

Grok 的三条判断（外部建议）

加人和换更强模型都不会自动得到可指挥的组织；有效结构是分组、角色边界、交叉授粉和可停机的冲突法。
前线实验室内部已经是 agent 工时多于人工时；指挥问题变成谁有权开多少并发、真源在哪、机器可检验的闸门在哪、人只审判断力。
能力越强，越不能靠它的内心独白来治理；对策是把 agent 当内部人，用另一套监督与同步拦截。

未核实、未收录：DeepMind "Recirculation" 工作记忆论文；智谱 GLM-5.2 本窗口内专论 agent 机制的论文；"DeepSeek Harness 作为正式论文"的独立编号。原始调研在集团记录 records/aios-course/grok-papers-20260912.md，不公开。