本周的主线不是某个模型再次变大，而是 AI 系统开始补齐状态、奖励、检索和验证等工程环节。多模态模型继续统一理解与生成，实时交互向前推进；与此同时，机器流量、代码归属和评测安全正在变成实际部署成本。

长任务智能体开始摆脱“上下文包打天下”

长程智能体的瓶颈正从单次推理能力转向运行时管理。长任务智能体的关键不只在模型：把任务状态移出上下文单独管理将任务状态外置并独立验证，避免上下文同时承担记忆、计划和执行记录；长任务智能体不只靠更强模型：OneDayAgent统一管理执行链路则把开放式请求整理为可管理的执行流程，并强调跨模型后端复用。两项工作共同指向一个朴素结论：长任务能力越来越像系统属性，而不是模型属性。

训练侧也在补足过程信用。不再给整条搜索轨迹平均记功：ABSeeker细化每一步训练从答案反推步骤级奖励，无需额外评论器也能细分功劳：AgentOPSD 递归定位智能体关键回合递归定位关键回合，教师信号不必逐词全信：PCSD 用持续一致性改进智能体强化学习则根据教师偏好的持续程度动态加权。它们都在修正同一问题：只有最终成败的奖励，很难告诉智能体具体哪一步值得保留。

进一步看，不接外部环境也能训练智能体：EnvACE用世界排演内化环境动态尝试让模型同时扮演智能体与环境，以内部排演辅助长程决策。这类方法有助于降低环境交互依赖，但其上限仍取决于内部世界能否覆盖真实环境中的异常与反馈。

评测不再只是排行榜，而是系统控制面

企业场景首先要求评测回答“结果能否被使用”。企业文档抽取不能只看准确率：新基准同时衡量完整性、溯源与成本同时考察准确性、记录完整性、来源溯源与实测成本；标注质量重写地雷检测结论：SULAND v2补齐跨域评测则说明，标签错误和类别编号问题足以改写跨域稳健性结论。单一分数无法替代数据质量、证据链和运行成本。

评估也开始直接进入训练循环。多参考图编辑缺的不是模型结构：EVR用评估验证奖励补齐一致性利用多维评估和视觉证据构造细粒度奖励，显示“先把验证器做好”可能比重写模型结构更有效。但验证器本身同样需要被审计：越会自证清白，越可能编造用户画像：12 款模型暴露个性化错觉发现模型自评不能可靠揭示无证据用户画像，VLM 会看局部却记不住全局：GST-Bench 暴露长视频空间推理断层也表明局部识别能力不能自动外推为全局空间理解。

检索系统同样在从命中率转向可解释执行。长文档 RAG 不必迷信 Top-K：可审计操作显著提升财报问答以结构导航和受限区间读取替代单纯向量 Top-K；把 RAG 推理编译成 Prolog：NeSy-RAG 让答案可追溯并主动追问进一步用确定性执行轨迹保留归因，并在事实不足时追问。对开发者而言，可回放的失败往往比不可解释的高分更有价值。

多模态统一从模态拼接走向计算与工具协同

多模态研究正在重新讨论“何时统一、如何分配计算”。多模态预训练应尽早统一：复杂度决定协同，架构影响知识流动强调早期联合训练与共享架构对知识流动的影响；不只堆参数或拉长推理：ParVL并行分配视觉与语言计算则在固定参数预算下调整视觉与语言分支的计算分配。规模仍然重要，但计算放在哪里，正在成为独立设计变量。

统一也从表示层扩展到任务层。统一 3D 多模态开始成形：Buffalo 打通理解、生成与编辑用单一架构覆盖 3D 理解、生成与编辑；图像生成不再只负责画图：ToolArtist 统一协调推理、工具与生成把推理、外部工具调用和原生生成纳入同一策略。生成模型由单点能力变为工作流执行器，是比单纯画质提升更值得关注的变化。

实时性则推动交互架构重写。语音交互不必再等轮次：GPT-Live以连续模型压低响应延迟试图取消明确轮次边界；实时视频编辑逼近每秒30帧：JoyAI用自回归扩散处理开放时长展示了特定硬件条件下的流式视频编辑。这里需要区分研究演示与可部署能力：帧率只是一个指标，成本、稳定性和硬件依赖同样决定实际体验。

AI 部署的外部成本开始由平台和制度承担

本周几起事件共同显示，AI 已不只是网站中的用户，也成为需要单独治理的机器访问者。AI 抓取流量压垮维护边界：Gentoo 关闭 Bugzilla暴露公共项目承接抓取流量的成本；TIME 为 AI 机器人定制含广告页面：内容分发开始按访问者分流则显示内容提供方可能为机器人设计独立分发与商业规则。限流、身份识别、缓存和授权将逐渐成为 AI 接入层的基础设施。

作者身份也需要新的验证机制。Oracle 拒绝 AI 生成代码：OpenJDK 贡献治理引发争议涉及开源贡献对 AI 代码的边界，丹麦用口头答辩应对 AI 作弊：书面成果需要学生当场自证则通过现场答辩验证理解与作者身份。两者没有提供通用答案，却都把治理重点从“是否使用 AI”转向“责任由谁承担、能力如何证明”。

安全评测本身也成为攻击面。第三方网络安全评测出现事件：OpenAI着手加强模型测试防护与OpenAI 披露 Astra 初步网络安全评测：防护与安全控制同步加固均强调加强测试防护，但现有材料缺少具体指标。现阶段更适合确认方向，不宜据此推断防护效果。

值得注意的信号

我的判断

本周最明确的变化，是智能体开发开始回归软件工程常识：状态需要独立管理，执行需要可回放，奖励需要定位到步骤，输出需要证据和成本约束。模型升级仍会带来收益，但没有这些外围机制，长任务中的错误只会被更快地放大。

另一面是证据成熟度并不均衡。有些工作提供了明确基准、规模或执行机制，也有不少事件只有平台声明、标题或社区讨论。面对排行榜第一、实时帧率和安全加固等说法，开发者仍应追问评测范围、硬件条件、复现路径与失败样本。

如果要把本周趋势落实到项目中，优先级不是再增加一个模型调用，而是先补齐外置状态、细粒度日志、可审计检索、分步骤验证，以及面向机器流量和责任归属的接入规则。这些不够显眼，却更接近 AI 系统能否长期运行的分界线。