CoEvoWhen：面向超长视频时序定位的策略-工具协同演化

研究者提出 CoEvoWhen 策略-工具协同演化框架，从 VLM 的智能体推理轨迹中联合演化高层策略与可执行媒体工具，形成可复用技能且无需更新模型参数。在五个 benchmark 和三个 VLM 上的实验显示，该方法持续提升超长视频时序定位精度，同时降低推理时的视觉 token 开销，演化出的技能在通用长视频 QA 上也取得显著性能提升。

Epoch AI 用《Earthborne Rangers》桌游评测 AI 智能体

Epoch AI 以数字版桌游《Earthborne Rangers》作为 AI 智能体评测基准，每个模型默认跑 10 局、取最后 2 局最高分作为 topline 分数并采样 5 次，人类目前最高分为 21/21。

Cohere Labs 探讨 AI 将如何改变工作方式

Cohere Labs 发布“Future(s) of Work”研究专题，探讨 AI 对工作方式的影响，并指出当前关于未来工作的讨论存在证据不足的问题。该专题推出 Agentic Task Ecosystem（ATE）数据集，基于 7 个目录中的 123,000 个公开 MCP 服务器，分析了 694,000+ 个可执行工具，将 AI 工具映射到真实职业任务。

SAKIKO：工具调用 LLM 内部干预的机制审计框架

研究者提出 SAKIKO 审计框架，用于检验工具调用 LLM 的内部激活干预是否构成真正的"修复"。在 When2Call 和 MetaTool 上对七个 LLM 的测试中，通道键控干预在五个模型上带来方向特定的净增益，但 59 个预算匹配的随机方向无一能匹配校准后的目标增益。

Lookahead-R：基于执行中心规划的预算感知工具检索

Lookahead-R 是一个将工具检索重构为资源受限序列决策问题的规划框架，通过轻量级执行感知代理世界模型联合预测工具执行成功率、延迟成本与语义效用，无需调用真实 API。在 ToolBench 的 I3 划分上，其 NDCG@5 达 91.40%，超过 SOTA 的 ToolGen（90.16%）1.24%。消融实验表明，显式延迟建模是资源约束下识别高质量工具的关键判别信号。

ProvenanceGuard：面向 MCP 智能体的来源感知事实核查

Hugging Face 发布论文 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，专门检测"跨来源混淆"——即事实在证据池中成立、却被归因到错误来源。

DAIR.AI@dair_aiAI 评分4343

Salesforce AI Research 提出 Critical-State RL，用于多轮工具调用的强化学习训练。该方法通过嵌套采样分离当前动作带来的奖励变化与下游噪声，只对改变结果的那一次调用做上下文赌博机更新，而非把奖励摊到整条轨迹。在 BFCL v4 缺失函数任务上，训练被选中的那一轮带来约 14 个百分点的提升，训练其他候选轮则准确率持平或下降。

Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集

Google Research 提出 ToolGrad，一种“先答案后问题”的工具调用数据生成范式：先迭代构建可验证的 API 调用链，再反推用户提示词，替代 ToolBench、ToolACE 等基于 DFS 试错的低效方案。