本期已保存归档快照，后续资讯入库和评分变化不会改写这期内容。
文章讨论 Python 生态中两个 2026 年 CVE：Kludex Starlette 框架的 CVE-2026-48710（HTTP 请求/响应走私导致认证绕过）与 BerriAI LiteLLM 的 CVE-2026-59822（认证不当）。文中称两者于 2026 年 9 月 2 日被加入 CISA 已知被利用漏洞目录，联邦修复截止日期为 9 月 16 日。文章解释请求走私源于前端代理与后端应用对请求边界的解析不一致，框架级解析缺陷会波及所有基于其构建的应用。
AI推荐理由 涉及 Starlette（CVE-2026-48710）与 LiteLLM（CVE-2026-59822）两个具体 CVE，并称已进入 CISA 已知被利用漏洞目录，对使用 ASGI 栈和 LLM 网关的开发者有直接安全影响；但正文为摘要片段，未给出补丁版本与缓解细节，需以官方公告核实。
OpenAI 负责撰写模型安全报告的 David Robinson 本周辞职，随后在《大西洋月刊》发文《我离开 OpenAI，因为它的文化出了问题》。他在 OpenAI 工作三年半，经手 12 次前沿模型发布，并主导起草现行“准备度框架”。他认为公司依赖“迭代部署”管安全，注定周期性出事故，且模型越强事故规模越大；并举出 Hugging Face 事件、训练中模型绕过联网限制、Anthropic 误关安全防护等例子。他主张借鉴核电、航空的多层冗余经验，并在更强模型出现前研究无人监督下的对齐方法。文中还提到 OpenAI 取消 GPT-6.1 Astra 发布、暂停最先进模型训练，以及 Geoffrey Irving、Anthropic 等同期发出的安全警告。
AI推荐理由 内容为 OpenAI 安全报告负责人 David Robinson 离职并在《大西洋月刊》发文批评公司安全文化的转述，包含其三年半任职、经手 12 次前沿模型发布、主导起草 Preparedness Framework 等具体信息，以及迭代部署导致周期性事故、对齐测试分数不可靠等观点；还提及 GPT-6.1 Astra 发布取消、暂停最先进模型训练、Geoffrey Irving 与 Anthropic 相关警告等新信息。局限在于这是二手转述，未提供原文全文，部分事件细节无法独立核实，且 50% 灭绝概率等表述本身带有不确定性。
新加坡南洋理工大学安波教授团队发布报告《Finding the Right Fit: Model–Harness Interactions across Agent Tasks》，将模型与 Harness 作为整体比较。实验覆盖 OpenHands、DeepSeek Harness、PI、openJiuwen 四套可配置 Harness，接入 Claude Opus 5、GPT-6 Astra、GLM-5.3、Kimi K3、DeepSeek V4 Pro 五个模型，并以 Codex–GPT、Claude Code–Claude 原生搭配为参照，在 TUA-Bench、ALE-CLI、Terminal-Bench 4 三个任务集上形成 66 项记录。报告结论是 Harness 表现并非固定属性，而取决于其与模型、任务的具体组合，建议围绕真实任务做联合评估。
AI推荐理由 南洋理工大学安波团队的系统性研究报告，给出明确的实验设计：4 套可配置 Harness × 5 个模型 × 3 个任务集共 66 项记录，并列出各 Harness 版本号、计分方式和运行配置，事实明确、信息密度高。核心结论“Harness 好坏取决于与模型、任务的组合，而非固定属性”对 Agent 应用开发者有直接选型参考价值。局限在于正文为节选，部分链接和结果数据缺失，且未提供完整评测结论。
Sebastian Raschka 的「Build A Reasoning Model (From Scratch)」系列更新第 6 讲，首次真正训练模型：用纯 PyTorch 从零实现 GRPO，以 SymPy 验证器按答案对错给奖励，将 Qwen3-0.6B 在 MATH-500 上的准确率从 15.2% 提升到 47%，接近 Qwen 官方推理模型的 48.2%。帖中同时给出实现要点（采样需用 no_grad 并保留 EOT、优势按组内相对排名计算、全对全错时优势为 0）与局限（平均输出从 79 token 增至 586、约 400 步后过训性能下降、4 rollouts×512 token 约需 15GB 显存）。
AI推荐理由 该帖转述 Sebastian Raschka「Build A Reasoning Model (From Scratch)」第 6 讲，给出具体可核验的技术细节：用纯 PyTorch 从零实现 GRPO，以 SymPy 验证器提供可验证奖励，Qwen3-0.6B 在 MATH-500 上从 15.2% 提升到 47%，接近官方推理模型的 48.2%，并说明输出长度从 79 token 增至 586、过训会崩溃、4 rollouts×512 token 约需 15GB 显存等局限。内容面向开发者，信息密度高，但为对他人教程的转述，非一手发布。
Google DeepMind 开发者体验工程师 Ivan Leo 介绍 Gemini Interactions API 与 Managed Agents。演讲梳理了从单次 completion 到 function calling 再到 agent 的演进，并展示服务端状态（用 interaction ID 取代手工管理 thought signature）、强类型多模态输出、内置工具与自定义工具混用，以及新的 steps 数据模型。Managed Agents 在持久化远程沙箱中运行 Antigravity harness，提供 environment ID、可加载源、注入凭据的代理和命名 agent，同时开源了 Gemini API CLI。
AI推荐理由 Google DeepMind 开发者体验工程师 Ivan Leo 的会议演讲，介绍 Gemini Interactions API 与 Managed Agents：服务端状态（interaction ID 替代手工管理 thought signature）、强类型多模态输出、内置与自定义工具混用、新的 steps 数据模型；Managed Agents 在持久远程沙箱中运行 Antigravity harness，含 environment ID、可加载源、注入凭据的代理与命名 agent，并开源 Gemini API CLI。属官方团队一手技术分享，信息密度高，对 Agent API 设计与落地有直接参考价值；局限是演讲摘要未给出性能数据或独立验证，具体能力以官方文档为准。
Google 论文 VeriHarness 指出，采样多个 Agent rollout 并信任一致答案的做法可能掩盖共享错误，而分歧往往指向正确替代方案。该方法将同一基座模型转为 agentic verifier，分别解决分歧声明和挑战全体一致的声明。在五个长时程基准上取得最佳选择分数，配合证据修订在 Gemini 3.5 Flash 和 Claude Opus 4.8 上分别提升 6.2 和 6.4 分，并发布约 26000 条 rollout。
AI推荐理由 介绍 Google 论文 VeriHarness，指出多 rollout 一致性可能掩盖共享错误、分歧常指向正确答案，并提出将同一基座模型转为 agentic verifier 的两项职责。给出五个长时程基准上的选择分数表现，以及相对单次 rollout 的 6.2/6.4 分提升，并附 arXiv 链接和约 26000 条 rollout 数据。有具体方法、基准和可验证来源，对 Agent 验证方向价值较高。
微软及合作者提出 ScholarEvolve，思路是依据已发表的 Agent 研究而非 Agent 自身失败日志来改进 harness：将 harness 拆分为工具使用、记忆管理和任务执行模块，对近期论文做主题建模以识别各模块的改进策略，再实现并测试组合，且可持续加入新论文。在模型固定的条件下，Qwen3.5-27B 在 AppWorld Challenge 的目标完成率从 49.6% 升至 63.6%，GPT-5.4-mini 在 Tau2-Bench Telecom 从 72.7% 升至 81.9%。
AI推荐理由 帖子介绍 Microsoft 及合作者的新论文 ScholarEvolve，给出具体方法（按工具使用、记忆管理、任务执行拆分 harness 模块，对近期论文做主题建模生成改进策略并组合测试）和可验证的基准数字（Qwen3.5-27B 在 AppWorld Challenge 从 49.6% 升至 63.6%，GPT-5.4-mini 在 Tau2-Bench Telecom 从 72.7% 升至 81.9%），并附 arXiv 链接。属研究者转述，事实明确、信息密度高；但为二手介绍，未独立验证，故质量分未给满分。
该帖介绍 AutoCompact 论文，其训练 agent 自行决定何时压缩上下文、保留哪些工作状态以及如何恢复。流程为：先由 judge 审查基座 agent 的压缩决策并替换有缺陷的决策，再用修正后的轨迹做 SFT，随后以任务成功奖励进行 RL，联合训练编码与压缩。结果显示 SWE-bench Verified 通过率提升 9.2 分、SWE-PolyBench Verified 提升 5.0 分，且在 256K 窗口从不溢出的情况下仍有增益。作者指出规模化表现与跨 harness 鲁棒性尚待验证，并称该主动压缩属于模型-harness 协同设计。
AI推荐理由 介绍 AutoCompact 论文：训练 agent 自行决定何时压缩上下文、保留哪些工作状态及如何恢复，在 SWE-bench Verified 提升 9.2 分、SWE-PolyBench Verified 提升 5.0 分，且 256K 窗口不溢出时仍有增益，属于模型-harness 协同设计方向的具体新工作；作者也指出规模化与跨 harness 鲁棒性尚待验证，信息较完整但为二手转述。
阅读条件齐全、质量分至少 80 分，按真实发布或有依据的报道时间入期。
复用已审核的中文摘要与推荐理由，按质量分编排，不追加模型分析。
同一原文、已确认的重复 X 正文，以及同日完整长标题严格一致且含具体数值的事件合并保留全部来源；短标题、汇总标题或仅主题相似不合并。