19 条新闻 — 🔴 4 重要 , 🟡 14 值得关注 , 🟢 1 有趣
Terminus-4B是专为智能体系统中的终端执行任务设计的Qwen3微调模型（40亿参数）——在SWE-Bench Pro基准测试上与Claude Sonnet/Opus和GPT-5.3-Codex基线持平甚至超越，同时通过将冗长的构建/测试日志隔离在子智能体上下文中，将主智能体的Token消耗降低约30%。
Gosset是一款配备精选制药数据的专业AI平台，在与四个前沿系统的对比测试中，每次查询返回的已验证药物数量是最佳前沿系统的3.2倍，在十个小众肿瘤学和免疫学靶点上实现了100%精确率和完整召回率。
Google将Gemini文件搜索扩展至多模态图像检索，使用gemini-embedding-2模型，并在基础元数据中加入media_id以支持视觉引用。同时宣布Interactions API重大变更：outputs字段将改为steps，新默认值自2026年5月20日起生效，旧版方案将于2026年6月6日完全移除。
Google DeepMind团队发表论文，介绍AI Co-Mathematician——一个供AI智能体与数学家协作研究开放问题的交互式工作台。该系统在FrontierMath Tier 4基准测试中获得48%的成绩，创下所有AI系统的新纪录。
Claude Managed Agents是Anthropic的托管自主智能体平台，2026年5月6日在公开测试版中新增四项功能：多智能体会话、用于定义目标的Outcomes机制、会话与Vault生命周期事件的Webhooks，以及mcp_oauth凭证的后台刷新。此外还新增了按状态过滤会话、按类型和创建时间过滤事件的筛选器。
GitHub发布了一套针对非确定性AI智能体的验证框架，借鉴了编译器理论中的支配节点分析——通过2至10次成功执行的Copilot Coding Agent，系统学习哪些步骤是必要的、哪些是可选的，在区分智能体缺陷与真实产品回归方面达到100%准确率。
GitHub Copilot for Visual Studio Code在四月更新周期（版本1.116至1.119）中新增了全代码库语义搜索、智能体对已打开终端的访问权限，以及为Anthropic、OpenAI等提供商接入自带API密钥的功能。
vLLM集成了Mooncake分布式KV缓存存储，消除了智能体多轮对话中的前缀重复计算——在12块GB200 GPU上使用真实Codex轨迹测试，吞吐量提升3.8倍，P50首token时延（TTFT）降低46倍，端到端延迟降低8.6倍，缓存命中率从1.7%跃升至92.2%。
Anthropic发布了Claude Code v2.1.132，包含25项以上修复和两个新环境变量：用于钩子集成的CLAUDE_CODE_SESSION_ID和用于原生滚动缓冲区的CLAUDE_CODE_DISABLE_ALTERNATE_SCREEN。同时修复了MCP服务器导致内存占用超过10GB的严重漏洞。
Anthropic发布Claude Code v2.1.133，新增worktree.baseRef、sandbox.bwrapPath/socatPath参数以及Hook中的CLAUDE_EFFORT环境变量。此版本修复了并行会话中的竞态条件以及Windows驱动器根路径问题，是本周继v2.1.131和v2.1.132之后的第三次发布。
GitHub对生产环境智能体工作流进行监测，发现三大Token浪费来源：不必要的MCP工具、可确定性获取的数据以及错误配置的Bash规则。经优化，各工作流实现了19%至62%的Token节省。
SymptomAI是集成于Fitbit应用的对话式AI智能体，在约13,917名参与者中进行测试；在临床评估子集中，其诊断建议相对于独立评估相同对话的临床医生实现了2.47的优势比（OR）。本研究为预印本。
新论文提出了一个基于Dreadnode SDK构建的智能体红队测试系统，集成45+种攻击、450+种变换和130+种评分器，对Meta Llama Scout的攻击成功率达85%，将安全测试时间从数周缩短至数小时，无需手写任何代码。
AgentTrust是一款开源运行时系统，可在执行前拦截AI智能体的工具调用——包括文件操作、SQL查询和Shell命令——并返回四种裁定之一。在930个测试场景中实现了95%至97%的准确率，在Shell混淆攻击上的准确率约为93%。
一篇由四位研究者（包括DeepMind/Anthropic的Geoffrey Irving）撰写的新论文指出，AI智能体无法可靠地自动化对齐研究。在缺乏明确评估标准的情况下，优化压力会产生看似合理实则灾难性错误的安全评估，且人类审核者难以察觉。
