情报

Agent-Reach：一句话给 AI Agent 装上互联网能力

开源项目 Agent-Reach 针对 Agent「能写代码却读不了网」的痛点：一条安装命令即可让 Agent 读推文、搜 Reddit、看 YouTube 字幕、刷小红书、抓 B 站与 GitHub issue，工具全开源、API 免费、Cookie 只存本地。每个平台采用「首选 + 备选」多后端路由对抗封禁（如 yt-dlp 被 B 站风控封死后切换到 bili-cli，用户零操作），并自带 `agent-reach doctor` 诊断命令。对想给本地 Agent 补齐联网能力的人来说，它把逐平台踩坑的配置成本压缩成一句话。

DeepSeek Harness 桌面端开放公测：基于 Cordis 的「一切皆插件」Agent 宿主

DeepSeek Harness 正式面向全球开放公测并开源，提供 macOS／Windows 桌面应用与从代码启动的 Web UI 双形态，底层是 Cordis 的「一切皆插件」架构。官方演示用 Creator 模式在对话中直接生成插件代码（一句话写出番茄钟悬浮窗插件），能力覆盖日常文档表格、代码、研究与后台任务。作为国产模型厂商补齐 Agent 宿主层的关键动作，它与同期放出的 DeepSeek Elastic Compute（DSec）构成「端侧宿主 + 云端弹性算力」组合，值得观察它能否靠插件生态对抗 Claude Code／Codex 的封闭一体化体验。

DwarfStar 4（ds4）：Redis 作者用 C 写的本地前沿推理引擎

Redis 作者 antirez 发布 DwarfStar 4（ds4），一个用 C 编写的窄口径本地推理引擎，面向高显存 Mac、CUDA 与 ROCm 机器，支持 DeepSeek V4／V4.1 Flash、GLM 5.x、Qwen3.8 Flash Next，含文本与视觉模型、本地 HTTP API、CLI 与原生 agent。它刻意不做通用 GGUF runner：用非对称 2-bit 量化只压缩路由专家、保留关键共享路径精度，并把 KV cache 以 prompt 前缀的 SHA1 为键落盘，重启后按哈希直接恢复而不必重新 prefill。在 284B 级 MoE 本地部署仍是工程难题的当下，这是「小引擎跑大模型」路线的一个高完成度样本。

KaliBench：面向 Kali Linux 安全工具调用的细粒度基准

论文指出 LLM 在网络安全场景的评测集中在知识问答或端到端 agentic 任务，却很少直接衡量其生成可执行命令的能力——而安全运维依赖严格 CLI，少量语法错误、flag 取值绑定错误或参数顺序颠倒都会让命令失效。作者构建 KaliBench，覆盖 23 个能力维度、5 个安全阶段、1,642 个工具、8,504 条查询-命令对，采用手稿驱动流水线加确定性规范化与别名感知评测，并提供免运行时的可验证奖励。这是把安全 Agent 从「懂概念」推向「能落命令」的关键一步。

RPG：不更新权重的具身智能体引导式自改进框架

论文提出 Reconstruct, Practice, Go Real（RPG），在完全不更新模型权重的前提下自主改进机器人执行系统：先从离线数据集识别可操作的操纵能力并在仿真中构造练习任务，再借助执行反馈、仿真特权状态与数据集视频诊断失败，进而生成新的可复用符号技能、精修既有技能并改写 system prompt；跨任务评测会先验证单项候选改动与合并修订再决定是否保留。测试时由多模态 LLM 使用沉淀出的 prompt 与技能库协调执行。它把「机器人技能维护」从人力密集的手工流程，转变成可自循环的工程系统。

ScholarCatalyst：检索「能启发新研究」论文的基准

论文追问「是什么让顶尖科学家更强」：AI 在开放问题上已有进展，但科学家仍更擅长从不断膨胀的文献库中嗅出某个新问题真正需要的那条旧线索。作者让 207 篇近期计算机论文的 184 位第一作者标注哪些候选工作真正（或本可）推动其项目并给出理由，据此构建 ScholarCatalyst 检索基准；任务要求在只允许使用项目立项时可得文献的条件下，从研究问题出发检索出这些论文。结果令人警醒：agentic 搜索并未优于普通 embedding 检索（约 0.42 vs 0.40），说明「科研灵感检索」仍是未解难题。

VISTA：给多模态模型装上长程视觉的交互式「视觉挽具」

何恺明等在论文中提出 VISTA，一个让通用多模态模型获得「长程视觉」的视觉挽具：模型直接通过视觉观察感知环境，并维护保留原始观察形态的无损视觉记忆，可在推理中主动检索并重组视觉输入。在 ARC-AGI-3 上，VISTA 把 Claude Opus 5.0 的 Relative Human Action Efficiency 从 40.68 提升到满分 100.00，模型完成全部 25 个公开关卡且所用动作比首次游玩的人类参与者少 57.4%。其设计简单，可低成本迁移到多种视觉环境，进一步印证「harness 比模型本身更能解锁交互式推理」。