普林斯顿、斯坦福等机构联合发布 72 页综述「Emerging Trends in AI Agent Evaluation」，以 How（怎么做）、What（测什么）、Who（谁来做）三维度梳理智能体评测的 33 个趋势。核心论断：随着 AI 从回答问题走向自主行动，传统跑分范式失效，agent 评测正成为一门以心理测量学为骨架的新学科。文章介绍了效度危机、pass@k 与 pass∧k 区分、因果归因、污染新表面、LLM 裁判等方法论问题，以及模拟用户失真、田野实验负面结果、评测环境成为攻击面等实证发现，并直言评测生态受资金、访问权与议程影响，独立评测面临生存危机。
本文介绍了一篇由人大联合北大、清华等团队发布的关于长时程智能体（Long-Horizon Agents）的综述论文。文章指出，AI Agent 下一阶段的竞争关键在于能否持续工作数小时甚至更久，而不仅仅是模型本身的智能。作者强调，强大的 Agent 需要结合模型能力与外部 Harness（运行系统），并提出了 Agent 发展的三个阶段（Prompt Engineering、Context Engineering、Runtime Harness）以及三个能力等级（H1、H2、H3）。最后，文章列举了长时程 Agent 在软件工程、深度研究、电脑操作、多模态和通用生产力等领域的应用，认为 AI 正从单次回答向持续完成工作转变。
本文深入探讨了AI可解释性的必要性、定义及核心方法。文章区分了调试、合规与安全三种不同需求，辨析了事前与事后、局部与全局解释的差异，重点介绍了从LIME/SHAP等经典归因法到大模型时代的机制可解释性（如SAE和电路分析）的演进，并强调“忠实性”优于“可读性”的核心原则。
