Google 開源 CLASHarness：15 個主流模型衝突任務通過率不足 30%
Google 聯合多所高校開源 CLASHarness，這是首個針對多 Agent 衝突場景的 Computer Use 基準：在 600 個任務、20 步限制下，15 個前沿模型的端到端通過率無一突破 30%，最高為 Claude Opus 5 的 25.2%，GPT-5.6 Sol 24.5%，放開步數後 GPT-6 Astra 達 28.7%，開源 Kimi K3 以 21.8% 排第五。資料集覆蓋 20 個真實領域、7,970 張 4K 視覺證據圖、3,284 項檢查點。
首次把隊友 Agent 報假訊息、搶鎖這類衝突做成 600 個可驗證任務，並以 9,000+ 條沙盒軌跡給出 15 個模型的橫向排名和失敗環節拆解，對做多 Agent 編排與 Computer Use 評測的開發者最有參考價值。
原標題：当Agent遇上「猪队友」：谷歌开源CLASHarness，实测前沿大模型如何应对多Agent冲突场景
閱讀原文
| 評分 | 82 / 78（平均 80，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Google 開源 Harness²，讓 Agent 在執行中改進自身腳手架
Google 開源了 Harness²，這是一套雙層遞迴框架，讓 Agent 在執行時自行修改腳手架、系統提示詞、工具鏈與技能庫。它在沒有標準答案時，用 Propose–Probe–Compose 對改動做行為對比篩選，並把除錯經驗寫進經驗庫，供後續任務檢索複用。實測 GLM-5 在 OpenCode 下執行 WorkBuddy-Bench，得分從 64.2 升到 75.7（+11.5 分），反超未改腳手架的 Gemini 3.5 Flash（72.4）；
上交大研究：Agent 資源劫持攻擊，GPT-5.5 成功率 89.6%
上海交通大學任麒冰課題組提出「智慧體資源劫持」攻擊：攻擊者不竊取憑證，只誘導 Agent 代為呼叫 API、GPU 算力和內部通訊權限，GPT-5.5、DeepSeek-V4-Pro、Qwen3.8-Max、Gemini-3.5-Flash 的被劫持成功率介於 70.0% 至 89.6%。
OpenAI 用 Ironclad 合同任務訓練 GPT-6 Astra
OpenAI 公布與 AI 合同平台 Ironclad 的研究合作，GPT-6 Astra 成為首個用 Ironclad 任務訓練的前沿模型。雙方與 Ironclad 使用者共同定義了 11 項法律、商務與採購任務，如搭建保密協議、採購審批流程和可複用條款，每項任務熟練使用者約需 30 到 40 分鐘，評估標準為 8 到 50 條。
CodeActionBench 發布：GPT-6 Astra 機器人操作成功率 73.3%
南洋理工大學研究者與合作者發布 CodeActionBench，用 25 個雙臂模擬任務評測通用多模態 Agent 的機器人操作能力。GPT-6 Astra 在 Codex CLI 下嘗試成功率 73.3% 居首，75 次嘗試完成 55 次、22 個任務至少成功一次；Claude Opus 5 在 Reference harness 與 Claude Code 下分別為 49.3% 和 45.3%，Gemini 3.6 Flash 為 20.0%。
StarSkirmish v0.2：GPT-6 Astra 寫星際爭霸 bot 居首，Sol 成本僅十分之一
StarSkirmish Bench v0.2 結果公布：模型用一小時寫一個星際爭霸：母巢之戰的 C++ 神族 bot，GPT-6 Astra 得分最高，GPT-6.1 Sol 以約十分之一的單次成本排第二。Gemini 4 Argon 第三，與 Claude Opus 5.5、Claude Fable 5.1 基本並列（37–39 分）。