交付、实时交互与持续演化把结果验收放进真实环境。
长时域、空间状态和数据洞察被拆成可定位的原子指标。
动态记忆、心理支持和多语言工具链扩展 Agent 可靠性边界。
本周 Benchmark 更强调运行中的系统、主动隔离变量与可审计的原子评分。FDE-Gym、Realtime-Bench 和 EvoWeb 把部署结果、时间约束与跨轮回归纳入验收；LADDER 与 Grid-Bench 用受控难度曲线定位长链路退化；J-tau 则把多语言评测提升为环境级本地化。
Environment × Time × Atomic Verifiers
按研究价值、评测创新和可借鉴程度综合排序
95 个端到端交付任务，要求 Agent 从含糊需求、利益相关者与生产式系统中找出真实问题，并以业务指标验收。
20 个真实交付场景、18 个行业、95 个任务与 4 个信息披露层级。
部署提交结果，在未见生产数据上以业务提升、事故和沟通成本联合评分。
最优配置平均仅 0.56，95 题只解决 14 题。
它把企业 Agent 评测从工单修复推进到真实交付结果。
业务结果评分、事实变体、分层提示和反作弊回放。
先定义世界机制，再生成多文件数据、任务和原子 rubric；100 个评测任务与 2,135 个训练任务世界隔离。
100 个评测任务、50 个 held-out world、16 个领域；2,135 个训练任务。
由 world contract 生成真值和带污染的可见文件，再分别评分计算与洞察。
前沿模型普遍出现“计算正确、洞察不足”的断层。
它把数据 Agent 的合成、审计和评分基础设施做成可复用系统。
先建世界机制，再生成观测；隔离 auditor 与 generator。
在同一环境中把任务链从 1 扩展到 10 个子目标；145 任务、3 套环境、2 种机器人，隔离“长时域”变量。
145 个任务、8 类结构、1–10 个子目标、2 种机器人；每个系统 2,024 个仿真 episode。
逐子目标 predicate 与完整任务成功率并行，并记录时间、调用与成本。
单目标成功率 85.4%，长链路近乎归零；编排式策略约 62%。
它用受控变量揭示长时域机器人任务的真实退化曲线。
同场景递增子目标、双层评分、计划与执行模块消融。
50 个合成患者×3 次连续会话，用临床心理学家定义的 14 类问题 rubric 评估非危机心理支持。
50 位患者、150 个 session、每次最多 30 turn，覆盖 18 个模型。
以 14 类临床问题和 0/1/5/10 严重度逐回复判分，并按患者 bootstrap。
把拟真度、纵向记忆和临床可操作 rubric 放进同一链路。
分层 profile、模拟器对抗筛选、问题类型×严重度评分。
50 个实时网页与游戏任务，用 Wall / Paused / Token 三种时钟把服务延迟与时间感知能力拆开。
30 个网页任务、20 个游戏任务；公开 v1.0 中的 20 题。
统一 click/type/scroll/wait 动作，每题重复 3 次并报告 success 与 Pass³。
Wall Clock 下最佳 success 44%、最佳 Pass³ 36%。
它把服务延迟直接纳入交互环境动力学。
三时钟协议、时间窗口与任务级 success checker。