本文研究窗口為 2026-07-20 至 2026-07-26（Asia/Taipei）。本週研究主線是：Agent 任務一旦延長，評測單位就必須從「答案」升級為「軌跡」。研究者開始同時檢查跨步驟規劃、真實工作流、工具權限與失敗復原。
長程模型：能力提升也放大暴露面
OpenAI 發布 Safety and alignment in an era of long-horizon models，把風險焦點放到能持續規劃、執行與適應的模型。長程能力的重要性不只在「做完更多」，也在模型有更多機會遇到未預期狀態、累積錯誤或繞過局部限制。
這類文章提出方向，但不等於完成證明。真正需要的是可重播的完整軌跡、介入點、權限變化、外部副作用，以及不同任務長度下的風險曲線。
OmniaBench：從單榜單轉向全身檢查
華為雲與北大本週公布 OmniaBench，試圖對智能體做多面向評估。價值在於承認單一成功率無法代表可用性：規劃、工具使用、記憶、穩健性與成本可能互相拉扯。
需要保留的疑問包括資料污染、任務代表性、評分器可靠度與 harness 對特定模型的偏好。若沒有公開樣本、版本化環境與失敗案例，綜合分數仍可能掩蓋致命短板。
Workflow Gym：把評測拉回真實流程
Workflow Gym 的訊號是減少純模擬測試與落地流程之間的落差。對企業 Agent 而言，重要的不只是最後答案，而是是否使用正確資料、遵守步驟、留下稽核證據，並在不確定時停止。
這方向要真正成立，需要公開任務來源、權限模型、錯誤注入與跨版本可重現性。否則「真實工作流」可能只是另一套封閉 demo。
多智能體與工具供應鏈
本週另有 Agent Primitives 模組化多智能體，以及惡意插件攻擊的研究線索。共同問題是：組合性提高復用，也擴大信任邊界。每個子 Agent、plugin 與 MCP server 都可能擁有不同資料與動作權限，系統安全不能只靠主模型拒答。
本週判斷
W30 的研究進展不是某個分數，而是評測對象正在改變：從模型輸出，變成帶權限、時間與副作用的執行軌跡。下一代 benchmark 應同時回報成功率、介入率、成本、策略違規與不可逆副作用。
Watchlist
- 長程風險是否隨任務時間、工具數量或重試次數非線性上升。
- OmniaBench 是否公開資料、harness、評分器一致性與污染分析。
- Workflow Gym 的真實任務授權、可重現環境與跨模型結果。
- 惡意插件在最小權限、簽章與 runtime policy 下的攻擊成功率。
- 多智能體 primitive 是否帶來可測量的復用，而非更多協調成本。
