中子三轴谱仪的一次测量要同时依赖论文、仪器日志、数据文件和专业软件，这些证据此前分散在不同环节，难以追溯。TASCopilot 把这些来源、处理步骤和人工复核决定记录成可检查的证据链，语言模型只负责抽取信息和解释结果，科学计算、校验规则与人工复核决定证据能否支持结论。在 NIST 中子研究中心 BT-7 谱仪上，它从被故意移开 40° 的取向恢复样品转角，与取向矩阵预测相差 0.08°，并完成 40 点自适应测量，40 点全部计数、无拒绝。
面向跨文档推理的智能体记忆层有了同条件对照：在111份合成保险文档上，使用OpenWiki编译维基的智能体在50个需要跨来源连接的问题上准确率为0.52，仅用关键词检索时为0.10；再叠加由引用和文档引用关系生成的证据图后，准确率再提高27%，引用一致性翻倍，每个正确答案成本下降58%。简单查找问题上两者准确率相当，维基并未带来优势。
研究者提出SafeActBench，包含656个案例、覆盖六个运营领域与五种协议，用来源绑定的证据账本和确定性轨迹评估器检查工具智能体在行动前是否已建立所需证据；在十种模型–执行框架组合上，静态行动判断可以很强，而交互式执行明显更弱，失败常源于调查不完整或过早行动，一旦证据齐备，单步执行通常可靠，多步工作流则还暴露出未解决的前置条件与执行不完整。
GraphForge 提出一个以证据图为核心的框架，从 O*NET 职业种子出发抓取真实文件组成工作区、在文件关系上构建证据图，并由该图编译出任务陈述与评分细则，再用一次初始 rollout 与修订代理校验可执行性；在 2169 条轨迹上微调 Qwen3.6-27B 后，OpenHands 下 GDPVal 达到 1445.7（+65.7），Claude Code 下 Workspace-Bench-Lite 与 SpreadsheetBench II 分别达到 63.7（+7.7）与 24.0（+13.7），同一数据也提升了 Qwen3.6-35B-A3B。
已读完全部报道