大黑AI速报
本期重点关注Agent真实评测与具身智能进展：DeepSeek-V4-Pro在Agent Arena表现和成本均有突破，机器人模型正从单点能力走向长程任务执行。
模型动态
相同GRPO配方在不同规模模型上产生不同结果
研究者在三个从零训练模型上复用SFT与GRPO流程，结果差异明显，性能与模型规模没有简单对应关系。https://www.reddit.com/r/MachineLearning/comments/1vszsit/same_grpo_recipe_on_three_fromscratch_llms/[7]
产品工具
OpenAI开源Codex Harness助力企业将Agent接入现有工具
Codex Harness负责Agent循环，企业可自行控制界面、上下文、工具与审批，接入内部应用和运营看板。https://t.co/shi2vwqxh4[1]
原生macOS工具集中管理各类编码Agent会话
Rust+GPUI应用支持按Agent和项目浏览，以SQLite全文搜索检索中文与代码，并可一键恢复原项目会话。https://t.co/1zZHNiNHzp https://t.co/hgVQthafMW[8]
硬件动态
墨奇智能发布具身智能模型架构MoRA
墨奇智能首次系统展示MoRA架构，并通过机器人完成长程任务，体现具身智能向复杂任务执行演进。https://www.qbitai.com/2026/08/476078.html[3]
行业资讯
华尔街实测显示千问办公Agent综合排名第一
华尔街实测8款主流Agent，千问在办公场景综合排名第一；报道同时强调成本是商业化关键。https://www.qbitai.com/2026/08/476070.html[4]
Agent Arena转向大规模真实长程任务评测
Agent Arena基于全球用户真实任务，允许模型调用搜索、文件系统和终端，重点衡量任务结果而非单项分数。https://x.com/arena/status/2090240608447418869[5]
Harrison Chase：Agent评测市场缺少自动改进闭环
当前市场充斥可观测性与评测平台，但缺少能建议修复并自动补充评测的Agent系统，闭环调优或成新机会。https://x.com/hwchase17/status/2090233856192569500[6]