Composer 2 是 Cursor 团队针对Agentic 软件工程场景专门训练的模型。继续预训练强化代码知识 +大规模强化学习提升端到端任务完成能力。：61.3%（对比上一代 Composer 1.5 的 44.2%，相对提升 37%：73.7%：61.7%图1：Composer 2 与多个前沿模型在 CursorBench-3、SWE-bench Multilingual、Terminal

AI自主安全研究：Claude发现超越人类方法的攻击算法 这篇论文展示了Claude AI自主进行安全研究的突破性成果。研究人员让Claude Code作为自主研究智能体，在包含33种现有攻击方法的环境中独立探索新的对抗攻击算法。令人惊讶的是，Claude设计的方法在多项测试中大幅超越人类成果：在GPT-OSS-Safeguard-20B模型上实现40%的越狱成功率（人类方法≤10%），在Meta

Claude Code多Agent协作架构核心解析 本文深入剖析了Claude Code从单Agent到多Agent团队的协作架构设计。系统通过持久化任务DAG解决任务依赖管理问题，每个任务以JSON文件存储依赖关系，自动解锁下游任务。采用线程+通知队列实现后台任务并行化，保持主循环单线程的简洁性。团队协作基于持久身份+JSONL邮箱机制，通过config.json名册管理成员，JSONL文件实现

摘要 Claude Code的核心机制仅需30行Python代码实现：一个while循环+工具调度表构成完整的Agent骨架。其三层架构包括： 基础循环：LLM调用工具→执行→结果返回→循环直到模型主动停止 工具系统：通过dispatch map字典扩展工具，保持循环不变，每个工具自带路径沙箱安全机制 任务规划：TodoWrite机制防止模型偏离任务，采用状态流转和自动提醒确保专注 关键设计特点：

摘要 Claude Code通过三大机制解决上下文窗口限制问题： Subagent机制：将复杂子任务隔离到独立子进程中，父节点仅保留最终摘要，避免中间过程污染主上下文。子Agent禁止递归调用，防止指数级爆炸。 Skill系统：采用"廉价索引+按需加载"的两层知识管理，系统提示中只保留技能目录，实际内容使用时才注入，显著降低固定开销。 三层上下文压缩： micro_compac

研究揭示：LLM作为优化器的性能差异主要取决于局部精修能力而非参数量 法国格勒诺布尔大学团队通过15个模型在8个任务上的大规模实验（72K+候选解）发现： Zero-shot能力仅解释10.3%性能差异，关键指标是模型作为"局部精修器"的稳定性 突破率（Breakthrough Rate）比新颖性更重要：持续小步改进的模型（如Mistral-24B）优于偶尔大跃进的模型 性价比王者：Mistral

本文提出GFT方法，从RL视角重新审视SFT训练，发现SFT本质上是一种奖励极度稀疏且重要性权重不稳定的RL形式。通过Group Advantage Learning解决奖励稀疏问题，利用Dynamic Coefficient Rectification控制梯度爆炸，在数学推理任务上显著提升模型性能。实验显示，GFT在10K数据上训练Qwen2.5-Math-1.5B模型，将MATH分数提升23.

摘要 Snowflake最新研究揭示了一个关键问题：当前多数检索模型对用户指令"假装听话"——它们只匹配主题而忽略约束条件。研究者提出"Dual-View"创新方法，通过指令极性反转技术，强制模型真正理解指令语义。具体做法是：对每个指令负样本，用LLM生成一条互补指令，使原本的正负样本角色互换。实验显示，仅305M参数的小模型在指令跟随检索任务上性能提升45%，超越多个更大规模的通用模型。该方法特

摘要 蚂蚁集团Venus团队提出的DR-Venus模型在Deep Research领域取得突破性进展。该研究通过仅使用1万条开源SFT数据和1千条RL数据，基于Qwen3-4B基座模型，开发出性能超越9B以下所有开源Agent的4B小模型。关键创新包括：1）SFT阶段对长轨迹进行5倍加权重采样，显著提升长程任务表现；2）RL阶段采用基于信息增益的IGPO算法替代传统GRPO，实现turn-leve

摘要 AJ-Bench论文提出了一种新型Agent-as-a-Judge评估框架，解决了传统LLM-as-a-Judge在复杂任务评估中的局限性。通过为Judge配备浏览器、文件系统等60种工具，使其能够主动验证环境状态，显著提升了评估准确性。实验表明，开启Agentic模式后，模型平均F1提升13个百分点，其中deepseek-v3.2表现甚至超过未使用工具的GPT-5等大模型。该研究揭示了当前