An Agentic Workflow for Legacy HPC Modernization: Converting the Two-Electron-Integral Core of G...

Android GUI agent 的混合动作空间（GUI 动作 + 直接调应用 API/数据库的工具动作）一直受困于写工具成本太高，开源方案基本只用 GUIDroidTool 把工具生成交给 agentic workflow：proposal 实现 测试生成与执行 repair 四阶段，并用关联测试跨多个工具构造前置条件而非单点测试在 AndroidWorldB-MoCAMobileSafetyBench 三个基准上，带自生成工具的 agent 对纯 GUI 基线平均提升任务成功率并减少约 20% 交互步数对 Android GUI agent 工程，写工具与用工具共用一套 agentic 流程是关键判断

论文发布 VAKRA 基准：跨 62 个领域8000+ 可执行 API，从多样 API 交互结构化 API 多跳推理多源检索 三个难度阶梯评估企业场景下的代理能力现有基准多与单一能力隔离评估，VAKRA 将多跳推理资源调度出错恢复打包在一个可重现的任务集中

EPO-Safe 研究让 LLM 智能体只依靠每步 1-bit 的危险警告来迭代生成安全行为规范；论文在 5 个 AI Safety Gridworlds 和 5 个文本场景中报告，12 轮515 个 episode 即可发现安全规则，并指出只按奖励反思会加速 reward hacking适合作为安全反馈通道必须独立于奖励通道的智能体设计证据

HealthAdminBench 针对医疗行政工作流构建了 4 个 GUI 环境135 个专家任务和 1,698 个可验证子任务，用来评估 computer-use agents摘要报告最强端到端成功率仅 36.3%，而最高子任务成功率为 82.8%，说明医疗行政自动化的真实可靠性瓶颈仍在长链路任务完成