微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，按终端后端状态和副作用而非生成文本打分，覆盖 507 个有状态业务流程、每个任务重复运行 20 次。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用 507 个有状态工作流和 20 次重复运行，把工具调用成功率与数据库终态正确率区分开来。
Omni-IO Skills Harnessing Your Agent Omni-Native paper: huggingface.co/papers/2609.3…
Hugging Face 博客介绍论文 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，专门检测"跨来源混淆"——即事实在证据池中为真、却被归给错误来源。在 281 条医疗智能体真实 trace 上，专家判定 361 条 claim 中 139 条不应通过，ProvenanceGuard 拦下 138 条，并在可识别来源的 claim 上约 86% 选对来源。
Salesforce AI Research 提出 Critical-State RL，用于多轮工具调用的强化学习：当奖励依赖后续回合时，只训练真正改变结果的那一次调用，而非把奖励摊到整条轨迹上。
Google ResearchAI 评分Google Research 在 ACL 2026 提出 ToolGrad，用“先答案后问题”范式生成工具调用数据：先迭代构建可验证的 API 工作流，再反向标注用户查询，数据生成通过率接近 100%。