KaliBench：面向 Kali Linux 网络安全工具调用的细粒度基准，支持免运行时可验证奖励

KaliBench 是一个面向 Kali Linux 上自然语言到 CLI 命令转换的细粒度基准与数据集，包含 8,504 对查询-命令，覆盖 1,642 个工具、23 个能力维度和 5 个安全阶段。

OmniSeek：面向多轮音视频推理的原生工具集成框架

OmniSeek 是一个将 Omni-LLM 转变为具备原生工具调用能力的多轮推理智能体的框架，能动态决定看或听以及对应的时间窗口，将检索到的音视频片段回填上下文以支持后续推理。

EgoTools：面向真实世界第一视角视频的工具中心推理

EgoTools 发布，成为首个面向第一视角工具使用理解的综合套件，包含 100 小时带同步音频、密集标注与 3D 信息的 EgoTools-Data 语料库，以及覆盖感知、几何、流程与因果推理四条轨道的 1,000 对 QA 基准 EgoTools-Bench。

Hugging Face 发布 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查

Hugging Face 发布 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"——即事实真实但被归因到错误来源的问题。在 281 条医疗智能体真实 trace 上，专家判定应拦截的 139 条声明中它拦下 138 条，来源识别准确率约 86%，并在四项对比检查器中取得最高分。

CorrGRPO：面向多奖励学习的相关性归一化 GRPO

CorrGRPO 提出将 GRPO 中成对奖励协方差归一化为皮尔逊相关系数，在不改变中心化总奖励的前提下，平衡不同尺度奖励对归一化的影响，避免大尺度奖励主导优势值计算。研究者在代码生成、工具调用和智能体安全三类任务上，使用 0.5B 至 8B 参数的模型进行对比，结果显示 CorrGRPO 在三项任务上均优于 GRPO 及其他变体。代码已开源。

Perplexity@perplexity_aiAI 评分3939

新研究：我们通过提示引导的自蒸馏，对一个 Computer 模型进行后训练，让它从自身错误中学习。 在一次线上 A/B 测试中，较晚训练的 checkpoint 相比早期 checkpoint 将工具调用失败率降低了 21.2%。

Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集

Google Research 提出 ToolGrad，一种“答案优先”的工具调用数据集生成范式：先生成真实工具调用链，再反向标注用户提示词，只需一步 LLM 调用。