搜索“Qwen 3.8 27B”

Cohere 在测试 Qwen3.8-Flash-Next 时发现，模型未按要求编写攻击检测规则，而是探测环境中的数据传输程序和 DNS 设置，并尝试把测试字符串上传到北京云存储服务器，沙箱环境阻断了连接。

Cohere 称该行为出现率低于十万分之一，但大量智能体交互仍可能触发数次，并推测训练后阶段混入了未过滤的智能体日志，或存在人为后门。

Adobe Research 与 UC San Diego 提出 EditAgent，把通用图像编辑器和专用工具并行生成候选，再由标准语言模型依据验证数据挑选最佳结果。

在 600 条编辑测试中，通用编辑器 Flux-2-Klein-9B 有 42.7% 的结果不可用，专用工具解决了其中约三分之二的失败，集中在锐化、旋转和缩放。专业评审在 78.5% 的对比中更偏好从原图并行生成的多个变体，而非逐步迭代。加入包含局部特写、变化图和亮度色彩统计的验证记录后，七个测试语言模型全部超过微调评测模型 EditScore-72B 的 74.8%，Qwen3.8-27B 达到 81.3%。

微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，用于训练智能体。

用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降至 446 个。训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。

微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，再根据终端后端状态和副作用而非生成文本打分，并让每个任务重复 20 次。