ツール利用型LLMエージェントでは、LLMに先に計画を立てさせるPlan-then-Retrieve（PtR）が、複数ツールのクエリでRetrieve-then-Plan（RtP）を上回り、単一ツールのクエリでは劣ることが示された。ToolBench（46,984 API endpoints）での評価では、この傾向が検索件数k=1〜20と1k〜47kのレジストリ規模で一貫していた。PtRは推論コストがおよそ2倍になるため、RtPの上位1件の検索スコアを使う複雑度適応型のルーティングが実用的な方向として挙げられている。
SELFCOMPACTは、モデル自身が文脈を圧縮するタイミングと方法を決めるエージェント用スキャフォールドである。圧縮ツールと、圧縮すべき時と抑制すべき時を定める軽量なルーブリックを組み合わせ、ファインチューニングなしで適応的な圧縮を実現する。6つのベンチマーク（競技数学とエージェント型検索）と7モデルでの評価では、固定間隔の要約と同等以上の性能を、より少ないトークンコストで達成した。数学では要約なしのベースラインに対して最大18.1ポイント、エージェント型検索では5～9ポイント上回り、1問あたりのコストは30～70%低い。
MicrosoftとHugging Faceは、AIエージェントが残すバックエンド状態と副作用で採点するベンチマークThinkingBoxを公開した。507の業務ワークフローを各20回実行し、Claude Opus 5.5がpass@1で67.16%と最上位だった。OpenEnv経由で自分のモデルを評価することもできる。
選定理由：最終応答ではなくDB状態で採点し、20回反復の一貫性とコストまで数値で比較しており、エージェント評価の設計を考える際の材料になる。
Hugging Faceは、MCPエージェントの回答を出典単位で検証する後処理レイヤーProvenanceGuardを提案した。根拠全体では支持されるが、回答が名指しした出典とは別の出典にしか存在しない主張、いわゆる出典の取り違えを検出する。医療エージェントの281件のトレースを用いた評価では、専門家が通すべきでないとした139件のうち138件を検出し、支持されていたとされた67件は再確認や修正に回した。
Google Researchは、ツールの利用チェーンを先に生成してからユーザークエリを付与するanswer-first方式のデータ生成手法ToolGradを提案した。ToolGrad-500で微調整したGemma-3 12Bモデル（ToolGrad-12B）はBFCLで83.1点を記録し、gemini-2.5-pro（83.2）に迫り、claude-4.5 Opus（82.8）やgpt-5（74.4）を上回った。データ生成にはgemini-2.5-flash-liteを用い、ほぼ100%のパス率が示されている。