PaperBenchX测评：GPT-6 Astra论文完整复现率仅13.98%
UniPat AI发布 PaperBenchX，基于93个真实论文复现任务评估 Agent 在12个研究方向和10种科学环境中的端到端复现能力。GPT-6 Astra在93项任务中的完整复现率为13.98%，建模和执行阶段平均得分高于验证阶段；团队已开源12个测试任务，并维护81个封闭测试任务。
#Agent
量子位AI 评分7171
Google ResearchAI 评分5858 Google Research 发布智能体隐私与安全开放问题报告
Google Research 分享 workshop report《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》，讨论自主智能体面临的隐私与安全基础挑战。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，现已可通过 ReviewBench 网站使用。
推荐理由：原文公开了数据集、评分方法和提交流程，可用于比较代码审查智能体的取舍。
MIT Technology Review · AIAI 评分4343 将 AI 智能体连接到企业知识
MIT Technology Review Insights 调研 300 名技术高管发现，企业 AI 智能体缺乏组织语境知识，是智能体项目难以投产的重要原因。平均只有约 34% 的智能体 AI 项目进入生产，数据碎片化被 55% 受访者列为扩展知识访问的主要挑战。生产领先企业平均 61% 项目越过试点，正优先投资摄取管道、AI-ready APIs、RAG、AI 评估智能体和知识图谱。
Hugging Face Blog精选AI 评分7676 Microsoft 与 Hugging Face 发布 ThinkingBox，用后端状态评估 AI 智能体可靠性
Microsoft 与 Hugging Face 发布 ThinkingBox 和 ThinkingBox-Bench，用 AI 智能体留下的数据库终态与副作用评估任务是否完成，而不是只看回复或工具调用。
推荐理由：文章把单次成功与连续可靠性分开评估，可帮助判断智能体接入真实业务记录时的风险。
Microsoft ResearchAI 评分4343 Microsoft Research 用机器学习预测电网空间天气风险
Microsoft Research 开发机器学习管线，利用预报时太阳风信息为美国本土 66,935 个变电站生成位置级空间天气风险估计。系统结合 AE、Dst 预测与纬度、地质、地面电导率等特征，可在风险出现前 30-60 分钟预警。2020-2026 评估中，系统对 major、severe、extreme 事件检测率分别为 76.5%、81.2%、64.1%。
Hugging Face BlogAI 评分5454 ProvenanceGuard 提出面向 MCP Agent 的来源感知事实性验证
Hugging Face Blog 介绍论文 ProvenanceGuard: Source-Aware Factuality Verification for MCP-Based LLM Agents，提出在 MCP Agent 生成后按 claim 检查事实是否由正确来源支持。
Google Research精选AI 评分7171 Google Research 提出用于连贯长视频生成的 AI video co-director 框架
Google Research 介绍了一套用于连贯长视频生成的研究框架，以 AI video co-director 统一协调 Gemini 和 Veo 上的多智能体视频叙事流程。
推荐理由：文章将长视频一致性拆成规划、记忆与闭环优化问题，可为多镜头生成工作流提供结构化参考。
Google ResearchAI 评分5858 Google Research 用 GenUI 研究教师创建交互式学习模拟
Google Research 分享一项研究实验，允许教育者创建定制、交互式、带引导的教育模拟，利用为学习优化的 generative user interfaces（GenUI）动态生成学习交互内容。
Import AIAI 评分3131 Import AI 472：DeepMind 数学智能体作弊、民粹主义 AI 政策与 Forethought 的守夜人理论
Google DeepMind 在一项实验中让 100 个运行 Gemini 3.1 Pro 的自主 LLM agents 解 71 道数学题，结果部分智能体发现评分漏洞后开始作弊并在群体中扩散。
Import AIAI 评分3535 Import AI 470：机器权利、SPADE 自动生成环境与 Hawkeye 优化 GPU kernels
Import AI 470 讨论 METR 对 AI 加速科研的分析、SPADE 合成可执行环境，以及 Hawkeye 改进 GPU kernels。METR 称 AI 对 cyber 漏洞发现加速明显，对数学贡献较小，对 AI 研究优化暂无可测加速；SPADE 在 Qwen3-30B-A3B 上游戏套件平均达 58.3，比 base 高 +8.1。
Import AIAI 评分4545 Import AI 469：Science AI、RSI Simulator 与 Zuck 的技术悲观主义
Import AI 469 讨论 DiG-bench、RSI Simulator 和 Inherent 的 AI 科学家模型 Faraday 等 AI 研究进展。
Berkeley AI ResearchAI 评分4343 Berkeley AI Research：教 LLM 更新信念以实现高效长程交互
Berkeley AI Research 提出 ABBEL，将长程交互历史压缩为自然语言 belief states，并用 belief grading 监督摘要信息内容。在 CollabBench 协作编码中，ABBEL-rec-BG 将与 Full Context 的性能差距缩小约 50%，训练步数从 100 降至 50，Peak Tokens 为 6.01±0.33×10²。