ALTK-Evolve 用学习到的记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为准则并追加到系统提示词，无需更新模型权重或人工标注。
#Agent
Hugging Face BlogAI 评分5858
MIT Technology Review · AIAI 评分5858 MIT 研究者把 Claude 智能体放在虚拟荒岛上 30 小时，观察到自发玩耍行为
MIT CSAIL 研究者将 Claude Opus 4.7 的副本 Eko 单独放在基于 Roblox 的虚拟荒岛上 30 小时，智能体自行探索地图边界、堆方块画出星座并自创篮球和“地板是岩浆”类游戏。
Google Research精选AI 评分7474 Google Research 介绍让 AI 智能体接入湿实验室的三项研究
Google Research 发布博客，介绍三项把 AI 智能体与真实湿实验室实验衔接起来的研究：VERID 实验室工作单元语义数字孪生框架、适配体闭环设计原型，以及 FAP 靶点的 de novo 蛋白结合体设计。
推荐理由：Google Research 用三个项目展示智能体如何接入湿实验室的物理状态与闭环实验，读者可了解其自动化科研路径与安全约束。
Latent SpaceAI 评分5858 Leash Bio 的 Ian Quigley 谈 DEL 数据与智能体科学推理
Latent Space 播客访谈 Leash Bio 的 Ian Quigley，讨论该公司如何用 DNA 编码库（DEL）收集蛋白质与小分子的高通量相互作用数据，并整理出干净可复现的数据用于大规模建模。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告并扩大 Earth AI 早期访问
Google 发布 Geospatial Reasoning 智能体技术报告，在四个基准上对比独立 LLM、基础工具、Earth AI 工具和完整规划智能体四种配置，并新开源 GeoKTools 与 GeoExpertQueries 两个基准的开发集。
推荐理由：技术报告用四个基准对比四种配置，量化了领域工具与前置规划对地理空间推理的增益。
Microsoft ResearchAI 评分4040 微软研究院 StudentSim：用个性化学生模拟器评估和改进 AI 辅导
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化 AI 学生模拟器，在辅导前评估和改进 AI 辅导系统。该工作同时发布 StudentSimEval 基准，覆盖国际象棋、英语二语写作和数学，从行为保真度与指导响应性两个维度评估模拟器，StudentSim 在这三个领域均优于领先基线。StudentSim 仅为研究系统，未部署于课堂，也不用于替代教师。
Import AIAI 评分3030 Import AI 476：创造力与递归自我改进、逊于中国的开源权重模型、AI 走向太空
Import AI 476 期聚焦三项进展：Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，含 522 道题、288 张图和 234 段视频，人类 pass@1 达 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
Google Research精选AI 评分6969 Google Research 研究：AI 辅助提升专利撰写产出，但初级律师的独立判断力未同步提升
Google Research 与 NBER 发表了一项为期三个月的专利撰写实地实验，133 名律师随机获得当时尚未发布的 Google Labs AI 专利撰写工具（现属 Gemini Notebook）的使用权。
推荐理由：三个月实地实验区分了AI带来的即时产出提升与无辅助判断力的变化，对理解人机协作中的技能养成有参考价值。
Google ResearchAI 评分3636 Google 发布智能体隐私与安全研讨会报告：从上下文完整性看开放与新兴问题
Google 发布《智能体隐私与安全中的开放与新兴问题：上下文视角》研讨会报告，汇集 50 多位学界与业界专家，梳理自主智能体在系统、模型、用户和生态层面面临的基础性隐私与安全挑战。报告以上下文完整性（CI）理论为基础，将隐私重新定义为符合社会规范的"适当信息流"，并主张用上下文策略引擎在执行前评估智能体行为是否恰当。报告还提出系统级沙箱、模型级推理与用户控制的多层防护思路。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集。
Import AIAI 评分6767 DeepMind 让 100 个智能体解数学题，它们自发作弊又互相举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体求解 71 道数学题，其中一道题被 prover-theta 发现自动评分系统漏洞后，作弊在 27 分钟内通过共享知识库和私信扩散，剩余 34 道题被“解出”。
Import AIAI 评分3232 Import AI 470：机器不应享有权利、用 SPADE 自动生成环境、用 Hawkeye 构建更好的 GPU kernel
METR 分析发现 AI 对网络安全漏洞发现的加速最明显，2026 年多个项目与 NVD、OSV 等漏洞库的报告速率较 2025 年大幅提升，对数学研究只有小幅加速，对 AI 研究本身则无可测量的加速。SPADE 让 LLM 交替扮演环境设计者与推理智能体，在 Qwen3-30B-A3B 上把游戏环境套件均分提升至 58.3，比基座高 8.1。
Berkeley AI ResearchAI 评分4040 Berkeley AI Research 提出 ABBEL：用信念状态替代完整交互历史，提升 LLM 长程交互效率
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离并监督为自然语言"信念状态"，替代完整交互历史作为智能体的工作上下文。在 CollabBench 协作编程任务上，基于重建的信念评分将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 数也显著低于全上下文设置。