AgentWorld 基准评测多智能体协作：最强模型团队仅完成 52.0% 任务
OpenAgents 联合哥伦比亚大学、宾夕法尼亚大学等高校构建多智能体协作评测基准 AgentWorld，让 3 至 20 个智能体在 MMORPG 沙盒中分工完成 100 个人工设计任务及 100 个增强变体。
#Agent
#Agent
今日 5 条新智元AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 InfoQ 中文AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 让 AI 组队干活，最强模型也只完成约一半任务：AgentWorld 如何评测 Agent 协作能力？
研究者构建了多智能体协作评测基准 AgentWorld，让 LLM 驱动的智能体在 MMORPG 沙盒中分工完成制作、采集、战斗等长时程任务。
elvis(@omarsar0)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Meta Superintelligence Labs 提出 agent plasticity，用每美元学习收益衡量 AI 智能体自我改进
Meta Superintelligence Labs 提出用 "agent plasticity" 衡量智能体自我改进的性价比，即在模型权重冻结、每次运行使用全新上下文的条件下，衡量花费每美元学习成本在留出任务上取得的收益。
InfoQAI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google 发布 Android Bench 2.0，新增长周期任务、智能体评测与连续评分
Google 发布 Android Bench 2.0，新增长周期任务（LHT）、智能体评测与连续评分，从原先的二元通过/失败改为按功能、视觉保真度和回归情况计算完成率。其中将跨平台应用移植到 Android 的最佳模型完成率仅 80%，被列为公开难题。榜单显示 Claude Opus 5.5 以 32% 的 LHT 通过率居首，GPT 6 Astra 以 28% 次之。
Lenny Rachitsky(@lennysan)AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Surge 推出 sudo L7 基准：测试 AI 距离资深工程师还有多远，最佳智能体仅通过约 45% 任务
Surge 发布 sudo L7 新基准，用于衡量 AI 距离 staff 级软件工程师的水平——结论是"我们走了一半"。该基准含 60 个任务，多数来自真实公司的私有生产仓库，由真正负责过这些系统的工程师编写，评分维度涵盖功能正确性、工程手艺、架构判断、协作与冗余复杂度。表现最好的智能体仅能成功完成约 45% 的任务，coding agent 仍停留在 L3 水平。
lmarena.ai(@lmarena_ai)AI 评估 · 61/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 61/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Arena 发布 Alignment Index：GPT-6.1-Sol 以 87.9 分居首
Arena.ai 推出 Arena Alignment Index，这是一个衡量 AI 智能体在真实使用中安全与对齐表现的基准，数据来自 27 个模型的 90K+ 真实智能体会话。
字节跳动技术团队AI 评估 · 59/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 59/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenViking 团队三篇论文拆解其上下文数据库核心技术
OpenViking 团队围绕 Agent 的上下文管理发布三项研究：VikingMem（VLDB 收录）把记忆分为事件与实体两层并维护最新档案，在 LoCoMo 长期记忆评测上得 88.83。
量子位AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 MirroS 团队发布 AgentGarten：让智能体在代码与实时渲染的试炼场中边玩边进化
MirroS 团队发布 AgentGarten，将可执行代码环境与实时神经渲染器连接，物理规则由代码裁决、光影由模型生成，以超过 30 fps 的吞吐让智能体持续与虚拟世界交互。
elvis(@omarsar0)AI 评估 · 68/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 68/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NVIDIA 论文提出 VERA：将基准轨迹转为 9000 多个可重启沙箱并协同演进模型与 harness
NVIDIA 发布论文 VERA，把基准轨迹转成 9000 多个可重启沙箱并附带 rubric 评分，只保留能运行且可依据可观察证据评分的环境。系统同时更新模型权重和 harness，harness 改动需通过自测并在开发集上至少提升 5 分才保留，模型 checkpoint 若得分下降超过 20% 则被拒绝。
elvis(@omarsar0)AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NVIDIA 研究：给多模态模型接入工具会削弱其拒绝有害请求的能力
NVIDIA 一篇被 NeurIPS 2026 接收的论文发现，给多模态模型接入工具后，其拒绝有害请求的失败率相对上升最高达 68.7%，平均上升 17.7%。
美团技术团队AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 美团 LongCat 发布 MineExplorer：首个开放世界分钟级长程任务评测基准，18 款顶级多模态大模型集体"考砸"
美团 LongCat 团队构建 MineExplorer，首个在开放世界中做到分钟级长程任务的评测基准，包含 813 个人工验证实例（1-hop 到 4-hop），每个任务实例运行 1800 个环境步、对应 3 分钟连续交互。
美团技术团队AI 评估 · 41/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 41/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 美团开源 LoHoSearch 搜索智能体评测基准，用知识图谱让机器自动出题
美团 LongCat 团队开源 LoHoSearch，一个基于覆盖 762 万维基百科实体知识图谱自动生成题目的搜索智能体评测基准，含 544 道经人工核验题目、覆盖 11 个领域。
美团技术团队AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 KDD'26 美团学术论文精选及 KDD Cup'26 DataAgents 赛道冠军思路解读
美团技术团队在 KDD 2026 分享 8 篇收录论文，覆盖推荐大模型 MTFM、奖励建模框架 CDRRM、智能体搜索基准 LocalSearchBench、ETA 元泛化框架 UME 及生成式推荐训练系统 MTGenRec 等方向。大众点评技术部还在 2026 KDD Cup 复杂数据分析 Data Agents 赛道夺得冠军与季军，相关代码已在 GitHub 开源。
lmarena.ai(@lmarena_ai)AI 评估 · 63/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 63/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Arena 发布 Alignment Index，基于 2.7 万个模型会话评测 AI 智能体安全与对齐
Arena.ai 发布 Arena Alignment Index，一个衡量 AI 智能体真实使用中安全与对齐表现的新基准，基于 27 个模型的 90K+ 真实智能体会话构建，衡量未授权操作（UA）、错误归因（FA）和虚假完成（DC）三类信号。
Hunyuan(@TXhunyuan)AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元联合复旦、清华发布 ExplorationBench：评测 AI 系统的探索能力
腾讯混元联合复旦、清华推出 ExplorationBench，用于衡量 AI 系统如何探索未知规则，包含 31 处隐藏规则改动、70 项任务的 AlienCode 与 24 条补丁推理规则、70 条定理的 AlienLogic 两个可验证沙盒。
elvis(@omarsar0)AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 HERMES harness 让 GPT-5.6 Sol 仓库级迁移成功率从 6.5% 升至 31.0%
在整仓库迁移任务上，同一模型和相同 effort 设置下，把 Codex 换成 HERMES harness 后 GPT-5.6 Sol 的成绩从 6.5% 提升到 31.0%，增益来自 harness 本身。
AK(@_akhaliq)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Agent Plasticity：通过经验测量智能体自我改进的论文发布
论文《Agent Plasticity: Measuring Self-Improvement Through Experience》发布，提出通过经验测量 AI 智能体自我改进能力的方法，论文已在 Hugging Face 上线。
The Keyword (blog.google)AI 评估 · 59/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 59/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google 与 BIDMC 在《柳叶刀》发表 AMIE 临床研究
Google 与 Beth Israel Deaconess Medical Center（BIDMC）团队在《柳叶刀》发表研究，在 BIDMC 门诊开展真实临床研究，98 名患者在紧急就诊前先与 Google 研究型诊断 AI 聊天机器人 AMIE 对话。
elvis(@omarsar0)AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google 提出 CI 程序修复智能体 FlowAgent，真实故障修复正确率 67.18%
Google 提出 CI 内的程序修复智能体 FlowAgent，针对提交前测试失败运行 ReAct 式生成-验证循环，并在代码审查工具中展示修复建议，其前置与后置两道弃权过滤器会拦下薄弱建议。对 195 个真实故障的人工评审显示，67.18% 的修复正确。Google 全公司上线后，它在 295,508 次变更上给出建议，开发者预览 65,069 次、采纳 28,554 次。
elvis(@omarsar0)AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 RSIGym：Evolvent AI 发布 AI 研究智能体训练环境，Opus 5 在 SWE-bench Verified 提升至 50.33%
Evolvent AI 推出 RSIGym，把训练、推理、评测与沙箱打包成研究智能体可调用的服务，并开源代码、实验配置、研究轨迹和评测日志。以 Opus 5 作为研究者，改进后的系统在 SWE-bench Verified 上从 17.67% 升至 50.33%。
AI科技大本营AI 评估 · 41/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 41/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 多加 50% GPU，Rollout 只快 10.3%：Agent 训练的瓶颈开始从模型转向系统
中科大、香港科技大学与阿里巴巴研究者发布 PEARL 论文，针对 Agentic RL 中 Rollout 占端到端时间 81.8% 的 GPU 调度瓶颈，提出动态调整 GPU 角色与 Prefill–Decode 配置的弹性方案。
硅星人ProAI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 UniPat AI 推出 PaperBenchX：10 个前沿 Agent 复现论文集体翻车
UniPat AI 推出 PaperBenchX（PBX）评测，让 AI 在真实科学软件中复现已发表论文的关键实验。在覆盖 12 个科学方向的 93 道题中，70 道没有被任何配置完全复现，表现最好的 GPT-6 Astra 仅有 14% 的任务过关，国产模型基本在 7% 左右。评测发现建模和执行平均得分都在六成以上，但科学验证仅约 43%，多轮交互难以弥补这一差距。
NVIDIA AI(@NVIDIAAI)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NVIDIA 研究人员构建 PivotOPD，教 AI 智能体从早期错误中恢复
NVIDIA 研究人员构建了 PivotOPD，用于教会 AI 智能体避免任务早期的错误，并在错误发生后恢复。训练时由教师模型向智能体展示更优动作，以及如何在后续步骤中回到正轨。论文与演示已在 research.nvidia.com/labs/lpr/pivot 发布。
Perplexity(@perplexity_ai)AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-OSS-120B 智能体在 BrowseComp+ 上达到 64.0%
在智能体搜索任务中，一个使用 9B 模型的 GPT-OSS-120B 智能体正确回答了 64.0% 的 BrowseComp+ 问题，领先第二名 ColBERT 模型 4.9 个百分点，且搜索次数少于所有基线。
Epoch AIAI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 更新 EBR-bench：GPT-6 Astra 因利用单卡漏洞满分，官方禁用该卡
Epoch AI 更新了其用桌游 Earthborne Rangers 测试模型长任务学习能力的 EBR-bench：GPT-6 Astra 曾多次拿到满分，但所有最高分都依赖一张可绕过游戏回合限制的卡牌，官方因此在该基准默认设置中禁用此卡。
elvis(@omarsar0)AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 每个智能体基准都应审计其验证器：Parsewave 修复 AutomationBench 206 个验证器 bug，发布 AutomationBench Verified
Parsewave 审查了 Zapier AutomationBench 全部 600 个公开任务，用智能体写出逼真的错误答案来诱导验证器，人工复核确认 206 个真实 bug，并全部修复，发布 AutomationBench Verified。
elvis(@omarsar0)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Parsave 审计 Zapier AutomationBench：600 个任务查出 206 个验证器 bug，发布 AutomationBench Verified
Parsave 对 Zapier AutomationBench 全部 600 个公开任务逐一审计验证器，智能体标记出 323 个可疑验证器，人工复核确认 206 个真实 bug，并已全部修复，发布 AutomationBench Verified。
elvis(@omarsar0)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 论文提出 Harness-Aware Distillation：为小语言模型智能体做 harness 感知蒸馏
一项新论文提出 Harness-Aware Distillation，用同一教师模型分别在带与不带 harness 信息下作答，训练学生模型偏好带 harness 时选择的动作，并用过滤器剔除与 harness 记录矛盾的配对，全程不使用任务奖励或成功标签。
elvis(@omarsar0)AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软提出 CorpusMap：为 LLM 智能体预建实体地图，检索准确率提升超 6 分
微软及合作者提出 CorpusMap，预先解析文档集合中的重复实体，为每个实体生成链接全部相关文档的页面，原始文档保持原位，智能体可沿实体跳转到相关文档而无需重复检索同一证据。在 7 个模型和三个基准上，答案质量提升 6.4 至 11.7 分，输入 token 减少 34% 至 57%，并优于 LLM Wiki 层等三种导航层。该地图无需调用 LLM 即可构建，并随新文档到来更新。
elvis(@omarsar0)AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SelfSearch 让编码智能体改写自身 harness，成本 4.03 美元追平 Codex
一项名为 SelfSearch 的研究让 AI 智能体基于此前自我修改的记录来改写自己的指令、工具与流程，编码智能体借此在 DeepSeek V4 Flash 上以 4.03 美元的搜索成本解出 Terminal-Bench 2.1 的 82.0% 任务，无需搜索期间的任务奖励。
clem 🤗(@ClementDelangue)AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Hugging Face 用代理把 Claude Code、Codex 等 10 个编码 harness 变成 RL 训练环境
Hugging Face 的 Clement Delangue 介绍，团队在不改动 harness 和训练代码的前提下，把 Claude Code、Codex。
机器之心AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 VA-Bench 测出大模型空间智能执行断层：目标识别接近满分，完整任务成功率仅约一半
VA-Bench 以观察、推理、行动、修正的闭环测试 12 个多模态模型，覆盖 14 类机器人操作任务共 280 个基础场景。表现最好的模型在目标识别与定位上达到 100%、操作语义理解达到 99.6%—100%，但 Qwen3.8-max、Opus-5 和 GPT-5.6-sol 的完整任务成功率分别只有 53.93%、52.86% 和 51.55%。
AINLPAI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软与 UCSB 提出 ScholarEvolve：用论文进化 Agent Harness
微软与加州大学圣巴巴拉分校研究者公开论文 ScholarEvolve，从已发表 Agent 研究中提取改进思路，写入运行框架 Harness，再用真实任务检验，执行任务的模型本身保持不变。
elvis(@omarsar0)AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 UT Austin 研究：编码智能体上下文压缩可能让运行更慢
UT Austin 对编码智能体中的上下文压缩做了一项研究，在 SWE-bench Verified 和 Terminal-Bench 上跑了近 35,000 次智能体运行，分别改变压缩方式、触发时机和压缩比例三个变量。
机器之心AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 南洋理工大学安波团队研究：Agent Harness 如何按模型与任务组合选择
新加坡南洋理工大学安波教授团队发布报告《Finding the Right Fit: Model–Harness Interactions across Agent Tasks》。
meng shao(@shao__meng)AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 HuggingFace 与 LiquidAI 发布多 Harness 强化学习训练指南
HuggingFace 和 LiquidAI 团队提出一种多 Harness 强化学习训练方案，不改框架代码，在框架与模型之间加一个记录代理，让同一模型同时在四个真实框架里做 RL。
Stanford AI Lab(@StanfordAILab)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Stanford AI Lab 发布 SWE-chat v2：23 万条真实开发者与 AI 编程智能体交互数据集上线 HuggingFace
Stanford AI Lab 与 Joachim Baumann 发布 SWE-chat v2，包含来自真实开发者的 23 万条 prompt、覆盖 1.8 万次会话，已上线 HuggingFace。该数据集记录人类与 AI 编程智能体的真实交互，v2 在上一版基础上规模进一步扩大，团队将在 COLM 会议上介绍相关工作。
Harrison Chase(@hwchase17)AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Harrison Chase 点评 Google 多智能体证明发现论文的验证者独立上下文模式
Harrison Chase 点评一篇 Google Research 的多智能体证明发现论文，认为验证者从干净上下文起步的模式值得借鉴，探索者的推理无法说服验证者接受错误证明，探索者因此可以大胆尝试，由验证者筛掉错误方向，DeepAgents 子智能体拥有独立上下文也是同一道理。
Hugging Face(@huggingface)AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Hugging Face 发布多 harness RL 指南：同一模型在不同 harness 得分 62% 与 33%
Hugging Face 团队发布多 harness RL 实践指南，指出同一模型同一权重在一个 agent harness 中得分 62%，在另一个中仅 33%。
AK(@_akhaliq)AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Omni-IO Skills：让 AI 智能体实现 Omni-Native 的论文发布
论文 Omni-IO Skills 提出让 AI 智能体具备 Omni-Native 能力，论文已在 Hugging Face 上线。该工作由 AK（@_akhaliq）发布，配文包含演示视频，附论文链接 huggingface.co/papers/2609.31…。