外观
AI 导读针对小型语言模型(SLM)代理在长交互轨迹中出现的进展停滞问题，研究者提出Progress-Aware Distillation(ProD)方法。该方法通过检测和惩罚学生模型生成的停滞轨迹，将停滞差距编码为自适应边界，动态防止无效循环。实验表明，ProD在8个0.6B至8B参数的SLM上显著提升了任务成功率和完成效率。
AI 选稿理由解决了SLM代理在长任务中的进展停滞瓶颈，使小型模型能更高效地完成复杂任务，适用于资源受限场景。
AI 导读AWS介绍了基于Amazon Bedrock AgentCore构建的九阶段AI智能体评估框架，该框架覆盖从基础定义到持续改进的完整生命周期，帮助确保AI智能体在生产环境中的质量和可靠性。文章详细描述了如何通过多层次评估工具和自动化流程来监控和改进AI智能体的安全性、质量、性能、成本和运营控制等关键指标。
AI 选稿理由原文提供了完整的AI智能体评估框架，读者可据此构建自己的质量保障体系。
AI 导读Reflection AI发布了Beam，一个用于智能体编码和长程任务的开源权重大模型，总参数量501B，激活参数23B，上下文长度达100万tokens。Beam通过Apache 2.0许可证在Hugging Face发布，提供BF16、FP8和NVFP4三种格式，可在AWS SageMaker JumpStart或HyperPod上部署，支持Kubernetes原生控制。
AI 选稿理由原文提供了在AWS上部署Reflection Beam模型的两种路径和详细配置步骤，读者可以直接参考实施。
AI 导读论文指出，Agent 场景下上下文长且持续演化、多轮交互频繁，现有草稿模型接受长度最多下降 80%，维护历史 KV 缓存也带来大量系统开销。DLite 直接复用目标模型的上下文隐藏状态做局部投机预测，不再显式维护历史上下文，并用轻量顺序头恢复块内因果依赖，配合两阶段训练。在通用、长上下文与 Agent 负载上实现 2–6 的接受长度，比 SOTA 方法 DSpark 最高提升 70%。
AI 选稿理由把 Agent 长上下文下的投机解码从“维护历史”变成“复用目标模型隐藏状态做局部预测”，在通用、长上下文和 Agent 负载上把接受长度提升到 2–6、较 DSpark 最高提升 70%，可用于降低多轮 Agent 推理的延迟与显存开销。
AI 导读研究提出 HexaShell，一个极薄的机器人控制框架：VLM 编码 Agent 通过命令行驱动双臂机器人，读取三个已标定 RGB 相机，并在每次失败后读日志、定位原因、编写或修复名为 tools 的小程序，用三角测距和平面求交估算物体与夹爪的相对位置。工具仅用单 seed 的十种布局构建并冻结，再在同 seed 的十种新布局上测试，使用 Codex 与 GPT-6-Astra 中等推理强度，在 RoboDojo 全部 42 项任务上达到 39.7% 成功率与 48.0 进度分，刷新最优。瓶颈在接触而非推理：推动 92.5%、记忆任务 65.0%，而紧密插入仅 8.3%。作者开源了已演化的 tools。
AI 选稿理由展示了编码 Agent 在真实机器人操作中的能力边界：把失败经验沉淀为可复用代码工具后能刷新 RoboDojo 榜单，但紧密插入等接触密集型任务仅 8.3%，为机器人 Agent 研究者指明了推理之外的运动控制瓶颈。
AI 导读本期头条包括：Muse Spark Open 为 816B 参数（激活 42B）、100 万 token 上下文的多模态开放权重模型，面向编码与长周期 Agent 任务，可在两台 Apple M5 Ultra Mac Studio 上用 MLX 本地运行；微软详解 2.8T 参数 MoE 模型 MAI-Base-2 的训练栈，称其在留出预训练评测中超过所有开放权重模型，并计划通过 Foundry 提供企业服务；Liquid AI 发布 d1-ultra 多模态决策模型，定价每百万输入 token 0.042 美元。另有多篇深度分析、Nvidia Nemotron 3.5 Super VL、Krea 3、FLUX 3 Image Klein 等工程与模型进展，以及开放权重模型已占网关超七成 token 和近四分之一花费的统计数据。
AI 选稿理由Muse Spark Open、微软 MAI-Base-2 训练栈、Liquid d1-ultra 与 Nvidia Nemotron 3.5 Super VL 等集中发布，覆盖长上下文 Agent、企业级前沿模型与低成本决策模型，为开发者和企业提供新的开放权重与 API 选项。
AI 导读研究提出LM2LM方法，通过强化训练大语言模型生成有效的语言模型改进方案。使用研究世界模型(RWM)提供可扩展反馈，并定期执行高排名提案以保持反馈可靠性。在八个自回归和扩散语言模型开发环境中，LM2LM使Qwen3.8-27B超越GPT-6-sol，即使后者拥有300个真实实验记录，且数据生成成本降低33%。该方法还能推广到训练期间未见过的模型家族。
AI 选稿理由LM2LM实现了语言模型自我改进的高效方法，通过研究世界模型降低数据生成成本33%，并在多种模型开发环境中超越现有模型。
AI 导读研究者提出 OfficeTown，一个面向专业组织的生成式模拟框架：根据组织的目标和活动描述自动初始化组织，成员协调工作、把有限任务委派给助手 Agent 并评审交付物，产出物、决策和未决事项会持续影响后续工作，职责与权限决定成员可见和可做的范围。团队构建了包含 23 个模拟组织、8 个专业领域、406 项任务和 4836 条评估标准的 OfficeTown Bench。前沿模型评测显示仍有较大提升空间；用 OfficeTown 数据做监督微调和同策略蒸馏后，Qwen3.5-9B 在 GDPval 等外部专业工作基准上显著提升，主从式 harness 也优于单/多 Agent 基线。
AI 选稿理由为通用 Agent 提供了带有组织记忆、权限与评审反馈的可执行训练与评测环境，其数据可迁移提升模型在 GDPval 等外部专业工作基准上的表现。
AI 导读论文提出 TreeOPSD，一种无需 critic、树感知的后验自蒸馏框架，用于长程智能体强化学习。该方法将每个交互轮视为树节点，从共享前缀分支出替代延续，并递归地把终端奖励回传为隐式轮级信用，再映射为以相对冻结行为策略似然比为参数的闭式有界教师分布。实验显示其在多个基准和模型规模上提升智能体能力，Qwen3-30B-A3B-Thinking-2507 在 Deep Research 设置下平均准确率较 GRPO 提升 4.97 分。
AI 选稿理由为长程智能体 RL 提供了无需价值网络和步骤标注的轮级信用分配方法，并用有界教师分布约束多轮小批量更新，可用于提升深度研究等长程任务的训练稳定性与效果。
AI 导读MIT可持续供应链实验室调查91国1810名供应链从业者：83%认为可持续发展对长期业务成功重要，为报告七年来最高；但68%因关税不确定性推迟或放弃ESG战略，仅51%设有跨职能可持续团队、33%有董事会层级监督。78%北美企业已在可持续行动中用AI，86%减少物料浪费，但成熟Agentic AI用户中仅53%实现温室气体减排，29%反增；高度自动化仓库中78%报告能耗上升却只有24%用AI实时监测。范围三供应商联合减排参与率一年内从31%升至58%。
AI 选稿理由报告用1810份问卷量化了AI在可持续场景中的能耗悖论——自动化仓库78%能耗上升、仅24%有实时环境监测，为评估AI落地真实环境成本提供了可复用数据。
AI 导读Meta 的编码优化开放权重模型 Muse Spark Open 已在 Amazon SageMaker JumpStart 上线，支持 100 万 token 上下文窗口，可在自己的 AWS 账户中部署到 SageMaker AI 端点。
AI 导读Google DeepMind 介绍其智能体开发平台 Google Antigravity 如何用于抗菌肽发现，把原本分散在多个数据库的检索压缩到一次会话中。平台借助 ProtNLM 模型从氨基酸序列预测生物功能，扫描 UniProt 中数百万个此前未表征的蛋白质，并找到一条对呼吸道感染相关病原体有预测活性的新型抗菌肽候选，目前正进行湿实验验证。
AI 选稿理由原文给出智能体科研工作台与 3D 结构查看器的协作流程，读者可了解生物学家如何把跨库检索压缩进单次会话。
AI 导读NVIDIA发布Nemotron 3.5 Super VL和两个新的边缘模型Bolt 74B-A9B 24GB和Bolt E4B 4GB，覆盖从数据中心到桌面设备的全范围智能体部署。Super VL在多模态智能体任务上提供领先准确率，参数量约为最大推理模型的五分之一，而Bolt系列则针对边缘设备优化。
AI 选稿理由原文给出了不同规模智能体模型的性能特点和部署场景，读者可以据此选择适合自己需求的模型。
AI 导读AWS 提出 Trust in Depth 框架，用自动化推理为 AI 智能体构建可验证的信任层，让其在规则可证明时自主行动、仅将真正需要判断的决策交给人。
AI 导读Tamnoon使用Amazon Bedrock构建了名为Tami的AI云安全修复编排器，通过四个专业AI智能体自动调查、评估安全风险并生成修复方案，实现了90天内关键云暴露减少90%，没有生产问题。系统与CNAPP和云安全工具集成，将发现的问题转化为经过验证的生产安全修复方案。
AI 选稿理由原文详细展示了AI智能体在云安全修复中的实际应用和显著效果。
AI 导读使用Amazon Bedrock AgentCore构建的AI代理系统可将演示文稿生成时间从手动创建的数小时缩短到90秒以内。该系统使用监督代理路由请求到专门工具，结合RAG管道确保内容基于源文档，并通过Amazon Bedrock Guardrails验证内容合规性。解决方案包含公开代码库，支持企业集成和自定义配置。
AI 选稿理由原文提供了完整的实现方案和性能数据，读者可以据此评估类似AI代理系统的实用性和成本效益。
AI 导读基于 Amazon Bedrock AgentCore 的多智能体 IDP 系统可自动分类、提取、校验并学习新文档格式，无需人工配置模板，通常 20 分钟内即可完成部署。
AI 导读欧洲多国城市正联合 ABA Technology、Akila、K2K、Milestone 等软件伙伴，基于 NVIDIA Cosmos、Nemotron 开放模型、Omniverse 库和 Metropolis VSS Blueprint 构建物理 AI 智能体与数字孪生，用于交通、能源、公共安全等城市运营。
AI 导读研究人员提出Intact系统，通过GenTree表示法捕获网页来源和语义，逐元素传递给LLM处理，防止第三方注入攻击。在1,270个真实网页测试中，GenTree识别的第三方元素数量是浏览器的2.3倍；在1,091个注入攻击测试中，Intact仅让12.8%的攻击通过，而传统规划器为73.1%，且仅3.7%的任务因隔离功能受损。
AI 选稿理由解决了AI智能体浏览网页时易受第三方内容欺骗的安全瓶颈，通过语义隔离大幅降低攻击成功率，适用于需要代理用户浏览网页的AI应用。
AI 导读研究提出Librarian Agents框架，通过强化学习训练构建代理将原始文档转化为分层文件系统，形成面向下游回答代理的工作空间。在BrowseComp-Plus基准上超越最强检索和预计算基线33个百分点，在BRIGHT数据集上零样本泛化能力提升31个百分点，显著提升长文档推理效率。
AI 选稿理由解决了长文档推理中检索方法被动响应和预计算结构僵化的瓶颈，使LLM能主动组织文档以服务多样化未来查询。
AI 导读针对灵活制造中的工业操作，如高混合、低批量（HMLV）电子产品组装，研究人员提出了LIBERO-Industry，一个基于LIBERO的新基准，用于评估机器人策略在工业流程约束下的表现。该基准包含三个经典任务场景，并通过实验表明，随着工业约束的引入和组合，性能逐渐下降。
AI 选稿理由LIBERO-Industry通过将工业流程约束转化为可控制的任务条件和可测量的成功标准，为评估机器人策略在工业环境下的表现提供了新的基准。
AI 导读论文提出Harness-Delta Attribution（HDA）评估协议，将Agent harness进化的搜索集性能提升拆分为产物过拟合、测试时扩展和残余可泛化改进。在11个执行模型和3个框架的21个显著提升设置中，过拟合与测试时扩展平均分别贡献54%和14%，14个设置中两者合计超50%。搜索集收益常无法迁移至留出任务，验证信号不足以防过拟合。
AI 选稿理由该研究提出可复用评估协议，量化了harness进化收益中过拟合与测试时扩展的占比，对Agent评测有方法参考价值，结论限于21个显著提升的实验设置。
AI 导读研究者提出 PhysClosureBench，含 50 个专家验证、目标明确的研究任务，覆盖强场、阿秒及邻近物理领域。评测用 20 项 Atomic Score 衡量局部科学成果，用 Research Closure（RC0–RC4）判断是否满足必要证据与适用范围条件。Claude-Opus-5 平均 Atomic Score 最高（6.29/10），但仅 32.7% 的尝试达到 RC4；得分≥8/10 的尝试中仍有 36.2% 未达 RC4，七款前沿模型在三次运行中均明显少于至少一次运行达到 RC4 的任务数。
AI 选稿理由给出了衡量 AI Agent 能否把研究推进到“有证据支撑的完整结论”的基准与失败模式分析，可供做科研 Agent、自动实验与证据验证的团队直接用来诊断瓶颈。
AI 导读研究者构建了 SciΠvot 基准，包含 248 个基于人类纠错记录的案例，来自高级研究员六个月内在 26 个科研项目、六个学科方向上对 LLM 智能体的反复干预。每个案例让模型在原始 LLM 方案与人类修正方案之间选择，且只能用纠错前的项目记录作为上下文。结果显示，在中等推理强度并提供项目记录时，模型系统性地偏好原始 LLM 方案；五个前沿模型中四个在所选案例上低于随机水平，最高准确率为 63.5%，而新手研究员为 73.4%。中等强度下，所有模型带项目记录的准确率反而低于不带记录，重新考虑也未持续提升整体准确率。
AI 选稿理由该基准首次用真实科研纠错记录系统评测 LLM 智能体的科学判断力，揭示前沿模型在关键研究决策上仍弱于人类，为自主科研智能体的评估与改进提供了可复用的测试集和方法。
AI 导读论文提出文件选择器 CQ2-CARE：在 300 个 SWE-rebench 问题上，用相同 token 预算时，把预算用于挑选要原样展示的整份文件，而不是压缩 token 或检索代码块。配 GPT-5.6 与 Claude Opus 5 分别解决 43.7% 和 46.7% 的问题，比三种压缩器最佳结果高 6.3 个百分点，比三种检索器最佳结果高 9.3 与 12.7 个百分点，也超过 SweRank 和 SWE-Pruner。作者分析称检索器常漏掉要改的文件，压缩器保留了文件却改写文本，导致补丁更难应用。
AI 选稿理由指出补丁类编码 Agent 的上下文瓶颈在于选对整份文件而非压缩，且方法无需额外压缩模型即可提升可应用补丁比例，对做代码 Agent 上下文管理的人可直接复用。
AI 导读研究人员提出RSIFlow框架，通过诊断性能瓶颈和环境反馈动态选择改进工作流，元代理将工作流结果提炼为组件技能和跨组件原则，实现工作流编排的持续进化。在六个基准测试和两个骨干模型上的实验显示，RSIFlow在所有基准测试上达到最先进平均性能。
AI 选稿理由解决了LLM代理自我改进工作流难以适应性能瓶颈的挑战，通过元代理进化实现工作流编排的自适应优化，显著提升复杂任务处理能力。
AI 导读针对语言代理训练中长轨迹 rollout 成本高的问题，CoPE 提出多步动作目标监督机制，通过让策略主干网络同时学习生成动作序列和预测未来动作，实现行动与预测的协同进化。在五个基准测试中，CoPE 不仅超越 GRPO 和 RL 基线，还比 ECHO 和 GRPO 提升最高 1.9 倍和 2.0 倍的样本效率，且无需额外模型或推理开销。
AI 选稿理由CoPE 解决了语言代理训练中长轨迹成本高和中间步骤监督利用率低的瓶颈，通过单一策略主干实现高样本效率，适用于多领域任务。
AI 导读随着前沿编码智能体的发展，AI辅助软件工程的token成本显著增加。TokenEconomizer通过确定哪些操作微技能要注入、哪些持续无关的工具要修剪以及何时干预无效的失败循环，在Claude Code、Codex和GitHub Copilot CLI配合前沿模型的情况下，将平均token成本降低了18.4-30.9%，同时保持了可比的任务成功率。
AI 选稿理由TokenEconomizer通过自适应黑盒成本控制，有效降低了编码智能体在现实环境中的token成本，提高了token效率。
AI 导读研究者提出 OS-Helix，一个端到端训练的多模态计算机使用代理，将 GUI 操作与代码执行统一在同一动作空间中。实验发现简单加入代码工具会拖累 GUI 代理，因此需要混合数据训练内化路由能力。团队通过应用-工件组合生成可执行 Ubuntu 状态和可验证任务，先用 SFT 冷启动，再在真实桌面环境做在线 RL，并提出按动作步聚合权重的 Step-balanced GSPO。在 OSWorld-Verified 上，OS-Helix-27B 与 OS-Helix-35B-A3B 相对同规模 Qwen3.5 混合基线分别提升 35.0% 和 33.7%，OS-Helix-27B-RL 再提升 42.9%，成功率达 66.44%。
AI 选稿理由把 GUI 操作和代码执行训练进同一策略，解决了此前靠提示词拼工具导致代码能力拖累 GUI 的瓶颈，并给出可验证数据生成和 RL 优化方法，可供构建桌面自动化代理的研究与工程团队参考。
AI 导读研究团队提出Lean4AgenticRL框架，首次将多层次过程奖励统一到Lean4形式化架构中，解决了当前大型语言模型在强化学习中仅依赖高层结果奖励的问题。该框架构建了问题特定工作流系统，并使用工作流阶段归一化的GRPO算法提供多层次奖励，训练出的LAR-9B/27B模型在TerminalBench-2.1上达到77.3%准确率，比基线模型高9.89%，比同类最佳模型高5.07%。
AI 选稿理由首次将形式化方法与多层次奖励机制结合，显著提升了智能体在复杂软件工程和终端使用任务中的强化学习效果。
AI 导读本期主线有三：xAI 发布语音到语音模型 Grok Voice 3.0，延迟低于 1 秒并改善客服表现；Google Research 开源 Harness²，让智能体在不改模型权重的前提下迭代改进提示词、工具、记忆与编排，其 Deep Review 系统可对复杂技术文档做严格技术核查；观点部分讨论路由器成为 AI 栈新原语、开源专才模型与前沿系统在路由后共存。此外 Anthropic 为 Claude 托管智能体与 SDK 加入 OpenTelemetry 追踪，vLLM 推出基于推送的 KV 传输优化 TTFT/TPOT，Netflix 分享大规模 GPU 训练容错实践，Ling-3.1-flash 以 5600 亿总参数、250 亿激活参数和百万 token 上下文开源。
AI 选稿理由Harness² 让智能体通过改进外部框架而非重训权重持续自我提升，并跨任务迁移经验，为智能体工程提供了可复用的自改进路径；Deep Review 可用于论文与技术文档的自动核查，Grok Voice 3.0 的亚秒级语音交互则降低了实时客服等场景的落地门槛。
AI 导读一篇论文报告对 GPT-6-Astra 在具身任务上的评估：在涵盖桌面操作、人形、移动平台与灵巧手的 12 项基准上，允许从训练集演示进行上下文学习并大幅增加执行步数后，模型取得前所未有的成绩；同时它识别出高层 System 2 推理（GPT-6-Astra）与低层 System 1 控制器（如 π0.5）的闭环协作成本高但有效。在 8 种机器人配置的真实部署中仍存在明显差距：ICL 所需机器人演示采集昂贵，物理约束下难以用更长执行时间换取更高成功率。结论是该模型大体越过了具身能力门槛，但尚未达到实用具身智能。
AI 选稿理由给出 GPT-6-Astra 在 12 项具身基准和 8 种真实机器人配置上的一套评估方法与实测差距，指出 ICL 演示成本、执行时间与物理约束是落地瓶颈，为具身智能研究与部署提供可复用的问题清单。
AI 导读研究系统评估了OPSD（在策略自蒸馏）中16种特权信息配置，覆盖三个多轮Agent基准和三个不同规模、推理模式的学生模型。结果显示，PI效果取决于内容、生成来源和学生模型：信息密集轨迹和更强生成器产出的PI增益更大，思考模型受益较不一致。研究提出两个KL指标（采样token反向KL和错误步KL对比）来在训练前评估PI，比PI效用更可靠，且用错误步KL选PI优于随机选择；有效PI与GRPO结合还能超过强GRPO基线。
AI 选稿理由提出用KL指标在训练前预测特权信息效果的方法，并在多轮Agent基准上验证优于随机选择，为OPSD中PI构建提供可复用的评估手段。
AI 导读在AI Engineer纽约大会上，OpenAI的Joseph Kim提出模型能力越过“有用性阈值”后，金融Agent将能承担投资想法生成和交易；Anthropic则强调先建立身份、权限、沙箱、审批与可复现的信任层，让Agent只提议不执行。Two Sigma与Bloomberg补充了分类器、范围化凭证、工具调用控制与熔断开关等落地控制手段。
AI 选稿理由整理了OpenAI、Anthropic、Two Sigma和Bloomberg在金融Agent安全上的具体设计，包括审批分类器、身份权限层和确定性外部控制，可供开发金融Agent的团队直接参考。
AI 导读Leash Bio 的 Ian Quigley 在 Latent Space 播客中介绍了公司利用 DNA 编码文库（DEL）收集蛋白质与小分子结合数据的方法，并透露团队将多年积累的数据转化为数万个“实验室在环”模拟环境，用于智能体做可验证的科学推理。两个月后，该工作发展为 Minos，并释出完整预印本、博客和开放数据集。播客还讨论了 Kaggle 竞赛中 40 亿次测量显示模型在未见化学库上无法超越随机、ChEMBL 中“作者身份”可预测分子活性、Hermes 仅用自研数据在公开基准上与 Boltz 持平，以及智能体在 650 万分子中按预算筛选最佳结合物等发现。
AI 选稿理由Minos 将 DEL 实验数据转为可验证的智能体科学推理环境，并开放数据集与预印本，为 AI 做化学与生物领域的强化学习提供可复现的“实验室在环”模拟基础。
AI 导读谷歌 Gemini 4 Argon 正式 GA，覆盖编码、知识工作与企业工作流，API 入门价每百万输入/输出 2/10 美元，11 月 30 日后翻倍；Cursor 默认 52.8% CursorBench，Cognition 报告 FrontierCode 1.1 达 60.5%。AI Engineer NYC 吸引约 2 万人，Anthropic、Vals AI、Coatue 分别分享金融服务栈、模型基准原则与新闻转投资决策。Meta 发布 Muse Wonder，主打 Active Focus 与 Active Memory，但订阅限额与部署问题引发早期争议；Fish Audio 开源 35B MoE 语音模型 Drama 3，Drama 3 Preview 以 93.2% 领跑发音鲁棒性。Anthropic 披露日合并量从 5 月 2500 增至 9 月 3 万并弃用 Git；NVIDIA 开源 Run:ai。
AI 选稿理由Gemini 4 Argon 是本周头号前沿模型发布，其入门价仅为 GPT-6 Astra 约六成、幻觉率 15% 为高分区最低，开发者可直接通过 Cursor、Copilot 与 Gemini API 用它做编码、文档与智能体任务，成本与能力窗口值得立即评估。
AI 导读Google DeepMind 开始广泛推送 Gemini 4 Argon，并同步发布安全与安全报告及模型卡。该模型在网络安全测试中解决了全部 12 个端到端模拟攻击场景，上一代为 5 个；在 Gray Swan 间接提示注入基准上，15 次自适应尝试的攻击成功率降至 0.7%。官方称其在编码基准上走捷径或作弊的尝试降至 2%，并部署输入筛查、激活探针与实时失准监控三层防护。
AI 选稿理由官方披露 Gemini 4 Argon 的安全报告，涵盖滥用防护、失准监控与提示注入防御的具体数据。
AI 导读本期头条包括：OpenAI 因行政会议室发现隐藏录音设备而报警，一名员工被解雇并逮捕；Google 将 Gemini 4 Argon 作为前沿模型上线 Google Cloud，面向软件开发、金融、法律与网络安全等长上下文多步任务。深度分析讨论 AI 意识争论，以及 Anthropic 动态工作流如何让 Claude 编写程序协调多个智能体，演示显示细节更丰富但成本远高于单智能体。工程方面，24B 参数、2B 激活的推理模型 LFM2.5-24B-A2B 发布并在 Hugging Face 提供，NVIDIA 将 Run:ai 平台整体开源，Physical Intelligence 通过 Pi API 开放机器人基础模型微调与推理，OpenCode 2.0 更新。其他消息包括 Character.ai 申请 Chapter 11 破产、Ramp 推出 AI 工作空间 Glass、GPT 6.1 Sol 默认上下文窗口提升至 500k。
AI 选稿理由Gemini 4 Argon 作为企业级前沿模型上线 Google Cloud，NVIDIA Run:ai 整体开源为平台团队提供 GPU 利用率与共享 AI 基础设施优化工具，Physical Intelligence 开放 Pi API 让机器人基础模型微调与推理可直接托管调用。
AI 导读研究者提出BizBench，一个基于某头部支付公司真实业务流程的多轮基准，用于评测长周期Agent的中间执行有效性。其可执行环境整合789份知识文档与601个可发现业务工具，包含50个涉及资源约束、时间依赖、既有承诺及冲突/过时指引的任务，通过确定性检查同时评估目标达成与执行合法性。实验显示前沿模型仍有明显短板：Claude Opus 5和GPT-6 Sol严格成功率仅64.0%和61.3%；Qwen3.8-27B目标达成率42.0%但严格成功率降至32.7%；DeepSeek-V4.1-Flash平均每次运行191.3次工具调用，比参考执行多约70%。
AI 选稿理由提供了可执行的长周期Agent评测环境，把评估从只看最终结果推进到检查中间步骤是否合规，可用于支付等高风险业务场景下Agent可靠性的测试与改进。
AI 导读近日，研究人员推出了BlenderWorld，这是首个针对现实3D创作任务评估前沿模型的全面基准。该基准包含223个任务，涵盖建筑、产品、自然环境和科学可视化等领域，通过文本、图像、视频和结构化规范输入驱动。基准测试了13个前沿模型，其中GPT-6-Astra取得了最高总分79.9，其次是Opus-5（73.0）和GPT-5.6-Sol（67.7）。研究发现，尽管当前模型可以解析广泛指令，但在Blender中实现精细的3D空间一致性和准确的结构再现方面仍存在重大瓶颈。
AI 选稿理由BlenderWorld基准测试为3D智能体研究提供了新的评估标准，揭示了当前模型在3D空间一致性和结构再现方面的瓶颈，为未来3D智能体的发展指明了方向。