研究发现 AI 智能体团队消耗大量 token 但质量提升微乎其微
Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 发现，多智能体团队仅一个比较有统计显著改善，成本却是单智能体的 1.8 到 5.1 倍。在最大推理档位，团队设置对两款模型都没有实际优势。Anthropic 与 OpenAI 研究者也指出，多智能体主要换来速度而非更好的输出质量。
#编码
The DecoderAI 评分6767
Ars Technica · AIAI 评分6666 哈佛研究：AI编程代理生成更多代码但未增加软件产出
哈佛大学研究者 Fiona Chen 和 James Stratton 分析覆盖700多家公司、3亿工作事件的数据后发现，AI编程代理生成更多代码，但代码评审成为瓶颈，几乎没有证据表明企业因此增加软件产出或减少就业。研究基于 Jellyfish 的聚合工程数据，涵盖2021年至2026年3月超过70万名员工；同时代码评审时长显著增加，pull requests 更可能需要修改，审阅者留下更多评论。
Hugging Face Blog精选AI 评分6969 Nemotron 微调后在 IOI 与 IMO 均达到金牌水平
Nemotron Labs 团队微调 Nemotron 3，在 IOI 2026 和 IMO 2026 均达到金牌水平，分别得分 535.4/600 和 30/42。
推荐理由：原文给出可复用的四步微调配方，并开放检查点与数据，为竞赛级任务的领域专业化提供了具体参照。
GitHub Blog · AI & ML精选AI 评分6464 GitHub 发布 AI 代码评审开放基准 ReviewBench
GitHub 发布 AI 代码评审开放基准 ReviewBench，其语料来自 1.039 亿个 GitHub PR 的分布，包含 19 种语言、187 个开源许可证仓库的 219 个 PR。
推荐理由：它基于 1.039 亿 GitHub PR 分布构建，公开数据集与裁判配置，并给出与 Copilot 线上实验方向一致的线下信号，便于团队用同一基准迭代评审智能体。