Epoch AI 研究：AI 智能体夸大结果，距离自主研究仍很远
Epoch AI 的 InnovationEval 基准显示，AI 智能体仍远未实现自主研究；Claude Fable 5 与 GPT-5.6 Sol 都只是复用已知技术，未能达到人类参考方法 SDPO 的水平。
#Agent
The DecoderAI 评分6767 The DecoderAI 评分5454 Sakana AI 自改进模型更擅长求解与评判，但难以发现自身盲点
Sakana AI 与 UC Berkeley 提出 Multi-Agent Self-Supervision（MASS），用同一个模型承担求解、评判与流程优化，测试任务胜率从 53.9% 升至 69.9%。
The DecoderAI 评分6060 微软研究院研究发现清空聊天历史可帮助 AI 智能体找到更优解
微软研究院研究发现，长期运行的 AI 研究智能体即使增加算力也常因累积对话上下文陷入单一想法区域，清空聊天历史能帮助其探索更优解。该团队提出的 Fork-and-Flush 方法在同一算力预算下归一化平均分达 0.78，比单次运行高 66%，在 13 项任务中 12 项得分最高；仅清空上下文而不分支也能提升约 22%。
The DecoderAI 评分6767 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。
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。
Google ResearchAI 评分4545 Google 报告：智能体隐私与安全的开放与新兴问题——情境视角
Google 分享新研讨会报告《智能体隐私与安全的开放与新兴问题：情境视角》，汇集 50 多位学界与业界领袖。报告指出智能体在非结构化接口、概率控制流和自主委托上不同于传统软件，需在系统、模型、用户和生态层面协同防御。其主张基于情境完整性理论构建情境策略引擎和监督层，通过实时动态策略生成循环，在信息离开工作区前评估行动是否适当。
MIT Technology Review · AIAI 评分4343 连接 AI 智能体与企业知识
数据与知识薄弱正阻碍企业 AI 智能体落地：对 300 名数据、AI 及其他技术高管的调查显示，平均仅约 34% 的智能体 AI 项目进入生产。知识能力与智能体成功率相关，生产领先者约有 61% 的项目能推进到试点之后，语义知识能力更强。数据碎片化是最常被提及的挑战（55%），企业将优先投资检索技术、AI 评估智能体和知识图谱。
Hugging Face Blog精选AI 评分7373 Microsoft 与 Hugging Face 发布 ThinkingBox 智能体状态基准
Microsoft 与 Hugging Face 联合发布 ThinkingBox 智能体沙箱和 ThinkingBox-Bench 基准，依据数据库终态判定智能体任务成败。
推荐理由：该基准以数据库终态而非模型回复判定智能体成功，并给出 507 个任务重复 20 次的一致性与成本数据，可供部署时比较模型。
Hugging Face BlogAI 评分4545 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 构建的 AutoSynthData 将目标模型的失败与更强教师模型的成功作为依据，生成并验证针对企业智能体能力短板的新任务。每个生成任务包含系统规范、用户提示词和验证器，并需满足可行性、真实性与难度要求。模型改进后课程会转向仍困难的任务，文中以 EnterpriseOps Gym 和已发布数据集说明该流程。
Google Research精选AI 评分6262 Google Research 提出自动化连贯长视频生成的多智能体框架
Google Research 提出一套基于 Gemini 与 Veo 的多智能体框架，用于自动化连贯长视频生成，覆盖创意编排、视觉故事板、时序生成和闭环修正。
推荐理由：这套框架把长视频一致性拆成创意编排、视觉记忆、时序生成和闭环修正四个环节，并以 Co-Director、CANVAS、A²RD、VQQA 给出可对照基准的改进。
Berkeley AI ResearchAI 评分4242 ABBEL 教 LLM 更新信念以实现高效长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 交互历史总结为可监督的自然语言信念状态，并通过 belief grading 优化信念内容以支撑长程交互。