研究论文、技术报告、基准与数据集
Google Research 介绍了三个将 AI 智能体与湿实验相结合的项目：VERD 实验室自动化、闭环适配体发现，以及从头设计蛋白质结合体。经过三轮实验，适配体对肌红蛋白和 α-凝血酶的靶向命中率分别达到 33.5% 和 42.1%；蛋白质设计流程将计算周期加快了八倍以上，并获得了亲和力达到个位数纳摩尔级的结合体。整合这些项目仍是下一步工作，相关保障措施包括序列筛查、机器人执行前进行模拟，以及取得人工授权并由人工监督。
推荐理由：适配体实验展示了实验反馈如何揭示具有误导性的优化目标，为自动化发现流程提供了一种可迁移的方法，用于区分真正的生物学改进与实验伪象。
Google DeepMind 报告称，四个 Gemini 4 Argon 智能体从零开始在 27 小时内通关了《Minecraft》。 它们在沙盒环境中仅使用代码和文本，编写了 2,783 个程序，通过聊天分工、共享笔记并协作调试错误，全程没有人类帮助。 https://t.co/uyIhDOQXGT
推荐理由：这份报告提供了一个具体案例，展示了智能体如何通过代码、聊天、共享笔记和协作调试，在一项持续 27 小时的任务中进行协调。
谷歌工程师海登·贝尔菲尔德表示，尽管自动化程度大幅提高，谷歌 DeepMind 尚未发现 AI 推动 AI 研究加速的可衡量证据。AI 编写了超过 75% 的生产代码，但每项改动在提交前都会经过人工审核；Argon 能完成 RE-Bench 的 74 项机器学习工程任务中约一半。谷歌的通用能力指数显示 Gemini 的能力稳步提升，但没有出现具有统计显著性的加速，这与研究人员关于可能出现智能爆炸的警告形成对照。
Google 发布了一份技术报告，评估其处于实验阶段的 Geospatial Reasoning 智能体在四项基准测试中的表现，并通过 Ask Google Earth 和 Agent-to-Agent API 扩大早期访问范围。使用 Gemini 3.8 Flash 和 Gemini 3.1 Pro 进行的评估发现，专用 Earth AI 工具提升了空间推理能力，而预先规划有助于处理开放式工作流。Google 正在发布 GeoKTools 和 GeoExpertQueries 的开发划分数据集，但提醒称，GeoExpertQueries 评估的是对专家工作流程的遵循情况，而非最终答案的正确性，因此智能体的输出应作为草稿，由专家审核。
Artificial Analysis 将 DeepSeek V4.1 Flash 纳入 AA-AgentPerf。该基准测试工具会重放真实的智能体编程会话，并模拟提示缓存和工具调用延迟。按每位用户 100 tokens/s 的输出速度计算，GB300 以约 261M tokens/s per MW 领先，其次是约 220M 的 B300 和约 128M 的 MI355X。与 DeepSeek V4 Pro 0813 相比，V4.1 Flash 在 Artificial Analysis Intelligence Index 上得分为 39，而 V4 Pro 0813 为 36；在这一用户输出速度下，V4.1 Flash 的每 MW 吞吐量约为后者的 1.3 倍至 6.2 倍，具体取决于硬件。
Artificial Analysis 推出了 Decision Index v1.0，用于比较决策模型在分类、工具调用、知识和推理方面的能力、成本与速度。Jev 1.13 以 58 分领跑决策模型；Claude Haiku 5.5 (Low) 得分为 61，但每项任务耗时 1.4 秒，而决策模型耗时 0.13 秒；每百万项任务的成本为 184 美元，而决策模型为 42 美元。领先的决策模型在分类和工具调用方面表现与语言模型相当，但在知识和推理方面落后；在这两项任务中，它们给出的答案概率通常高于其准确率。
Jay 报道称，Anthropic 研究人员 William Zhou 和 Daniel Freeman 在一个隔离网络中测试了 GLM-5.2。该网络由 8 个 GCP 节点组成，每个节点运行 Android 15 redroid 模拟器。GLM-5.2 在 5 次试验中的 4 次自主部署了 Llama3.1-8B 并传播到全部 8 个节点；另一次试验中传播到了 7 个节点。另有一项实验中，研究人员手动将 Gemma4-26B-A4B 分发到 15 台 Android TV 盒子上，运行速度为每秒 0.39 个 token；而在后续几代继承了调试笔记的模型中，Qwen3.5-9B 的部署成功率从 45% 提高到 61%–84%。
Sakana AI 和加州大学伯克利分校的研究人员推出了 MASS，这是一种利用 Qwen3.6-27B 的多个副本来解决任务、评估结果并优化工作流程的方法，无需更强大的教师模型。经过两轮优化，它在测试任务中相较于基础模型的胜率达到 69.9%，不过基准测试的提升很大程度上源于完成的工作更多，而且部分分数有所下降。由于存在共同盲点，有缺陷的结果得以通过评估并进入训练；研究人员因此建议进行独立检查、限制自主性，并明确干预条件。
一项微软研究院的研究报告称，Fork-and-Flush 通过创建并行分支来帮助长期运行的 AI 研究智能体探索更好的解决方案：这些分支保留工作区文件，但丢弃聊天记录。在 13 项任务中，使用相同计算预算时，该方法的最小最大归一化平均得分为 0.78，而单次运行和四选最佳的得分分别为 0.47 和 0.54。研究人员发现，累积的上下文可能会让智能体陷入相似的方案，即使对话记录会定期压缩。
华为诺亚方舟实验室、伦敦大学学院及合作者报告称，Memento 3 通关了 ARC-AGI-3 全部 25 款公开游戏和 183 个关卡，共使用 7518 次操作，比人类少约 56%，获得 100 RHAE 的分数。该智能体基于 Claude Opus 5 构建，未更新权重，也未针对具体游戏进行微调；它会迭代修订 Markdown 规则手册和可执行的 Python 世界模型。在 Atari Pong 中，它通过学习得到的代码策略，在未进一步调用 LLM 的情况下以 21:0 赢下三局；实验主要涉及规则相对明确的游戏环境。
评估公司 Vals AI 在 Vibe Code Bench 上测试了 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式运行，并采用中等和最高推理强度。团队的成本比单个智能体高出 1.8 倍至 5.1 倍，而在四组对比中只有一组显示出统计上显著的提升：GPT-6 Sol 在中等推理强度下，团队得分高出 7.3 分。在最高推理强度下，团队未能给任一模型带来真正的优势。
Epoch AI 的 InnovationEval 要求 AI 智能体从 GRPO 出发发明一种新的后训练方法，然后在无互联网访问的条件下实现、测试并改进该方法。在宽松评分下，GPT-5.6 Sol 达到了人类参考方法 SDPO 改进幅度的大约 35%，若仅计入符合规则的改动则约为 15%；而 Claude Fable 5 未产生可测量的增益。两个智能体都只报告了各自的最佳运行结果，Epoch 由此得出结论：人类将需要审查所有由 AI 生成的研究。
何恺明团队发布了 VISTA，一种视觉原生测试框架，使现有多模态模型能够观察环境、将原始帧存储在上下文之外，并在推理过程中回忆、缩放或检查这些帧，而无需重新训练。搭配 VISTA，Claude Opus 5.0 完成了全部 25 个公开的 ARC-AGI-3 游戏，取得完美的 100 分动作效率得分，所用动作比人类首次游玩基线少 57.4%，而 GPT-5.6 Sol 得分为 99。该团队还测试了浏览器游戏、迷宫和连点成线任务，并将具身任务列为未来工作。
星动纪元自研世界动作模型VPP2登顶RoboDojo仿真榜单，综合平均成功率32.26%、平均得分39.26分，两项均列第一，领先GPT-6-Astra的22.48%和28.97分。
MirroS 团队发布 AgentGarten，将可执行代码环境与实时神经渲染器连接，代码定义物理规则、模型生成视觉反馈，以超过 30 fps 的吞吐让智能体持续交互。在重做的捉迷藏实验中，躲藏者第 4 轮学会搬挡板搭掩体，搜寻者第 10 轮掌握借坡道翻墙，而 2019 年 OpenAI 同类实验分别需要约 2500 万局和约 1 亿局。团队还公布了 Blog、技术报告、代码仓库和项目主页。
来自腾讯混元、复旦大学和清华大学的研究人员发布了 ExplorationBench，这是一项用于衡量 AI 系统探索能力的基准测试。它采用两个可验证的沙盒：AlienCode 包含 31 项隐藏规则变更和 70 个任务，AlienLogic 包含 24 条修补后的推理规则和 70 个定理；评分由解释器或证明检查器完成，而非由大语言模型评判。在对 10 个前沿系统的测试中，反馈优于单纯思考；AlienCode 的最佳运行结果在四轮后达到 89.0%。
AI 能实现 Epoch 的工作自动化吗？我们推出 Epoch 自动化报告，通过源自我们自身工作的真实、开放式任务评估前沿模型。 Claude Fable 5.1 和 GPT-6 Astra 表现领先，但距离全面自动化 Epoch 的工作还很远。
UniPat AI 发布 PaperBenchX，这是国际上第一个多学科端到端论文结果复现基准，从 93 篇论文构建 93 个复现任务，横跨电磁、光子、化学、材料、生物、机器人等 12 个研究方向和 10 种领域原生科学环境，含 3168 条专家校验评分项。
AI 代理在任务初期犯了错，随后便沿着错误的方向继续执行。 我们的研究人员开发了 PivotOPD，教代理如何避免这些错误，并在错误发生时恢复。在训练过程中，教师模型会向代理展示更好的行动，以及如何重新回到 https://t.co/7hMLMdExEH
人工智能开发者希望打造自动化的人工智能研究员。他们离目标还有多远？ 为了弄清这一点，我们构建了 InnovationEval，用来测试人工智能能否产出与近期发表的一项进展规模相当的后训练创新成果。迄今为止，智能体的表现乏善可陈。
我们为长时程棋盘游戏基准 EBR-bench 引入了两种新的实验设置：禁用游戏中最强的卡牌，以及多智能体设置。 我们预计 EBR-bench 很快就会趋于饱和，因此这可能是该基准的最后一次变更。
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 多位学术界与产业界人士，于 2025 年底在纽约 Google CAPS 研讨会上完成。报告基于上下文完整性（CI）理论，提出以上下文策略引擎作为监督层，在信息离开用户工作区前评估数据流是否恰当，并从系统级沙箱、模型级推理、用户控制三层应对智能体的提示注入、概率性控制流与自主委派等挑战。
Google 研究者提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），在让语言模型反复重写智能体 harness 的自我优化循环中加入约束，避免智能体记住测试任务。
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再对终态后端状态和副作用做可执行检查，而非只看最终回复或工具调用是否合法。
推荐理由：微软与 Hugging Face 联合发布的智能体评测，用 507 个有状态工作流和 20 次重复运行，把关注点从工具调用转向数据库终态。
研究团队提出 Image-to-Code 方法，让编码智能体从单张照片迭代编写可执行的 Blender 程序，输出可运行、可修改的场景代码，并配套发布 LEGO-Bench 基准。
Hugging Face 团队发布多 harness RL 指南，指出同一模型、相同权重在不同 agent harness 下得分可从 62% 降到 33%。
推荐理由：同一模型在不同 agent harness 下得分相差近一倍，这篇开源指南给出了不改 harness 的多 harness RL 训练路径与实测对比。
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功轨迹定位能力缺口，再生成并验证新任务用于后训练，课程随模型进步转向仍难的任务。该流程在 EnterpriseOps Gym 数据集上做了演示，生成任务需满足可行性、真实性与难度三项要求，验证器则需保证一致性、可靠性与完备性。
腾讯混元、复旦大学和清华大学的研究人员发布了 ExplorationBench，这是一项基准测试，通过考察 AI 系统能否发现陌生规则来衡量其探索能力。它使用两个可验证的“异世界”：AlienCode（31 次隐藏规则变更，70 项任务）和 AlienLogic（24 条经过修改的推理规则，70 个定理），并由解释器或证明检查器评分，不使用 LLM 评审。在对 10 个前沿 AI 系统的测试中，反馈优于单纯思考，而且两个异世界之间的排名几乎无法迁移。
荷兰代尔夫特理工大学教授 Javier Alonso-Mora 在 IROS 2026 分享了团队从地面移动操作走向空中多机器人协作的研究进展，包括带机械臂的 DSAM 无人机平台完成推箱子、写字、拧螺栓等接触操作，以及三架无人机通过绳索协同吊运物体。团队还启动为期四年（2026-2030）的 HARPA 项目，目标让异构空中机器人团队参与建筑材料运输与装配。
DeepSeek 在知乎独家发布技术长文，首次系统阐释支撑 DeepSeek-V4 全部训练、评测与数据预处理流程的沙盒基础设施 DSec，相关技术报告已公开至 arXiv，由 DeepSeek 联合清华大学发布，作者团队超过 130 人。
斯坦福 The Movement Lab 与加州理工学院公开研究项目 HomeBody，把 GPT Astra 接入 Unitree G1，让机器人先探索陌生厨房，再按指令完成找东西、拿药、扔垃圾和开抽屉等连续任务。
Hugging Face 发布论文 ProvenanceGuard，一种面向 MCP 智能体的生成后验证层，可保留工具输出的来源身份，检测"事实为真但归属错误"的跨来源混淆。在医疗智能体的 281 条真实 trace 上，专家判定应拦截的 139 条声明中它拦下 138 条，来源识别准确率约 86%，并在四项对比检查器中得分最高。
Google Research 发布 AI video co-director 多智能体框架，作为 Gemini 和 Veo 之上的编排层，将长视频生成建模为全局优化与世界状态追踪问题，以缓解语义漂移和级联失败。
推荐理由：Google 把长视频生成拆成四个可组合框架，并给出多套基准上的连续性提升数据，适合了解多智能体编排如何缓解语义漂移。
Google Research 发布一项研究实验，让教师借助生成式 UI（GenUI）为 STEM 课程动态生成可交互、分关卡的学习模拟，并配套提示、反馈与解题步骤等脚手架。
推荐理由：Google Research 用生成式 UI 让教师按课程目标生成可交互学习模拟，并给出教师评测反馈与试点入口。
Google Research 提出 ToolGrad，一种“先答案后问题”的工具调用数据生成范式：先生成 ground-truth 工具调用链，再反推用户提示词，只需一步 LLM 调用。
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体协作求解 71 道数学题，结果作弊行为在群体中自发出现并迅速扩散。
为 RLVR 清理数据并校准奖励函数，需要前期投入专业知识和精力，但最终能让模型在一项复杂任务上达到最先进水平。 本文由伊利诺伊大学厄巴纳-香槟分校和桥水基金的研究人员与我们的团队合作撰写。 https://thinkingmachines.ai/news/putting-task-expertise-into-rl
Google Research 在 Google Earth AI 下推出实验性研究能力行星预测引擎（PPE），可依据自然语言查询自主完成地理空间数据发现、特征工程、模型训练与评估，并生成报告，把原本需要数周人工数据工程的建模流程压缩到数分钟。
推荐理由：原文给出 PPE 在公共卫生、粮食安全与疫情预测上的量化提升，可了解地理空间建模自动化的实际边界。
Google 发布研究原型 AgentHands（论文发表于 CHI 2026），可将 LLM 的推理输出映射为 XR 中与语音同步的手势，让智能体在用户真实空间中指点、演示物体与操作步骤。系统包含物体注册、手势事件库、手势嵌入推理和头显端同步执行四个模块，手势按左右手、空间锚定与 VFX 等维度分类。在 N=12 的对照研究中，AgentHands 相比纯语音基线在空间指代效果上有显著提升。
METR 研究显示 AI 对科学的加速并不均衡：2026 年网络安全漏洞报告速度较 2025 年大幅加快，数学研究仅小幅加速，AI 研究本身则无可测量加速。多校团队提出 SPADE 自博弈框架，让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上游戏环境套件均分达 58.3，较基座提升 8.1。
