ToolGrad：通过文本“梯度”高效生成工具使用数据集
Google Research 提出 ToolGrad 框架，先生成真实的工具使用链再反推用户提示，仅需单步 LLM 调用即可完成标注。
推荐理由：提出 answer-first 的 ToolGrad 框架，以文本梯度迭代构建工具链，为高效生成高质量工具使用数据提供了可迁移的新范式。
#Agent
#Agent
今日 16 条Google Research精选AI 评分6464 GitHub Blog · AI & MLAI 评分4848 GitHub Copilot App for Beginners: 使用 diff、终端和浏览器
GitHub Copilot App 内置 diff、terminal 和 browser 面板，让用户在同一界面内审查 AI 代码更改、运行命令并预览功能，无需切换编辑器、终端和浏览器。
Amazon Science精选AI 评分7272 机器学习研究智能体为何不过拟合：压缩与泛化
Amazon Science 博客介绍论文《What fits (into few tokens) doesn't overfit》，通过 LLM 智能体在 8 个数据集上的实验表明。
推荐理由：通过可重置的LLM实验为机器学习研究智能体为何不过拟合提供了压缩性解释，并给出可复现的验证方法。
OpenAI NewsAI 评分2727 ChatGPT Work 推出 Data agent，用自然语言连接公司数据、发现洞察并构建交互式仪表盘
ChatGPT Work 推出 Data agent，用户可用自然语言连接公司数据、发现洞察，并构建 AI 驱动的交互式仪表盘。
Hugging Face Blog精选AI 评分6363 HF Jobs 上用 LoRA 实现异步 GRPO 训练：一个存储桶、一个代理、无需 NCCL
TRL v1.14 的 AsyncGRPOTrainer 新增 LoRA 适配器仅同步功能，结合 HF Jobs Storage Bucket 挂载，使训练与推理可运行在独立机器上，无需 NCCL。五次实验将 500 步训练从 3h27m 优化至 53min，通过 token 预算批处理和提升并发请求数将瓶颈从训练端转移到生成端。
推荐理由：通过LoRA适配器仅同步加存储桶挂载，训练与推理可部署在独立HF Jobs上无需NCCL，五次实验将500步训练从3小时27分压缩至53分钟。
OpenAI NewsAI 评分5454 OpenAI 推出 Agents API
OpenAI 发布 Agents API，这是一项托管服务，基于 Codex harness 提供编排、长时会话和工具调用能力。
Mistral AI精选AI 评分6868 Mistral 用 AI 智能体将 40,000 行 Fortran 77 迁移至 C++
Mistral 帮助欧洲能源运营商将 40,000 行 Fortran 77 迁移到 C++，并给出结构化智能体工作流：先构建数值 parity harness，再整理文档，最后由人类审核员驱动 coder、tester、reviewer 智能体逐模块迁移。
推荐理由：原文给出了一套可迁移的现代化工作流，读者可以据此评估自身代码迁移中自动化与人工审查的平衡点。
Together AI精选AI 评分6464 开源 AI 栈：模型、推理、网关与 Harness 的选型与组合指南
Together AI 发布开源 AI 栈指南，将栈分为模型、推理、网关与路由器、Harness、工具与上下文管理五层。推荐同时使用大模型（如 Kimi K3，1.8T 总参数）与小模型（如 GLM 5.3 Flash，320B 总参数）处理不同复杂度的任务，并可通过 OpenRouter、Vercel AI Gateway 或 LiteLLM 路由多提供商。
推荐理由：原文分层拆解开源 AI 栈各层组件与选型思路，开发者可按需组合模型、网关与工具。
OpenAI NewsAI 评分3030 GPT-5.6 Sol 如何借助 Codex 自主运行量子计算实验
summary_zh: MIT 研究员使用 GPT-5.6 Sol 配合 Codex 自主运行量子计算实验、分析结果并校准量子比特。该方案展示了 LLM 在量子实验自动化中的实际应用路径。
OpenAI NewsAI 评分3333 OpenAI 内部视角：编码智能体如何加速 AI 研究
summary_zh: OpenAI 内部数据显示编码智能体正在重塑 AI 研究流程。早期数据涵盖智能体使用率、实验迭代速度、任务复杂度与研究加速效果，但具体数字和指标未在正文中披露。 OpenAI 内部数据显示编码智能体正在重塑 AI 研究流程。早期数据涵盖智能体使用率、实验迭代速度、任务复杂度与研究加速效果，但具体数字和指标未在正文中披露。
GitHub Blog · AI & ML精选AI 评分6060 GitHub Copilot Project HydraFusion：通过多模型编排实现前沿质量
GitHub Copilot 发布 Project HydraFusion 研究预览，通过运行时多模型编排自动选择工作流以平衡性能、成本和延迟。在 TerminalBench 2.1 上比 Claude Opus 5 质量提升 4.9 个百分点且成本降低 67%，DeepSWE 和 CheckpointBench 上也接近 Opus 5 水平。
推荐理由：HydraFusion通过多模型编排自动选择最优工作流，在三个编码基准中以显著成本降低逼近Claude Opus 5的性能，为开发者提供无需手动协调模型的前沿质量编码体验。
GitHub Blog · AI & MLAI 评分4848 GitHub Copilot app 新手指南：同时运行多个智能体
GitHub Copilot app 支持同时运行多个智能体，每个会话相互独立，并可各自基于独立的 Git worktree 并行执行、保留自身上下文。用户在 sessions view 中可通过卡片查看各会话标题与任务进度，自由切换且无需重新说明上下文。以 tailspin-toys
OpenAI NewsAI 评分2121 Legora 用 GPT-6 Astra 数分钟审阅 41 份文档
Legora 使用 GPT-6 Astra 在数分钟内审阅了 41 份文档，找出全部 4 个植入错误，并在财务审核工作流中性能提升近 40%。
OpenAI NewsAI 评分2626 Playco 用 GPT-6 Astra 原型游戏，手动修复减少 50%
Playco 基于 GPT-6 Astra 从一个灰色框基础构建了三款主题游戏原型，手动修复数量比上一模型减少 50%。
Hugging Face Blog精选AI 评分6767 用 TRL 和 OpenEnv 训练代码生成水彩画模型
作者用 TRL + OpenEnv 复现 Surya Narreddi 的水彩画训练流水线，全部工件开源并在 Hugging Face 上端到端运行。奖励函数由编译门、代码长度、Qwen3-VL 配对裁判和 HPSv3 美学偏好组成，三组奖励混合（judge-led / hps-led / hps-only）对比显示，裁判权重越高起始奖励越低但最终质量提升越明显。
推荐理由：原文给出了完整开源流水线和三次奖励对比，读者可据此复现并迁移到其他审美偏好数据集。
GitHub Engineering精选AI 评分6969 GitHub Copilot 四项优化降低 AI 编码成本且不牺牲任务质量
GitHub Engineering 公布 GitHub Copilot 的四项成本优化：选择性压缩重复输出、移除文件读取行号前缀、缩短任务工具提示词、批量送达后台完成结果。离线基准与在线实验显示平均成本下降约 2.3%–5%，无质量回归；强调应按完整任务而非单次工具调用评估效率。
推荐理由：GitHub Copilot 通过四项工程优化降低 AI 编码成本，读者可据此理解上下文压缩与提示精简的边界。
Google DeepMind精选AI 评分7070 Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber
Google DeepMind 发布 Gemini 3.8 Flash 和 Gemini 3.8 Flash Cyber，前者延续 3.7 Flash 的速度与定价（每百万输入 token 0.75 美元、每百万输出 token 3.75 美元），在软件工程、智能体任务和多步推理上明显提升。
推荐理由：3.8 Flash 在相同价格下把提升集中在长周期编码与智能体任务，读者可据此判断是否替换现有生产模型。
Meta Engineering · AI精选AI 评分8080 Meta 构建组织第二大脑：AI 从专家处学习并持续改进
Meta 发布一个组织级 AI Agent，通过结构化知识库与可组合食谱分离知识与推理，并借助自改进循环将专家反馈编译为经过回归测试的更新，无需模型重训练。系统包含知识层、推理层、评估框架与改进循环，经过六周三轮开发实现评估时间从天降至分钟、零回归，且每次修正自动强化回归套件。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Google AI Blog精选AI 评分7373 Google 8 月 AI 发布汇总：Gemini 3.7 Flash、Gemini 3.5 Transcribe 与 Pixel 11 系列
Google 发布 Gemini 3.7 Flash，定位为编码与智能体工作负载的最强基础模型，定价为 3.6 Flash 的一半；同步推出 Gemini 3.5 Transcribe 语音转文本模型。
推荐理由：Google 在一个月内连续发布两款 Flash 模型并下放到 Pixel 硬件，开发者可以用更低成本构建智能体。
Google DeepMind精选AI 评分6868 Gemini 3.7 Flash 等模型上线智能体视频理解，token 消耗最高降 88%
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能，视频分析 token 消耗最高降低 88%、成本最高降低 66%、准确率最高提升 7%。
推荐理由：原文给出了 token 与成本降幅的具体数字和 API 启用方式，读者可据此判断长视频分析的成本边界。
MIT News · AI精选AI 评分6464 JuliaHub 发布 Dyad 3.0，以物理约束 AI 智能体加速复杂系统设计
JuliaHub 推出 Dyad 3.0，帮助工程团队通过自主 AI 智能体完成物理仿真、安全分析与质量校验，并依据物理定律修正设计。Julia 用户已超 100 万，被用于模拟电路、气候建模、疫苗研发和飞机防撞系统。
推荐理由：原文给出 Dyad 3.0 的物理约束能力和 Boeing 等客户案例，读者可据此判断工程设计的自动化边界。
Google Research精选AI 评分6060 行星预测引擎：通过地球AI自动化全球建模
Google Earth AI推出实验性行星预测引擎（PPE），可根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，将原本数周的手动流程压缩至分钟级。
推荐理由：原文展示了自主地理空间建模工作流，读者可据此理解AI如何缩短从数据发现到模型训练的周期。
GitHub Security精选AI 评分6969 OpenClaw 爆火背后的维护与安全实践
OpenClaw 是 Peter Steinberger 于 2025 年 11 月启动的个人 AI助手项目，截至 2026 年 8 月 GitHub 仓库约 38.8 万星、8.1 万 fork、8 万+提交。
推荐理由：从 Pull Request 泛滥到依赖信任重塑，OpenClaw 的经验为大规模 AI 辅助开源协作提供了可迁移的安全与社区治理思路。
Amazon Science精选AI 评分6262 当 LLM 评判者一致时，我们该相信吗：基于 Ising 模型的依赖感知聚合方法
Amazon Science 提出基于 Ising 模型的依赖感知聚合方法，在相关性、毒性、摘要三任务上相对加权多数投票提升 9%–14%。该方法通过建模评判者之间的成对依赖关系，在无监督设置下利用评估日志中的同意与分歧模式调整聚合权重。
推荐理由：原文给出了依赖感知聚合方法与多数投票的对比结果，读者可据此判断是否需要重新审视现有 LLM-as-a-judge 评估流程。
Hugging Face Blog精选AI 评分6767 Granite 4.2 推理模型构建方法解析
IBM Granite 4.2 推理模型家族（3B/8B/30B）采用分阶段强化学习流水线构建，支持思考/非思考切换与低思考预算模式。8B 与 30B 经过智能体 RL 训练，可在真实沙盒环境中进行代码编辑、终端操作与网页搜索，训练基于 NeMo-RL 与 NeMo-Gym，最终以 Apache 2.0 许可证开源。
推荐理由：详细展示了从可验证奖励到智能体环境交互的分阶段强化学习流水线，为构建具备工具调用能力的推理模型提供了可复现的训练框架。
Google ResearchAI 评分4646 Google Research 的 Biomarker Discovery Framework：从可穿戴传感器数据中优先排序候选生物标志物
Google Research 提出 Biomarker Discovery Framework，一个多智能体系统，用于从可穿戴传感器数据中优先排序候选生物标志物。在三个队列共9,279名参与者-观测中，框架自主识别了41个心理健康和25个代谢候选数字生物标志物。框架结合假设生成、统计分析、对抗验证和文献推理，通过11项内部检查电池分配报告标签，保持统计严谨性与人类监督。
Amazon Science精选AI 评分6262 SOP-Bench：基于真实企业流程评估 AI 智能体的新基准
Amazon 发布开源基准 SOP-Bench，覆盖 12 个业务领域、2000+ 任务，把专家撰写的真实 SOP 与工具及答案对齐来评估智能体。实验显示升级模型未必提升表现、工具过多会降低成功率，且没有一种模型+智能体组合在所有流程中占优。
推荐理由：原文给出基线模型在真实业务 SOP 上的失败模式，读者可据此判断自研智能体在部署前应重点测试哪些环节。
Google DeepMindAI 评分4242 从 Atari 到 EVE Online：Google DeepMind 十五年游戏 AI 研究历程
summary_zh: Google DeepMind 回顾十五年来从 Atari 到 EVE Online 的游戏 AI 研究，与 Fenris Creations 等游戏工作室合作开发 SIMA 多世界智能体。
Together AI精选AI 评分7676 GLM-5.3 对 GPT-5.6 Sol 的 DeepSWE 评测：成本、编程与路由
Together AI 在 113 个 DeepSWE 任务、每侧 452 次 rollout 上对比 GLM-5.3（max）与 GPT-5.6 Sol（max）。
推荐理由：同一跑道上 GLM-5.3 以一半价格逼近 Sol，在重试和覆盖率上反而反超，读者可据此设计前端开源、后端旗舰的级联路由。
Hugging Face BlogAI 评分5353 LFM2.5-DSpark 推理加速最高 3.2 倍
Liquid AI发布LFM2.5-DSpark推测解码草稿模型，为LFM2.5-1.2B-Instruct、LFM2.5-2.6B和LFM2.5-8B-A1B三款模型提供最高3.2倍GPU加速与最高2.87倍端侧加速。函数调用延迟平均降低57%，llama.cpp与SGLang已支持首日集成。
Mistral AI精选AI 评分6363 Mistral 发布 Agentic Search 检索层，以多步检索提升复杂文档搜索准确率
Mistral 发布 Agentic Search 检索层，通过 search、open、navigate、read、grep 五个工具让模型多步检索、打开并核对文档，已集成进 Mistral Search Toolkit 以及 Studio 和 Vibe 的 Libraries。
推荐理由：原文用 FinanceBench 和 OfficeQA Pro 两组基准对比一次性 RAG 与多步检索循环，读者可借此了解复杂文档检索的取舍。
Hugging Face Blog精选AI 评分7474 ALTK-Evolve：智能体记忆剂量如何随模型能力变化
ALTK-Evolve 通过从历史轨迹中蒸馏行为指南并在推理时注入，实现无需权重更新的智能体记忆。在 AppWorld 上评估 8 个模型，发现强模型用完整指南集、弱模型用精选检索、最强模型已饱和无增益；gpt-oss-120b 以 +5% tokens 代价获得 +16.1pp TGC 提升，prompt caching 可降低生产成本。
推荐理由：同一套记忆机制在不同能力模型上呈现三种剂量效应，为读者提供了可迁移的校准思路而非单一结论。
Together AI精选AI 评分7676 DeepSeek V4 Pro 0813 vs Claude Fable 5：DeepSWE 评测下的成本、编程与路由对比
Together AI 在 DeepSWE 基准上对比 DeepSeek V4 Pro 0813 与 Claude Fable 5：Fable 首试准确率 69.7% 高于 Pro 的 62.8%。
推荐理由：在 DeepSWE 评测中两款模型价格相差 90 倍但表现接近，读者可据此判断何时值得为 Fable 支付溢价。
Hugging Face Blog精选AI 评分7575 开源模型半年观察：前沿迁移、采纳现实与Agent成为主要用户
Hugging Face 发布 2026 年上半年开源模型观察报告，指出中国实验室在几乎每个月的前沿模型规模都超过美国模型，同时 Qwen 衍生模型达 15 万个、成为社区基础模型。下载量高度集中于小模型，GGUF 等本地推理格式增长远超模型仓库本身增速。Agent 首次成为 Hub 主要流量来源，7 月 Claude Code 占 44.4%，近四分之一流量来自未注册客户端。
推荐理由：报告揭示了开源模型格局的前沿迁移与采纳现实之间的落差，为观察中国实验室的发布策略与社区实际依赖提供了可对照的数据视角。
Hugging Face Blog精选AI 评分7474 Strands Robots、LeRobot 与 Hugging Face Storage Buckets 打通录制、训练与部署循环
Strands Robots 演示了用 Storage Bucket 记录 LeRobot 格式数据、通过字节级去重同步、从 Hub 流式读取训练、再以 mode='real' 部署到物理机器人的完整循环。示例使用 SO-100 机械臂和 mock policy，配套 notebook 在模拟环境即可运行。
推荐理由：原文给出一条从录制到训练再到部署的完整数据循环，读者可据此判断它会怎样改变现有机器人工作流。
Google DeepMindAI 评分5858 Gemini 3.7 Flash 发布，编码与智能体能力显著提升
Google DeepMind 发布 Gemini 3.7 Flash，定位为编码与智能体工作负载的最智能基础模型，在 FrontierCode 1.1 Main（43.6% vs 34.4%）。
Google Research精选AI 评分6565 AMIE 在专家级音视频临床咨询中取得进展
AMIE (Video) 在实时视频临床咨询中达到专家级表现，基于Gemini和Project Astra，采用异步三智能体架构。在100个场景、300次标准化咨询的随机OSCE研究中，其临床能力与执业医师持平，且在体格观察和指导方面评分更高。
推荐理由：演示AI在实时视频临床咨询中达到专家级表现，多智能体架构平衡了对话速度与临床推理。
Hugging Face Blog精选AI 评分8383 ALTK-Evolve：更少 Token 的智能体经验记忆方案
ALTK-Evolve 与 ACE 都将智能体历史轨迹转化为可复用经验，但 ACE 每次注入完整剧本，ALTK-Evolve 按任务与模型能力选择性检索。AppWorld 上 DeepSeek-V3.2 TGC 89.3 vs 80.4、Token 263K vs 634K；gpt-oss-120b TGC 56.0 vs 54.8、Token 116K vs 777K。
推荐理由：同样不压缩经验，ALTK-Evolve 按模型能力分发提示，在强模型上以约 40% 的 ACE 推理成本取得更高准确率。
Hugging Face Blog精选AI 评分7777 Meta 发布开源多模态模型 Muse Glimmer，面向本地智能体场景
Meta 发布 30B 参数多模态模型 Muse Glimmer，由 Muse 蒸馏而来，采用 Apache 2.0 许可，面向本地智能体场景。
推荐理由：原文给出 30B 多模态模型在同级开放模型中的基准对照，可据此判断本地智能体方案与部署路径的选型空间。
Microsoft Research精选AI 评分8282 Orchard：面向可扩展智能体 AI 的开源框架
Microsoft Research 发布开源框架 Orchard，核心是 Orchard Env，一个基于 Kubernetes 的可复用环境服务，支持软件工程、网页导航和个人助理智能体的训练与评估。
推荐理由：开源框架 Orchard 把训练、评估与真实部署 harness 打通，让小参数模型也能在 SWE-bench 等基准接近前沿系统。