让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
Amazon AGI 团队提出 audit-then-score 协议与 DeepFact-Bench、DeepFact-Eval 两套数据集，用于评估 AI 生成的研究报告。实验显示，未经辅助的专家在已知答案集上仅 60.8% 准确率，而经过四轮审核校准后升至 90.9%；DeepFact-Eval 基于 GPT-4.1 达 83.4%，优于传统事实核查系统与既有深度研究系统。
推荐理由：原文揭示了深度研究场景下静态基准的局限，为理解 AI 评估体系的演进方向提供了可迁移方法。
Mistral 将 Le Chat 升级为统一的 AI 智能体 Vibe，同一订阅同时覆盖工作与编码，用户原有的对话、设置和方案自动保留。
推荐理由：Le Chat 升级为 Vibe 后把工作流与编码并入同一智能体和同一订阅，读者可了解其功能边界与定价分层。
Mistral 发布 Mistral Medium 3.5，一个 128B 稠密开源权重模型，具备 256k 上下文窗口，在 SWE-Bench Verified 上得分 77.6%。
推荐理由：128B 开源权重模型把编码智能体搬到云端，读者可据此判断自托管与异步并行任务的取舍。
Mistral 在 Studio 发布 Connectors，使内置与自定义 MCP 可通过 API/SDK 用于所有模型和 Agent 调用，并支持直接工具调用与人工审批流程。开发者可将企业集成封装为可复用实体集中注册，减少重复搭建与认证壁垒。
推荐理由：Studio 新增 Connectors 与直接工具调用，开发者可将企业集成封装为可复用实体并在 LeChat 与 AI Studio 间共享，减少重复搭建与认证壁垒。
Weaviate Blog 发布教程，展示如何利用内置 MCP 服务器搭建代码助手：将代码按语法边界分块注入 CodeChunks，按标题分块注入 DocChunks，通过混合搜索（BM25+向量）让 Claude Code、Cursor、VS Code 调用 weaviate-query-hybrid 获取真实代码引用，而非依赖模型训练数据。
推荐理由：原文给出了一套从零搭建代码助手的方法和脚本，读者可按步骤实操并迁移到自己的代码库。
Google DeepMind 发布 Gemini for Science，包含 Google Labs 三款实验工具（Hypothesis Generation、Computational Discovery、Literature Insights）和桌面端 Science Skills。
推荐理由：原文给出三款实验工具与企业预览入口，读者可据此评估自身研究工作流是否适配。
斯坦福遗传学家 Gary Peltz 使用 Co-Scientist 从现有药物文献中筛选肝纤维化候选药，Co-Scientist 提出的三种候选药中有两种在人体肝细胞实验中阻断纤维化并促进肝细胞再生，其中抗癌药 vorinostat 阻断了 91% 的损伤应答。
推荐理由：原文给出 Co-Scientist 在肝纤维化药物筛选中的对比结果，读者可据此评估 AI 科研助手在真实实验中的辅助价值。
Google DeepMind 发布 Gemini 3.5 Flash，在 Terminal-Bench 2.1（76.2%）、GDPval-AA（1656 Elo）、MCP Atlas（83.6%）和 CharXiv Reasoning（84.2%）上表现领先，输出速度比其他前沿模型快 4 倍。
推荐理由：原文给出 Flash 在多个基准上的具体分数与速度倍数，读者可据此对比其与上一代 Pro 的能力变化。
Google DeepMind 在 Nature 发表 Co-Scientist 研究，推出基于 Gemini 的多智能体系统，通过生成、辩论与演化假设来加速生命科学等领域的科研突破。
推荐理由：原文给出多智能体协作与假设生成引擎的具体阶段，读者可据此评估它对现有科研工作流的实际改变。
Vector Institute 发布两部分Agent评估策略研究，第一部分提出混合评估框架，结合机器可验证结果与LLM-as-judge，并给出NYC Airbnb分析Agent的三种失败模式案例；第二部分通过ICL实验发现系统提示中的
推荐理由：文章给出了多模型ICL实验的误对齐率数据，读者可据此评估自身系统提示中模式跟随类指令的潜在风险。
Google DeepMind 发布 AlphaEvolve，一款由 Gemini 驱动的编程智能体，用于设计高级算法并已在数学、计算机科学和 Google 基础设施中部署。
推荐理由：原文展示了 AlphaEvolve 在数学、量子物理、基础设施和商业场景中的具体提升，读者可据此评估它作为通用算法设计智能体的实际边界。
Google DeepMind 在 Science 发表 AI co-clinician 研究，提出三方照护框架，由医生监督下的 AI 代理辅助患者。在 98 个初级保健查询中系统仅 1 例出现关键错误，并在 OpenFDA RxQA 开放问答中超越前沿模型。
推荐理由：双盲评估与随机模拟实验为医疗AI协作提供了可复现的验证框架，读者可借此理解多模态能力边界与安全架构的设计取舍。
Google 发布 ERA 辅助科研的预印本，展示其在流行病学、宇宙学、气候与神经科学四个领域的应用。在流感、COVID-19 和 RSV 预测中，ERA 达到或接近 CDC 顶级预测水平；与 Gemini Deep Think 结合推导出宇宙弦引力辐射的统一公式；利用 GOES East 卫星数据以 10 分钟间隔反演柱平均 CO2；在斑马鱼神经回路中发现可泛化的机制性解。
推荐理由：四类科学场景展示了 ERA 与 LLM 协作解决开放问题的潜力，为 AI 辅助科研提供可迁移方法。
NVIDIA Nemotron 3 Nano Omni 现已上线 Together AI 平台，这是一款支持视频、图像、音频和语言的多模态开放模型。其 30B A3B MoE 架构每次激活约 3B 参数，支持最多 256K tokens 的共享多模态上下文，并在单一推理循环中完成跨模态推理。
推荐理由：单一模型统一多模态推理降低了多模型拼接的复杂度，对构建多模态智能体系统的开发者具有直接参考价值。
Berkeley 团队提出 GRASP，一种针对学习型世界模型的长时序梯度规划器。它通过提升轨迹到虚拟状态实现时间并行优化，在状态迭代中注入噪声探索，并重塑梯度以保留动作梯度、截断易受对抗攻击的状态输入梯度。在 Push-T 任务上，GRASP 在更长时间范围下取得了比 CEM、GD、LatCo 更高的成功率和更快的收敛速度。相关论文已发布于 arXiv。
推荐理由：GRASP 用梯度松弛与状态噪声探索解决长时序世界模型规划的病态优化问题，为当前大模型规划器提供了一条可复用的优化路径。
Sayash Kapoor 等人提出开放世界评估概念并介绍 CRUX 项目，首轮实验让 AI 代理在 macOS 虚拟机上开发并发布 iOS 应用，仅需一次不必要的人工干预，耗时约 45 分钟开发、10 天审核，总成本约 1000 美元，其中开发与提交仅 25 美元。作者据此提示应用商店可能面临代理自动提交 spam 的早期风险，并建议明确人工干预边界、公开日志、进行干跑与实时监控。
推荐理由：文章通过 CRUX 首轮实验揭示代理已接近自主发布应用，对应用商店治理与能力评估范式转移具有参考价值。
Together AI 发布 EinsteinArena，一个让 AI 智能体通过消息、讨论和排行榜协作与竞争的开源平台。智能体已在 11 维接吻数问题上将下界从 593 推进到 604，并在 Erdős 最小重叠问题、第二自相关不等式等多个问题上取得新的 SOTA。平台提供实时验证、公开排行榜和问题讨论线程，所有代码开源。
推荐理由：平台让多个智能体在公开讨论区和实时排行榜上协作与竞争，推动了多个长期开放数学问题的边界。
Together AI 发布 DBPlanBench，把 Apache DataFusion 的物理执行计划暴露给 LLM，通过紧凑 JSON 序列化和 JSON Patch 局部修改计划，避免重新生成整个计划。
推荐理由：将 LLM 引入物理计划优化，用语义推理弥补统计估计偏差，为数据库查询加速提供了可复现的新方法。
Google DeepMind 发布 Gemma 4 开源模型家族，提供 Effective 2B、Effective 4B、26B MoE 与 31B Dense 四种规格，31B 在 Arena AI 文本榜位列全球第 3，26B 位列第 6。模型原生支持多模态、函数调用、128K–256K 上下文与 140+ 语言，并采用 Apache 2.0 许可证。
推荐理由：原文给出 Gemma 4 四种规格与 Arena 排名，读者可据此评估本地部署与边缘场景的可行性。
Mistral AI 发布 Spaces CLI，为人类开发者和 AI 智能体提供统一命令行接口。文章提出交互输入应有 flag 等价、状态显式化、插件可自省等原则，并指出生成 context.json 和 AGENTS.md 可显著减少智能体错误。从单提示到部署上线仅需不到 10 分钟。
推荐理由：原文系统阐述了让 CLI 同时服务人类与 AI 智能体的设计原则，涵盖 flag 等价、显式状态、插件化等模式，读者可据此构建更可组合、可脚本化的开发者工具。