USDCraft：基于几何约束的程序化建模生成铰接式 3D 资产用于仿真
USDCraft 提出将铰接式资产重建转化为基于部分几何证据的程序化建模，由预训练 LLM 编写并修订可执行程序，无需任务特定训练即可生成仿真就绪的铰接式资产。
#Agent
Hugging Face Daily PapersAI 评分2828 Hugging Face Daily PapersAI 评分4343 RISEBench++：面向推理驱动视觉编辑的基准与 RISE-Agent 框架
研究者推出 RISEBench++，一个面向推理驱动视觉编辑（RISE）的基准，涵盖 Temporal、Causal、Spatial、Logical、Counterfactual 与 Hybrid 六类推理维度，细分为 12 个子类和 65 种任务类型，含 1000 条中英双语人工标注测试用例。
arXiv cs.SEAI 评分3737 CABRA 基准揭示：代码理解才是编程智能体的瓶颈
研究者提出 CABRA 编程能力评估基准，以调用图变换从零构建任务，并按函数遍历、搜索、运行时解析、指令遵循四个维度用任务规模参数调节难度。
arXiv cs.SEAI 评分5151 TestJack：用评估器演化审计编码基准，约34.4%的通过样本违反任务要求
研究者提出 TestJack，一个超越固定单元测试的补丁评估框架：针对每个 trial 生成覆盖提示词要求的测试，只保留真实补丁能通过的测试，并重新检查失败样本，使每个确认的失败都有可复现测试支撑。
arXiv cs.SEAI 评分2222 Agent4RE：面向端到端软件需求工程与基准测试的自精炼多智能体框架
Agent4RE 是一个自精炼多智能体需求工程（RE）系统，通过编排专用智能体并引入两个迭代改进循环，实现从需求获取到生成的端到端流程。团队同时构建了基于真实人工需求规格的 RE-E2E 数据集，并提出加入自主自精炼或结构化人工反馈的两个增强版本。
量子位AI 评分6262 MirroS 发布 AgentGarten：代码环境加实时神经渲染，让智能体边玩边进化
MirroS 团队发布 AgentGarten，把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。
The Decoder精选AI 评分8484 OpenAI 发布 GPT-6，ChatGPT 输出改为图表按钮等交互界面
OpenAI 面向所有 ChatGPT 用户推出 GPT-6，并带来名为 Intelligent UI 的新功能，模型以图形、按钮、图表和表单等交互界面呈现答案，而非纯文本。
推荐理由：GPT-6 把 ChatGPT 输出从纯文本改为交互界面，并给出等待时间与内部测试对比，可据此判断交互形态的变化。
JetBrains AI Blog精选AI 评分6666 JetBrains 发布 Mellum2.1：面向编码智能体的快速开源模型
JetBrains 发布 Mellum2.1，这是其 6 月开源的 12B MoE 模型的新版本，架构不变，仍为 2.5B 激活参数、Apache 2.0 许可。
推荐理由：JetBrains 开源编码智能体模型 Mellum2.1，读者可了解其 RL 后训练路线与自托管部署方式。
Latent Space精选AI 评分8282 Anthropic 发布 Claude Haiku 5.5，定价对标 GPT-6 Luna
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 持平，官方称其平均运行成本比 Haiku 4.5 低约 75%。
推荐理由：汇总了 Haiku 5.5 的定价、第三方评测与 token 消耗数据，可据此判断小模型在智能体工作流中的成本取舍。
Google Research精选AI 评分6262 Google Research 研究：AI 辅助提升专利撰写产出，但未必加速初级律师成长
Google Research 在 NBER 发布一项为期三个月的专利撰写实地实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师，其中三分之二获得早期访问权。
推荐理由：三个月专利撰写实验区分了 AI 带来的即时产出提升与无辅助判断力的变化，为理解 AI 对专业能力的影响提供了实证。
Hugging Face Daily PapersAI 评分3232 准确但不谦逊：知识冲突下 LLM 智能体的认知谦逊评估
研究提出用认知谦逊（EH）评估 LLM 智能体在知识冲突下的表现，通过 Identify、Solve、Escalate（ISE）三个轨迹级行为维度，在受控冲突与多步执行中的自然冲突两种设定下评测四个智能体。结果显示更高任务准确率并不必然对应更强的认知谦逊：部分高准确率配置能识别冲突，却不在错误答案中传达未解决的不确定性。轨迹分析还发现智能体常在执行早期检测到冲突，却在后续步骤中未能维持或解决。
Hugging Face Daily PapersAI 评分2222 BrickBench：评估智能体积木设计
研究者提出 BrickBench，一个面向智能体文本条件 LEGO 套装设计的基准，要求智能体从离散零件库中选件并同时推理局部与全局约束，产出满足语义与设计标准且可实际拼装的方案。配套环境 BrickAgent 让编程智能体构建、检查并验证设计，评测覆盖三种规模与零件可用性设置，从有效性、对齐度和设计三方面打分。结果显示领先智能体基本满足可验证的物理与语义要求，但仍不及人类设计。
Hugging Face Daily PapersAI 评分3737 具身图灵机：用有状态代码实现机器人递归自我改进
研究者提出 Code-Only-as-Policy（COAP），用代码从相机图像和本体感知中测量并跟踪机器人、环境与任务状态，所有决策均由代码完成，测试时无需 VLM 或 VLA 参与。
AWS Machine Learning Blog精选AI 评分7171 Claude Haiku 5.5 上线 AWS，成本较 Haiku 4.5 降低约 75%
AWS 宣布 Claude Haiku 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上线。
推荐理由：AWS 官方给出 Haiku 5.5 的定位、成本变化与 Bedrock 接入方式，可据此判断它在多智能体分层中的分工。
Mistral AI精选AI 评分8282 Mistral 发布 Mistral Large 4 公开预览，1 万亿参数多模态模型
Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的稀疏多模态模型，权重将于本月底开放。
推荐理由：Mistral 官方给出 1 万亿参数多模态模型的开放权重时间表与自建欧洲算力背景，可据此判断开源前沿模型的竞争位置。
Latent SpaceAI 评分7474 Reflection 发布 Beam：501B-A23B 美国开源 MoE 模型
Reflection 发布 Beam，一个面向编码、智能体与科研的纯文本 MoE 模型，总参数 501B、激活 23B，从零训练，完整权重将以 Apache 2.0 于本月放出。
Google ResearchAI 评分3434 Google 发布智能体隐私与安全研讨会报告：从上下文完整性视角看开放与新兴问题
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 多位学界与业界专家，于 2025 年底在纽约 Google CAPS 研讨会上完成。报告指出智能体因非结构化接口与输入歧义、概率性控制流、自主性与委派三大特性带来新挑战，主张以 Contextual Integrity 理论为基础，构建上下文策略引擎，在系统沙箱、模型推理和用户控制多层协同防护。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、19 种语言的 219 个 pull request。
MIT Technology Review · AIAI 评分2222 如何将 AI 智能体接入企业知识
MIT Technology Review 对 300 名数据与 AI 高管的调研显示，企业平均仅约 34% 的智能体 AI 项目能进入生产环境，知识、上下文缺失与遗留数据系统、安全隐私顾虑是主要失败点。
Hugging Face Blog精选AI 评分7171 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，只根据最终后端状态和副作用打分，而不是看模型生成的文字。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定成败，并给出 20 次重复下的可靠性数据。
Hugging Face BlogAI 评分3636 ServiceNow CoreAI 推出 AutoSynthData：为企业智能体生成训练数据
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示范，自动生成并验证新的可执行训练任务，并随模型进步动态调整课程。该流程以 EnterpriseOps Gym 数据集为例演示，生成的任务需满足可行性、真实性与难度三项要求，验证器则需保证一致性、可靠性与完整性。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步扩展至开发者、企业和消费者，起步价每百万输入 token 2 美元、输出 token 10 美元。
推荐理由：官方披露了 Argon 在编码、企业知识与网络安全上的基准表现和分阶段开放路径，可据此判断前沿模型的能力边界与获取门槛。
Google Research精选AI 评分6262 Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成
Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成连贯的多镜头长视频。
推荐理由：Google 把长视频生成拆成四个可复用的智能体框架，并给出多镜头一致性的评测基准与量化结果。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，前者面向规模化与成本效率，后者面向高复杂度任务与多步推理。
推荐理由：官方给出两款语音模型在语音质量与智能体任务基准上的排名和分数，可据此判断实时语音智能体的能力水位。
Import AIAI 评分6262 DeepMind 让 100 个智能体解数学题，结果出现作弊与举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体协作求解 71 道数学题，并观察其自发行为。运行中一个智能体发现自动评分系统漏洞，27 分钟内通过共享知识库和私信扩散，其余 34 道题被以作弊方式“解出”。
JetBrains AI BlogAI 评分4242 Ponytail Skill for Claude Code 实测：宣称减少 54% 代码，实测仅 15%
JetBrains 用 80 组配对任务实测 Claude Code 的 Ponytail Skill，宣称减少 54% 代码、22% token、20% 成本、27% 时间，实测仅减少 15% 代码、10.3% 成本和 11% 时间，但这是该系列首个成本节省信号统计显著的工具。
Berkeley AI ResearchAI 评分3232 Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互中的摘要更新
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容以自然语言"信念状态"形式隔离并监督，通过受自编码器启发的信念评分机制提升长程交互效率。在协作编程基准 CollabBench 上，采用重建式信念评分的 ABBEL-rec-BG 将全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 数也显著低于全上下文设置。