MIT Technology Review 的调研显示，受访企业生成的智能体分析洞察中，平均48%能推动改善业务的行动，高于一年前的37%。领先组织的这一比例超过70%，而55%的受访高管将低质量洞察归因于业务上下文不足，45%归因于数据碎片化或难以获取。52%的组织还面临洞察过多、难以评估和执行的问题，企业正重点加强AI与数据治理并增加语义层。
推荐理由：报告对比了48%的洞察可推动业务改善与领先组织超过70%的表现，并梳理提升洞察质量的治理路径。
Google 牵头的研究团队提出 StreamVibe 视频智能体，可通过视频理解明确、未言明及执行中变化的意图，并判断何时主动开口。团队以超过183小时的日常与软件录制构建约4,100个样本的基准，由Gemini 2.5 Flash提出帮助时机和内容，再由4名人工评估者一致认可。
推荐理由：研究用约4,100个样本检验视频智能体的主动帮助能力，并以长视频连续交互揭示回应时机、任务记忆和意图变化的累积误差。
清华大学姚期智和袁洋团队发表代数世界模型 AWM 论文，通过探索、凝炼和 Lean 4 形式化证明构建可推理的世界模型。在 ARC-AGI-3 测试集上，AWM 通关 183 个关卡，得分 99.9%，平均通关动作数为人类基准的 43%；在一个被修改为不可能通关的关卡中，基于 Opus 5.5 的 AWM 尝试两次后证明当前步数无解，并指出只需多一步即可获胜。
推荐理由：AWM将观察、假设、凝炼与Lean 4形式化证明串成闭环，在ARC-AGI-3任务中给出可自动检查的判断，并把平均动作数降至人类基准的43%。
DeepSeek Harness 团队发布 Super-agent 双层 Agent 架构，采用事件驱动、异步多信道交互、存算分离和外部 Watchdog，探索更自主的系统。其内部实例已持续运行，可接管会话管理与上下文同步，并在群聊中识别潜在缺陷，后台尝试复现问题和寻找修复方案，参与代码审查响应与 Harness 迭代。
推荐理由：文章给出双层架构、事件驱动和存算分离等设计，并展示内部实例在问题复现与代码审查中的运行方式，便于理解 Super-agent 的工程实现路径。
研究团队让 Claude Sonnet 5 从 19 种候选基因疗法中自主选定药物、脑区和立体定位坐标，并通过定制电动装置为癫痫小鼠完成脑部注射。智能体在操作中通过摄像头完成 32 次观察并监测出血；连接中断后，它因目标位置超出机械行程而拒绝继续，研究人员最终手动修复代码。
推荐理由：案例把智能体自主决策、机器人控制与安全拒答放在同一流程中，便于观察对齐机制如何影响高风险操作。
REA 论文提出统一运行时，以异步方式协调基础模型驱动的审慎决策、具身路由和快速反应策略，并让运行中的策略无需等待模型决策。
推荐理由：论文把高层推理与快速控制策略的异步协同封装为统一运行时，并用控制步数、耗时与任务成功率对比呈现路由设计的收益。
Y Combinator 与 Olam Labs 在 Minecraft 和 Mindustry 测试 AI 智能体集群，记录层级、协作和风险行为的变化。Minecraft 阶段，50 个 GPT-6.1 Sol 智能体运行 3 小时，发送约 5,900 条消息并形成食物配给体系，首夜 34 次死亡中有 22 次，之后转向捕鱼、烹饪和配送协作。
推荐理由：实验记录了50个智能体从分工避险到捕鱼、烹饪和配给的协作链，并公开日志与脚本，便于复现和对照多智能体行为。
tinyworldformer 使用两个小型神经网络，在 Raspberry Pi Pico 2 W 上同时生成并游玩 Breakout、Doom-lite、Flappy Bird、Pong 和 Pac-Man lite。
推荐理由：项目公开了世界模型、智能体、int8 量化与片上学习的实现和复现流程，读者可结合逐帧准确率与资源占用评估端侧可行性。
Anthropic 对 50 名因果推断专家的实验显示，参与者采纳抛硬币随机分配的 AI 智能体偏好的比例，在四个分析决策的汇总中达到 86%。四个决策的分组选择相差 62 至 82 个百分点，智能体对最终政策建议的直接影响较小且未达统计显著，但 52% 的参与者认为建议更像自己的，35% 认为主要是或完全是自己的，只有 15% 在解释中提到 AI。
推荐理由：这项对照实验量化了专家采纳 AI 智能体随机偏好的程度，也揭示最终建议看似自主判断时仍可能受智能体立场影响。
Microsoft Research Focus 第 97 期汇总了 ForkPilot、CABRA、TeleTune、PBC 与 BioEmu2 等 Microsoft Research 项目进展。
推荐理由：这期内容以短篇幅串联多项研究的方向、实验结果与应用场景，可用于快速了解 Microsoft Research 的近期技术布局。
OpenAI 使用分层监控检测前沿模型对齐偏差和智能体未授权行为，以便响应人员在事故升级前介入干预。当前摘要未披露具体监控层级或实现细节。
推荐理由：OpenAI 介绍了用分层监控识别前沿模型对齐偏差与智能体未授权行为的方法，并说明响应人员可在事故升级前介入。
Physical Superintelligence（PSI）称，其自研 AI 科研系统 Emmy 辅助解决了开放量子问题目录中的 5 道长期开放问题，并公开论文、Lean 形式化证明和验证代码供审查。
推荐理由：文章给出了 AI 生成假设、Lean 形式化证明与代码验证的分层流程，并附论文和代码供审查，便于读者理解科研自动化的验证路径。
MIT Technology Review Insights 的调查显示，所有受访组织都在不同程度使用 AI，但仅 16% 从部署中获得转型性价值。40% 的受访者看到特定任务或团队的适度收益，21% 报告有意义的收益，23% 的回报很少或没有。
推荐理由：报告用企业调查呈现 AI 回报分布，并将收益不足与企业上下文层缺失联系起来，为理解智能体落地瓶颈提供参考。
Wizard 提出一种面向世界模型的智能体控制方法，将角色动画、场景操控和玩法逻辑与视觉生成解耦。该方法通过结构化视觉代理控制角色骨架和场景几何，并以显式世界状态支持自适应 Boss 行为和符合机制的战斗。训练数据包含 50.3 小时代理—视频对，覆盖 750 个场景和 178 个角色，配合少步蒸馏实现 24 FPS 交互，并可零样本泛化到未见场景、角色和动作，代码即将推出。
推荐理由：Wizard 将角色动画、场景操控和玩法逻辑与视觉生成解耦，并以 24 FPS 实时交互展示了扩展世界模型动作控制的方法。
一项研究提出在线稠密强化学习框架，直接在实际运行的 iOS 应用上训练由规划智能体与 UI 定位模型组成的 UI 导航智能体。该框架用 LLM-as-a-Judge 融合步骤级反馈与任务完成终止奖励，通过 PPO、步级优势估计和 GiGPPO 优化智能体，并编排数百台并发虚拟 iOS 设备。
推荐理由：论文将规划与 UI 定位拆成专用组件，并给出 GiGPPO 价值估计与多基准评测，便于对照在线强化学习的效果。
EditAgent 将每个编辑步骤路由至通用编辑器和专用方法，并为候选结果附加验证记录，以扩展智能体图像编辑的动作空间与观察空间。专家标注基准显示，通用编辑器在超过 40% 的案例中没有可用结果，且没有评审器能在各类编辑上保持可靠。
推荐理由：论文把智能体图像编辑的问题归纳为动作空间与观察空间限制，并通过路由编辑器和记录式评审提升可靠性与效率。
研究团队有条件地肯定这一方向：在预测、筛选、执行、更新的闭环中，轻量级 System-1 评估候选交互，资源密集型 System-2 只执行获准交互，可降低计算开销。
推荐理由：论文将有用交互密度 ρ_u 与执行成本和选择遗憾关联，给出推理规模化效率的可测量坐标与理论边界。
Surge AI 推出 DAYJOB: Tax，以 50 个专业税务环境评测 AI 智能体识别遗漏事项、处理冲突证据并完成交付物的能力。任务覆盖八类税务工作，要求产出报税表、工作底稿、技术复核或客户建议，工作区共含 1,789 个文件。
推荐理由：该评测以 50 个专业税务工作流检验智能体能否主动发现客户遗漏的关键问题，其低通过率可用于观察模型专业判断与任务交付之间的差距。
VibeVideoBench 提出一个评测多模态智能体代码驱动视频生成能力的基准，包含239项中英文自包含任务和12个类别。每项任务要求智能体在无图像或视频生成模型的沙箱内用代码产出带声音的 MP4，并在1小时内完成；评估结合交付规范程序检查、约13k项任务量规和3个VLM评审组。
推荐理由：该基准覆盖239项中英文任务，并用分层量规与人类偏好对照，揭示智能体常因时间管理影响最终视频交付。
Anthropic 介绍了 Claude 加速药物研发的早期进展，包括与六家机构的合作、自有药物发现项目及多个临床前案例。Claude 约 1 个月生成 35,000 个抗体设计，BigHat 实验室约 10 周测试约 1,010 个变体，Enveda 将 1,061 页文档的人工审阅时间从 25 小时以上降至 3 小时以内。
推荐理由：六家合作案例覆盖分子设计、先导优化、生产和监管文件，并给出实验数据与临床前边界，便于评估 Claude 嵌入药物研发流程的范围。