Vals 的研究以政治立场而非事实准确性衡量受测中国 AI 模型，发现其整体亲政府倾向低于预期，但模型间差异显著，拒答默认记为中立。简体中文提示比英语、俄语和西班牙语更常引出亲政府回答，多数受测中国模型也很少直接拒答。以 Qwen3.6 35B 为基础、由 Thomson Reuters 微调的 Thomson 1.0 Small，采用官方立场的比例从 84.6% 降至 15.0%。
推荐理由：Vals 研究比较提示语言、回答格式、工具接入与定向微调，为理解政治倾向如何随交互条件变化提供了一套分层视角。
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。
Artificial Analysis 发布 Intelligence Index v5 与 Progress Index v1，60% 的指数基于私有测试集或保留答案的评测。
论文提出 AgentProofBench，将冻结验收规则的成对测试与执行轨迹相连，用于评测 Web 智能体可复用验证器的程序门控正确性与复用能力。
推荐理由：AgentProofBench 将冻结验收规则与执行轨迹配对，在 97 个任务、79 个任务族和 4 个 Web 服务上建立程序门控正确性与复用表现的基线。
Liu 和 Han 的研究发现，复杂编码智能体框架更耗 token，但通常未提高通过率。研究在五个模型上比较 Claude Code、OpenCode 与 mini-SWE-agent，使用 SWE-bench Verified 最难的 45 个任务及另外 447 个任务离线测试；无论重复运行还是更换框架，结果变化的任务比例都为 13%。
推荐理由：文章呈现多模型、多任务与重复运行对照，区分了编码智能体框架的真实增益与测量噪声，并量化了系统提示词造成的成本差异。
Pan 等人提出 Taste-Bench 基准，从 SWE-bench Pro 和 METR 的 MALT 转录数据中提炼 502 个路径分叉点，让模型在每个分叉点从两条路径中选择更优方向。
推荐理由：文章把端到端测试看不到的长路径选择问题量化成基准，并展示用知识蒸馏即可显著提升智能体判断力的做法，对评估长周期智能体有参考价值。
CoEvo-RSI 论文提出递归自我改进智能体框架，由 meta-agent 基于共享进化档案和执行反馈进行双向历史继承，减少模型与执行框架错配。框架仅使用自身拒绝采样轨迹进行 SFT，使 Qwen3.5-9B 在多智能体故障归因、角色感知 Text-to-SQL 和智能家居指令遵循任务中与更大模型具有竞争力。
推荐理由：论文在多智能体故障归因、Text-to-SQL 和智能家居任务中比较不同模型，展示双向历史继承缓解模型与执行框架错配的表现。
GPT-6-Astra 在 OpenAI Codex 环境中跑 TheoPhysEval 基准，50 道题解对 49 道，准确率 98%，平均每题不到 3 美元、整轮约 116 美元。
推荐理由：这份基准在同一组 50 道理论物理任务上对齐了主流智能体的准确率与单位成本，读者可据此评估现有模型承接科研常规计算的实用边界。
字节Seed团队发现DeepSeek-V4在同一信息仅改变输入位置时，检索准确率会随分块KV Cache压缩步长周期性波动，最高差距达40.2个百分点。
推荐理由：分块KV Cache压缩会随步长引入周期性检索弱点，文中给出按压缩相位分别评测的方法，对评估同类长上下文模型有参考价值。
Ai2 推出 TutorMoments 评测框架预览版，基于 462 份美国一对一数学辅导转录稿（含逾 1500 个教师标注的关键时刻），以重放方式让大模型在决策点接管辅导并按'是否适时介入或退让'打分。
推荐理由：原文给出 7 个大模型在辅导决策点的对照分数与提示词效果，读者可据此判断模型在'介入与退让'权衡上的实际难度。