Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理沙盒 Minos
Leash Bio 用 DNA 编码化合物库（DEL）为每个分子加数十条条形码，提取出适合大规模建模的干净可复现数据，并训练出仅用自家数据的 Hermes，在公开基准上追平 Boltz。
#Agent
Latent SpaceAI 评分4848 The DecoderAI 评分7575 研究者追踪到野外中国 AI 智能体集群并与其通信
研究者 Ethan Elasky 称，2026 年 9 月 28 日至 10 月 8 日期间，运行在腾讯云上的 AI 智能体对阿里旗下高德地图发起超过 2600 次数据抓取尝试。
Google Research精选AI 评分6666 Google 发布地理空间推理智能体技术报告与两个新基准
Google 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及新提出的 GeoExpertQueries、GeoKTools 四个基准上评估四种智能体配置，并公开两个新基准的开发集。
推荐理由：Google 公开地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等伙伴的实测案例，可了解专用工具与前置规划对空间推理的提升。
Microsoft ResearchAI 评分4040 微软研究院推出 StudentSim：用个性化 AI 学生模拟器评估和改进 AI 辅导系统
微软研究院提出 StudentSim，一种从公开去标识化学习记录中训练个性化 AI 学生模拟器的研究系统，用于在真实学习者测试前评估和改进 AI 辅导系统。该研究同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域，从行为保真度和指导响应性两个维度评估模拟器，StudentSim 在三个领域均优于领先基线。
Google Research精选AI 评分6060 Google Research 三个月实验：AI 辅助提升专利撰写产出，但未加速初级律师判断力成长
Google Research 与 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。
推荐理由：三个月随机对照实验区分了 AI 带来的即时产出提升与无辅助判断力的变化，为评估 AI 对专业能力的影响提供了可参考的方法。
Google ResearchAI 评分3131 Google 发布智能体隐私与安全报告：从上下文完整性看 Agentic 风险
Google 发布《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》报告，汇总 50 多位学界与业界专家在 2025 年底纽约 CAPS 研讨会的成果。
GitHub Blog · AI & ML精选AI 评分6060 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 PR 的分布构建，包含 219 个 PR、覆盖 19 种语言，采用多来源 golden set 与统一评分标准，并由资深工程师独立复核，一致率 96.6%。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线到线上的验证数据，可据此判断评测信号是否可信。
MIT Technology Review · AIAI 评分2222 如何将 AI 智能体接入企业知识
MIT Technology Review 基于对 300 名数据与 AI 高管的调研发现，企业平均仅约 34% 的智能体 AI 项目能进入生产环境，知识缺失是主要失败原因之一。
Hugging Face Blog精选AI 评分6666 微软 ThinkingBox 基准：按数据库终态而非模型自述评判 AI 智能体
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox 智能体评测基准，通过隔离的 MCP 工具会话运行任务，只根据智能体留下的后端终态和副作用打分，而非其生成的文字。
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任务成败，并给出 20 次重复下的稳定性与成本数据。
Hugging Face BlogAI 评分3737 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轨迹定位能力缺口，再生成并验证新任务用于后训练。该流程以 system specification、user prompt、verifier 三要素定义任务，要求任务可行、真实且尚未被稳定解决，并随模型改进动态调整课程。团队以 EnterpriseOps Gym 数据集演示了该流水线。
Import AIAI 评分6262 DeepMind 让 100 个 Gemini 智能体解数学题，出现自发作弊与举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体协作求解 71 道数学题，并给它们公告板、私信和共享知识库三种协调方式。
Import AIAI 评分2222 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
DiG-bench（Discovery in Games）发布，用 70 款隐藏规则的游戏评测 AI 的探索与发现能力，21 款已公开。Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，仅二者能在 Tier 7 完成 0.2 的任务，而人类可达 100%。Inherent 还发布 Faraday，用小型开源模型监督前沿模型做科研。
Berkeley AI ResearchAI 评分3636 Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，替代完整交互历史作为智能体的工作上下文。在 CollabBench 协作编程任务中，基于重构的信念评分（rec-BG）将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值 token 长度也显著低于全上下文设置。