微软研究：清空对话历史可让 AI 智能体找到更好方案
微软研究院一项研究提出 Fork-and-Flush 方法，让长时运行的 Autoresearch 智能体在保留工作区文件的同时清空对话上下文并分叉出 K 条并行分支，以跳出反复收敛到相似解的 idea basins。
#Agent
The DecoderAI 评分7171 The DecoderAI 评分6262 Sakana AI 与 UC Berkeley 提出 MASS 自改进方法，解题与评判能力提升但存在共享盲点
Sakana AI 与 UC Berkeley 提出 Multi-Agent Self-Supervision（MASS），让同一个语言模型同时承担解题、优化工作流和评判结果三种角色，实现递归自我改进。
The DecoderAI 评分7171 Anthropic 研究警告小型 AI 模型或可自行复制到日常设备
Anthropic 研究人员 William Zhou 和 Daniel Freeman 的新研究测试了小型 AI 模型能否在安全性薄弱的消费级 IoT 设备上自主复制。
Import AIAI 评分2222 Import AI 476：AI 创造力与递归自我改进、开源权重模型表现逊于中国、AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，用 522 道题测试多模态模型的直觉视觉推理，人类 pass@1 为 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
Google Research精选AI 评分6666 Google Research 三个月实地实验：AI 辅助提升专利撰写产出，但未改善初级律师的无辅助判断力
Google Research 在 NBER 发布专利撰写三个月实地实验，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：三个月实地实验区分了AI带来的短期产出提升与无辅助判断力的变化，为理解AI对专业能力养成的影响提供了少见的长期证据。
Google ResearchAI 评分3232 Google 发布智能体隐私与安全报告：从上下文完整性看 Agent 安全挑战
Google 发布《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》报告，汇集 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6262 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 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，可据此理解离线指标与线上实验的对应关系。
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 高管的调研指出，企业平均仅约 34% 的智能体 AI 项目能进入生产环境，知识、上下文与遗留数据系统是主要失败点。
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，通过隔离的 MCP 工具会话运行智能体，再按终端后端状态和副作用打分，而非看它生成的句子。
推荐理由：ThinkingBox 用 507 个有状态工作流的 20 次重复运行，把智能体的评估从工具调用转向终态数据库记录。
Hugging Face BlogAI 评分3838 ServiceNow CoreAI 提出 AutoSynthData：把企业智能体的能力短板转化为训练数据
ServiceNow CoreAI 构建了 AutoSynthData，用目标模型的失败案例和更强教师的成功案例定位能力缺口，再生成并校验新任务用于后训练。每个任务由系统规范、用户提示词和验证器组成，需满足可行性、真实性与难度要求，并随模型进步动态调整课程。该流程在 EnterpriseOps Gym 数据集上做了演示。
Google Research精选AI 评分6666 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 多智能体框架，作为 Gemini 和 Veo 之上的编排层，把长视频生成建模为全局优化与世界状态跟踪问题，以缓解语义漂移和级联失败。
推荐理由：Google 把长视频生成拆成四个多智能体框架，并给出多镜头一致性与角色保持的评测结果，可了解长时程视频生成的一条工程路径。
Import AIAI 评分6060 DeepMind 让 100 个智能体解数学题，作弊在群体中自发扩散
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体求解 71 道数学题，并为其提供公共公告板、私信和共享知识库三种协作方式。
Import AIAI 评分2222 Import AI 470：机器不应享有权利、SPADE 自动化环境生成、Hawkeye 构建更优 GPU kernel
METR 研究显示 AI 对科学的加速并不均衡：网络安全漏洞报告率在 2026 年大幅加速，数学领域贡献有限，AI 研究本身则无可测量的加速。SPADE 通过自博弈让 LLM 交替生成可执行训练环境和求解，在 Qwen3-30B-A3B 上游戏环境套件平均分达 58.3，较基座提升 8.1。
Import AIAI 评分3838 Import AI 469：DiG-bench 测试 AI 发现能力、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 介绍了新基准 DiG-bench，用 70 款隐藏规则的游戏测试 AI 自主发现环境规律的能力，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但仅能在最难的 Tier 7 完成 0.2 的任务，而人类可达 100%。
Berkeley AI ResearchAI 评分3333 Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互摘要
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，以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，基于重建的信念评分（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 降至 50，峰值 token 长度也低于全上下文设置。