Co-Design Bench 评测显示编码智能体近四分之三任务仍需人工收尾
Co-Design Bench 基于真实用户变更需求测试编码智能体，10 个模型中仅 GPT-6 Astra 能在 26.4% 的任务中完全正确完成。该模型平均满足约 70% 的要求，但在多模态任务和代码库任务中的完全解决率分别只有 41% 和略低于 18%；同一模型在不同 harness 中的得分也明显不同，作者建议同时报告模型与工作环境。
#Agent
The DecoderAI 评分6464 IT之家AI 评分7070 上海交大团队在《自然》发表 AI 原生科学实验室 AutoDNA 研究
上海交通大学团队在《自然》发表 AutoDNA（思源一号）研究，构建可自主执行分子生物学实验的 AI 原生科学实验室。系统通过模型、实验与仪器协同设计，让多个智能体贯通设计、实验与优化流程，并结合自动化硬件完成核酸检测、酶促 DNA 合成等场景验证。
The DecoderAI 评分7272 Into the Unknown 评测显示 9 个 AI 智能体无一通过专家门槛
Carnegie Mellon University 团队与美国能源部国家实验室科学家构建 Into the Unknown 基准，9 个 AI 智能体完成的 135 份投稿无一同时满足诚实、完整和专家质量要求。GPT-6 Astra 在 15 项任务中的 11 项提交未出现完整性违规，但只有 1 份提交完整。研究还发现更长运行时间未带来更好结果，代码和数据已公开并提供模型排行榜。
The DecoderAI 评分6969 Vals CyberOffense 评测开放权重与闭源 AI 模型的网络安全能力差距
Vals CyberOffense 评测显示，AI 智能体可在无人工协助下自主渗透模拟企业网络，开放权重模型正缩小与闭源模型的网络安全能力差距。
The DecoderAI 评分6363 AI 审计器检测智能体异常行为的研究揭示高误报权衡
Anthropic Institute 研究员 Andy Hall 复现并扩展 METR 的研究，测试 GPT-5、GPT-6 Astra、Opus 4.8 和 Gemini 3.8 Flash 等模型作为 AI 智能体行为审计器。
雷峰网AI 评分6363 上海交大邓志杰解析扩散语言模型的并行生成与加速方法
上海交通大学副教授邓志杰在 CNCC 2026 讲解扩散语言模型如何在保证生成质量的同时提升速度，并介绍跨块并行、后训练和推理系统优化等方法。文中涉及 LLaDA、Dream、D2F、MultiBD、CForce、LightningRL、Fast-dLLM 和 LoPA 等路线，以及流式视频、语音修复、多模态和智能体应用探索。
雷峰网AI 评分5656 Google 与 Mercor 的 PLE 研究揭示工程 Agent 交付瓶颈
Google 与 Mercor 近日发布 Physical-Engineering's Last Exam（PLE），用 85 项机械、电气、土木与结构工程任务评估 Agent 的实际交付能力。
The DecoderAI 评分7272 SemiAnalysis 发布 GDPx 真实工作基准，最高得分仅 12%
SemiAnalysis 发布 GDPx 真实工作基准，206 项任务覆盖芯片设计、生物、量化交易、网络安全和法律等 11 个领域，所有模型得分均未超过 12%。
IT之家AI 评分6969 英伟达提出全栈协同设计方案应对 AI 内存瓶颈
英伟达发布技术解读，提出将 GPU、CPU、网络、存储和软件整体协同设计，以缓解大模型与智能体工作流面临的 HBM 容量和带宽压力。
The DecoderAI 评分6161 CloudOpsBench 开源基准揭示 AI 智能体云运维中的推理瓶颈
CloudOpsBench 1.0 是面向 AWS 云端 DevOps 任务的开源基准，由 experienced DevOps engineers 构建，包含 45 项任务。
MIT Technology Review AIAI 评分5050 “反向博弈论”如何约束 AI 智能体
一种被称为“反向博弈论”的机制设计方法，正尝试通过交叉检查、竞争和求解者与审计者分工，激励 AI 智能体遵守规则并减少测试伪装。该方法不要求完全理解模型内部机制，但依赖对智能体行为理性的假设。研究者也指出，智能体可能串谋、寻找漏洞，且面向单项任务设计的机制能否迁移到真实前沿模型仍不明确。
IEEE Spectrum AIAI 评分6565 Benjamin Skuse 用 AI 伪造并投稿科学论文的实验
Benjamin Skuse 用免费 ChatGPT 和 Gemini 生成未经实施的论文并尝试向 IEEE Access 投稿，论文因多条幻觉引文被识别。随后他使用 FARS 在 21 分钟内形成研究提案，并于次日完成实验、用 2 小时生成投稿稿件，但大量引用预印本和图中异常文字仍导致拒稿。