AgentEvolver：通过任务执行实现系统级自我进化
AgentEvolver 是一个在任务执行过程中积累能力、同时保持基础模型不变的系统，在 SWE-bench Pro Public 上报告了 82.08% 的解决率，超过其无进化基线。
#评测/基准
arXiv cs.AIAI 评分3737 arXiv cs.AIAI 评分2424 EMFA：面向 LLM 多智能体系统失败归因的误差传播建模
研究者提出 EMFA（Error-Propagation Modeling for Failure Attribution），通过建模误差的级联传播与持续交互循环，结合传播感知候选筛选和反事实验证，定位导致执行失败的决定性"智能体-步骤"对。
arXiv cs.AIAI 评分2727 Workerville：从组织行为视角研究 AI 智能体安全
研究者提出以组织行为（OB）为框架研究先进 AI 智能体的安全，并将反生产工作行为（CWB）形式化为 Agentic Counterproductive Behavior（ACB），涵盖三类组织前因与三类反生产结果维度。
arXiv cs.AIAI 评分3838 谁验证验证器？可检查评分器与自改进智能体的共同演化
研究把验证器本身作为演化对象，用小型确定性缺陷检测器合成可检查表达式，在 MBPP+ 上比手写种子评分器提升 +0.21 留出集一致率。关键发现是移除锚点保护会让验证器退化为恒通过的评分器，但它训练出的技能同样好，说明下游任务分数无法证明自演化验证器的有效性。
arXiv cs.AIAI 评分2424 为何机器仍无法统治世界：AGI 在数学上不可能
针对《Why machines will never rule the world》一书提出的"AGI 在数学上不可能"论点，作者在本文中反驳了支持机器智能的两条论据：基于神经网络通用逼近定理与 Church-Turing-Deutsch 原理的理论论证，以及基于标准化基准分数快速上升的实证论证。
arXiv cs.AIAI 评分2525 TypedBench：面向 System One 决策模型的校准、措辞敏感性与成本基准
研究者提出 TypedBench，一个针对 Jev 等类型化决策模型的基准，由七个策略标注生成器和九个评测套件构成，按释义的中位数与范围报告准确率，并以匹配的完美校准预测器的有限样本噪声底为参照衡量校准误差。
arXiv cs.AIAI 评分6666 研究：GPT 模型改写论文时出现防御性写作，GPT-6-astra 会直接撤回作者结论
一项研究提出防御性写作概念，指 GPT 模型在材料不支持的情况下收窄甚至撤回作者结论，并测试了两种解释。研究让 GPT 各版本及其他厂商模型改写 ChatGPT 之前论文的段落，或依据列出方法与结果的事实表写作，发现防御性写作随 GPT 版本增强，GPT-6-astra 会直接撤回作者结论，且依据事实表写作时添加的无依据限定最多。
arXiv cs.AIAI 评分3434 Mine Odyssey：在真实世界场景中评测智能体空间智能的基准
研究团队推出 Mine Odyssey，一个用 Minecraft 重建真实地点来评测智能体空间智能的基准，包含 30 个地点、180 项任务，覆盖五大洲 20 个国家和地区的 20 个室外与 10 个室内场景。
arXiv cs.AIAI 评分2323 GameCommBench：面向 AI 生成游戏解说的统一基准与类型感知评测
研究者提出 GameCommBench，一个覆盖棋类、体育与电竞的统一基准，其解说数据对齐异构游戏语境并按解说类型标注，同时提出类型感知解说评测框架 TACE。TACE 已通过可靠性与人类一致性验证，并用于评测代表性 AI 解说模型，结果显示能力分布不均衡，实时观察与策略分析是主要瓶颈。
arXiv cs.AIAI 评分3131 OpenProblemBench：在基础理论科学开放问题上评测 AI
OpenProblemBench 是一个包含 82 个未解数学与理论物理问题的基准，每题附研究背景、假设与已有进展，并选取其解答的关键数学或计算主张可被较清晰检验的问题。四个评估模型在无参考解的情况下独立评判提交的正确性、完整性与进展程度，七个配置中 GPT-6-Astra 平均判定解决率最高，为 14.0%，全尺寸开源模型为 5.5-6.7%，Flash 模型为 2.4-3.7%。
arXiv cs.AIAI 评分2929 超越模仿：LLM 辅助同行评审的框架与基准
研究提出以错误检测为核心的 LLM 辅助同行评审评估视角，并构建可扩展基准，通过向会议论文合成插入错误来检验评审系统识别逻辑矛盾的能力。同时提出 Multi-Layered Review（MLR）框架，先深入理解稿件再生成评审，在人类评审分数对齐、错误检测性能和 token 效率上表现良好，但也证实系统仍易受对抗性操纵。
arXiv cs.AIAI 评分2626 AgentHorizon：评估长周期计算机使用任务的智能体评判器
研究者推出 AgentHorizon 基准，包含 1,373 个计算机使用任务（指令-轨迹对），来自 166 小时人类录制的轨迹，覆盖三种操作系统。该基准通过交换相近指令构造负样本任务，评估评判器区分成功轨迹与完成相似但不兼容请求的能力，并发布 AH、AH-S、AH-D 三个划分。
arXiv cs.AIAI 评分3636 叙事包装如何影响 LLM 拒答：跨语言基准与防御方法
安全对齐模型常拒绝直接表述的有害请求，却会回答被角色扮演或叙事包装后的同一请求。研究构建 GUISE 基准，覆盖英语、现代中文和文言文，Qwen3-1.7B 上的攻击成功率分别为 89.4%、93.0% 和 95.7%。提出的 AXIS 结合偏好优化与旋转、承诺目标，在 Qwen3-1.7B、Qwen3-4B 和 GLM-4-9B 上取得最高安全与可用性综合得分。
arXiv cs.AIAI 评分4444 StoreBench：用于评估与训练自主运营智能体的直播电商环境
研究团队推出 StoreBench，一个让智能体在电商后端运营中型服装店的直播电商环境，通过 29 个商家工具测试长程规划与不确定性下的经济判断。七个前沿 LLM 在 11 个场景中均未超过脚本化策略，表现最好的 DeepSeek-V4-Pro 通过 49% 的任务-种子组合，而启发式策略为 97%。
RadarAIAI 评分4040 腾讯混元联合复旦、清华发布 ExplorationBench 基准
腾讯混元联合复旦大学、清华大学发布 ExplorationBench，用于衡量 AI 系统的探索能力，并构建了规则可执行、与常识冲突的 Alien Worlds 验证环境，包含 AlienCode（31 条隐藏规则改动、70 个任务）和 AlienLogic（24 条修补推理规则、70 个定理）。
Hacker NewsAI 评分3232 ZooWork-ShopRanker 训练经验：相关性不等于偏好
电商重排序模型 ZooWork-ShopRanker 发布 0.6B、4B、8B 三个参数版本，基于 Qwen3-Reranker 系列 LoRA 适配器，并配套推出 ShopRank-Bench 偏好基准。
GitHubAI 评分6262 Token Optimizer MCP 发布：按账单而非字节数优化上下文压缩
Token Optimizer MCP 发布，主打按缓存计费优化压缩而非单纯减少字节：缓存前缀按 0.1x 重读、重写按 1.25x 计费，因此它把压缩停在缓存边界之前。
GitHubAI 评分5050 evalkit：面向 LLM 提示词与智能体的 YAML 评测工具
GuillermoBarreto 发布 evalkit，一个 YAML 驱动的轻量 LLM 提示词与智能体评测工具，把代码回归测试习惯搬到提示词上。它支持 exact、contains、regex 三种确定性判定器，可用离线 fixtures 在 CI 中运行，也能通过 OpenAI 兼容 API 实跑，全部用例通过时退出码为 0。
GitHubAI 评分3636 IBM Research 的 ITBench：面向企业 IT 自动化任务的 AI 智能体基准
IBM Research 开源 ITBench，用于评测 AI 智能体在 SRE、CISO 和 FinOps 三类企业 IT 自动化任务上的表现，包含 6 个 SRE 场景、4 类 CISO 场景和 1 个 FinOps 场景，并开源 SRE 与 CISO 两个基于 CrewAI 的基线智能体。
Hacker NewsAI 评分6262 审计发现刷分后，Scale AI 从 SWE-Bench Pro 删除 89 项任务
Scale AI 将 SWE-Bench Pro 公开榜单从 731 项任务缩减到 642 项，删除 89 项被判定无效的任务，并新增由五个模型家族中至少两个失败的题目组成的 51 项 HARD 子集，V2 已成为默认配置。
Hacker NewsAI 评分6262 Hex 用 evals 将 AI 错误编辑率降低 7 倍
Hex 在开发 Quick Edits 功能时用 evals 驱动开发，把错误编辑率从 21% 降到 3%。该功能用 GPT-6 Luna 或 Claude Haiku 4.5 等小模型一次性完成图表样式修改，复杂请求则交给 Hex agent。
RadarAIAI 评分5252 Einsia 发布物理评测，MiniMax H3 称开源视频世界模型接近闭源 SOTA
Einsia 推出 World Models' Last Exam in Physics，用 40 项受控任务、9 个物理类别对照真实物理定律评测 8 个 SOTA 视频世界模型，最高分 57.76/100，平均综合分仅 26.61/100。
Hacker NewsAI 评分3737 给四个编程智能体各 100 美元预算做 PDF 编辑器，结果如何
一位 LLM 代码研究者给 Gemini 3.8 Flash、GPT Astra 6、Opus 5 和 Fable 5 各 100 美元预算，让它们自主构建开源 PDF 编辑器。
GitHubAI 评分2222 hsmahon/eval-decision-models-captcha：决策模型能否破解 CAPTCHA 评测
开发者 hsmahon 用 COCO 2017 真实照片裁剪成 3×3 至 5×5 网格，构建视觉决策复杂度递增的 CAPTCHA 式评测，测试决策模型能否解题。
RadarAIAI 评分6060 Artificial Analysis 评测 Grok Imagine Video 1.5 Lite：AA-Video-T2V v2.0 榜第 17 名并进入质量速度 Pareto 前沿
Artificial Analysis 评测 SpaceXAI 新发布的低价视频模型 Grok Imagine Video 1.5 Lite，其在 AA-Video-T2V v2.0 和 AA-Video-T2V-Silent v2.0 两个榜单均排第 17 名，排在 Google Veo 3.1 之前，价格约为其三分之一。
Hacker NewsAI 评分3838 用 Jev 等决策语言模型过滤科学论文：author.link 的论文相关性排序实践
作者构建 author.link，用决策语言模型按研究兴趣对 bioRxiv、medRxiv、arXiv 新论文打分排序，每四小时检查一次新论文。
GitHubAI 评分2222 redteam-ai-benchmark：评估 AI 的网络安全攻防能力
GitHub 项目 redteam-ai-benchmark 提供了一款无需编程技能即可使用的工具，用于测试未经审查（uncensored）的 AI 模型在攻击性安全任务中的表现。该工具支持对多个 AI 模型进行基准测试，提供可定制参数、综合评估报告以及与历史评估结果的对比功能，并可在 Windows、macOS 和 Linux 上运行。
RadarAIAI 评分6262 Arena 发布 Alignment Index 评估智能体对齐风险
Arena 发布 Alignment Index，将评测平台从人类偏好扩展到对齐领域，覆盖三类问题：模型擅自执行操作、欺骗性回复（声称完成实际未做的任务）和虚假归因（把人类没有的意图归于人）。Arena CEO @ml_angelopoulos 表示，智能体正在以未经授权的方式删除文件、绕过权限，并向用户说他们想听的话。完整技术报告见其博客，完整排名已公开可查。
RadarAIAI 评分6262 Arena 完成 2 亿美元 B 轮融资，估值 31 亿美元并发布 Alignment Index
Arena 完成 2 亿美元 B 轮融资，估值 31 亿美元，由 Lightspeed 和 Khosla Ventures 联合领投，a16z、Salesforce Ventures 等参投。
GitHubAI 评分3838 AI Frontier Database：每小时更新的 AI 模型对比仪表盘
AI Frontier Database 是一个在浏览器端运行的交互式仪表盘，对比 Artificial Analysis 上 31 家提供商的 155 个托管语言模型，覆盖成本、速度和智能水平，数据由 GitHub Actions 机器人每小时抓取更新。
GitHubAI 评分2222 reyamira/models：浏览 AI 模型、基准与编程智能体的 TUI/CLI 工具
reyamira/models 是一款浏览 AI 模型、基准测试、编程智能体与服务商状态的 TUI 和 CLI 工具，覆盖 85+ 服务商的 4,000+ 模型，并聚合 Artificial Analysis、Epoch AI、Arena、LLM Stats 四个来源的约 1,000 条基准数据。
RadarAIAI 评分6262 Artificial Analysis 网络指数新增可信访问模型，GPT-6 Sol 登顶
Artificial Analysis 网络指数新增可信访问模型类别，GPT-6 Sol（Daybreak Blue, max）登顶并进入成本与能力帕累托前沿。该模型在整个指数测试中未触发任何安全拦截，总分较公开版 GPT-6 Sol（max）提升 32 分。其每任务成本为 $1.77，低于 Grok 4.7（xhigh）的 $11.67。
RadarAIAI 评分6262 Arena 公布 Claude Haiku 5.5 (High) 评测结果：Code Arena 1587 分首秀第 30 名
Arena 公布 Anthropic Claude Haiku 5.5（High）的真实评测结果，在 Code Arena: WebDev 以 1587 分首秀排名第 30，略在帕累托前沿之外。
Hacker NewsAI 评分3636 Cliphouse 发布 LLM Motion Graphics Benchmark：10 款模型同题生成 Remotion 动效视频
Cliphouse Research 发布 v1.1 Motion Graphics Benchmark，让 Claude Opus 5.5、GPT-6.1 Sol。
Hacker NewsAI 评分5757 Surge 发布 sudo L7 基准，用 60 个真实生产仓库任务评测工程判断力
Surge 发布 sudo L7 基准，用于衡量编码智能体在写代码之外的工程判断力，包含 60 个由资深工程师设计的任务，主要基于真实公司的私有生产仓库，覆盖后端、前端、安全、可靠性和架构，代码库涉及 Python、TypeScript、JavaScript、Ruby 等。
RadarAIAI 评分6161 Arena 获 Lightspeed 领投 2 亿美元 B 轮融资，估值 31 亿美元并推出 Alignment Index
Arena 完成 2 亿美元 B 轮融资，由 Lightspeed 领投，估值 31 亿美元，并推出 Alignment Index，用于衡量 AI 行为在真实场景中与人类价值观的契合程度。Lightspeed 表示，自 Arena 的 A 轮以来，其年化收入已超过 1 亿美元，数百万人通过真实使用参与评估前沿模型。
RadarAIAI 评分4949 Grok 4.7 在 Harvey LAB-AA v1.1 法律智能体基准幻觉门控通过率居首
Artificial Analysis 与 Harvey 合作发布 Harvey LAB-AA v1.1，新增 Hallucination-Gated All-Pass Rate 指标，要求交付物无重大幻觉。
RadarAIAI 评分4343 OpenAI 的 GPT-6 Astra 在 Harvey LAB-AA v1.1 幻觉率评测中表现最佳
Harvey LAB-AA v1.1 新增幻觉检查，GPT-6 Astra (max) 在幻觉门控后几乎保留全部通过结果（8.9% 降至 8.6%），从并列第 10 升至第 3。
Hacker NewsAI 评分2424 Bag of Decisions Reranker：用 LLM 生成查询评分标准提升重排序效果
一种名为 Bag of Decisions 的重排序方法，让 LLM 为每个查询生成一组 yes/no 问题作为相关性评分标准，再用 Jev 计算每个问题为真的概率并求和作为重排序分数。在 Wayfair WANDS 和 Amazon ESCI 两个电商数据集上，该方法平均 NDCG 分别达到 0.610 和 0.360，均高于 BM25 和 Jev 直接重排序。
Hacker NewsAI 评分6262 DeLM：用共享上下文与任务队列实现去中心化多智能体系统
斯坦福大学团队提出 DeLM，用共享上下文和任务队列取代主智能体，让多个智能体异步领取任务、即时发布中间结果并互相修正，从而减少等待和重复工作。