OpenAI 公布一条自主漏洞发现、验证、利用与补丁生成流水线，在一次运行中用一款尚未发布的网络安全模型在 Linux 内核中动态复现 1724 个漏洞，并生成 948 个可获取 root 权限的本地提权（LPE）利用，API 成本约 121.3 万美元，折合每个 LPE 利用 1279 美元。
推荐理由：OpenAI 公开了一条自主漏洞挖掘流水线的完整成本与产出数据，可用于比较模型能力提升与自动化安全研究的投入产出。
SemiAnalysis 发布 GDPx 基准，把 AI 智能体放进模拟知识工作环境，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，没有模型总分超过 12%。
Microsoft Research 联合 GitHub Next 发布研究原型 PDD Kit，把开发者的意图转成 Verus 形式化规格，再证明智能体写的代码对每个输入都满足该规格，证明覆盖不到的部分则回退到测试。
推荐理由：原文完整展示了从自然语言意图到 Verus 形式化规格、再到证明与测试的流程，可据此判断智能体生成代码的审查方式会如何变化。
Google Research 提出 Agile Deliberation 框架，把主观视觉分类器的构建拆成概念界定和概念迭代两个阶段，由视觉语言模型主动挑出语义边界模糊的图片，让用户澄清自己的定义，再通过自动提示词优化更新分类边界。
IBM 在 Hugging Face 博客介绍 Palette，将 20B 开源权重模型用 LoRA 微调为设计师与编码者两个角色，按 IBM Design Language 生成幻灯片。
Collinear AI 发布 CWE-bench v2，公开 100 道任务供任何人运行和评测模型，覆盖 91 种 CWE，评分完全程序化、结果可复现。
研究人员构建 Realtime-Bench，用 50 个交互式游戏与网页任务评测模型在实时决策场景下的表现，GPT-6 Astra（high）在 wall clock 设置下通过率最高，仅 36%，而暂停时钟下高推理模型可达 70% 至 80%。
微软研究院 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 KLS 猜想，证明在高维对数凹分布下，最佳超平面切割与任意形状最佳切割的差距不超过一个与维度无关的固定常数。研究采用人机协作的智能体搜索流程，探索了约 100 条候选路径，由研究者评估、剪枝并决定方向；同期另有独立团队给出完整证明，并有 Lean 4 形式化验证发布。
推荐理由：微软研究员与合著者借助人机协作的智能体搜索证明 KLS 猜想，读者可了解 AI 在数学发现中的具体分工。
Google Research 发布博客，介绍三项把 AI 智能体与真实湿实验室实验连接起来的研究：VERID 框架为实验室工作单元建立语义数字孪生，让智能体在动作前检查 3D 状态、做虚拟试运行并拦截无效指令。
推荐理由：Google Research 用三个项目展示智能体如何接入湿实验室的物理状态与闭环实验，读者可了解其安全与可复现设计。
Google 扩展 Earth AI 地理空间推理智能体的早期访问，在 Ask Google Earth 中开放深度分析预览，并向开发者提供实验性 Agent-to-Agent API 和 Planetary Prediction Engine 预览。
推荐理由：原文给出四组基准对比与合作伙伴实测，可据此判断专用地理工具与前置规划对空间推理的实际增益。
Jack Clark 在 Import AI 476 中汇总多项进展：Scale AI 与 Elorian 发布 Humanity's Sixth Sense 基准，人类 pass@1 为 93.1，最好的 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
GitHub 发布开源代码评审基准 ReviewBench，基于 1.039 亿条 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR 和人工校验的多来源 golden set。
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，其中一道题来自 Formal Conjectures 数据集。
伯克利 AI 研究提出 ABBEL 框架，将 LLM 的交互摘要建模为自然语言"信念状态"并对其内容做监督评分，从而在长程任务中替代完整交互历史作为工作上下文。在协作编码基准 CollabBench 上，基于重建的信念评分将 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，峰值上下文 token 数也明显低于全上下文设置。