用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性
Amazon Bedrock AgentCore Evaluations 支持内置与自定义评估器，用于在多智能体系统的开发和生产阶段衡量准确性、任务成功率与行为表现。
#Agent
AWS Machine Learning BlogAI 评分2828 AWS Machine Learning BlogAI 评分3636 用 LangChain 和 Amazon Bedrock Knowledge Bases 实现智能体检索
Amazon Bedrock Managed Knowledge Base 上线智能体检索，通过 AgenticRetrieveStream API 将多部分问题拆成子查询、执行并判断证据是否充分，不足则再次检索，而 Retrieve API 只做单次混合搜索。
AWS Machine Learning BlogAI 评分2828 Amazon Quick 如何实现跨账户资源的自动化、可审计迁移
Amazon Quick 的跨账户资源迁移可通过部署在 Amazon Bedrock AgentCore 上的 MCP 服务器实现自动化，单次工具调用即可完成 agent、action connector、知识库、flow 和 space 的迁移。
AWS Machine Learning BlogAI 评分5050 在 AgentCore 和 OpenClaw 上构建上下文感知 AI 助手
基于开源智能体系统 OpenClaw 与 Amazon Bedrock AgentCore runtime，可搭建具备持久记忆的上下文感知 AI 助手，AgentCore memory 将一次性对话转为长期知识，并支持结构化元数据检索。
Microsoft ResearchAI 评分2020 Microsoft 研究员 Jennifer Neville：AI 评测如何暴露模型的“意外失败”
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享与当前 AI 系统协作的实用建议，并强调当结果偏离预期时应仔细审视数据。
AWS Machine Learning BlogAI 评分3232 用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行礼宾服务
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 和 Amazon Bedrock Knowledge Bases，可在航空公司应用中搭建语音旅行礼宾服务，支持改座位、更新餐食偏好、查询政策并转接人工客服。
Mistral AI精选AI 评分8080 Mistral 发布 Mistral Large 4 公开预览，1 万亿参数原生多模态
Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、49B 激活参数的原生多模态模型，权重将于本月底开放。
推荐理由：官方给出 1 万亿参数、49B 激活的开放权重模型在编码、智能体与网络安全上的基准表现，可据此判断开放权重模型的能力边界。
OpenAI NewsAI 评分2222 Jump Trading 如何用 ChatGPT 扩展量化研究
Jump Trading 借助 OpenAI 扩展量化研究，通过运行时间更长的 AI 工作流整合多个数据源，并结合人工审核。
OpenAI NewsAI 评分2525 OpenAI 与 Ironclad 如何推进 AI 智能体的计算机操作能力
OpenAI 与 Ironclad 正围绕复杂合同工作流训练和评估 AI 智能体，以推进面向专业工作的 computer use 能力。双方将合同流程作为测试场景，探索智能体在真实专业任务中的表现。
AWS Machine Learning Blog精选AI 评分6262 GLM 5.3 上线 Amazon Bedrock
智谱（Z.ai）的 GLM 5.3 已在 Amazon Bedrock 上线，这是一个 753B 参数的 MoE 模型，面向编码和长周期智能体任务，通过全托管 API 提供跨区域推理、提示词缓存和服务层级，目前面向符合条件的企业客户开放。
推荐理由：GLM 5.3 在 Bedrock 上线，文中给出提示词缓存与跨区域推理的具体用法，可据此评估托管开源模型的接入成本。
Google ResearchAI 评分3434 Google 发布智能体隐私与安全报告：从上下文完整性视角探讨开放与新兴问题
Google 发布《智能体隐私与安全中的开放与新兴问题：上下文视角》报告，汇集 50 多位学界与业界专家在 2025 年底纽约 CAPS 研讨会上的成果。报告基于上下文完整性（CI）理论，提出用上下文策略引擎在系统、模型、用户多层协同防御，应对提示注入、概率性控制流和自主委派等挑战。
AWS Machine Learning BlogAI 评分3434 在 AWS GovCloud 中用 Claude Code 与 Amazon Bedrock 运行合规工作负载
Anthropic 的 Claude Opus 5.5、Claude Sonnet 5.5 和 Claude Sonnet 5 现已在 AWS GovCloud (US) 区域的 Amazon Bedrock 上提供，为 ITAR 等受监管工作负载提供 AI 辅助开发入口。
AWS Machine Learning BlogAI 评分3434 Amazon SageMaker AI 推出 aws-ai-ml 技能，为 Kiro、Claude Code、Codex 等编码智能体提供生成式 AI 推理优化能力
Amazon SageMaker AI 通过 Agent Toolkit for AWS 推出 aws-ai-ml 技能，让 Kiro、Claude Code、Codex 等支持 MCP 的编码智能体具备推理优化与基准测试能力。
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，研究预览版已上线网站。基准包含来自 187 个开源仓库、19 种语言的 219 个 pull request，其语言和仓库规模分布对齐 GitHub 上 103.9M 个真实 pull request，并采用多来源 golden set 与统一评分标准。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解 AI 代码审查能力如何被量化比较。
OpenAI NewsAI 评分4040 OpenAI 为 ChatGPT 推出新视觉广告格式并扩展广告衡量工具
OpenAI 在 ChatGPT 中引入新的视觉广告格式，并扩展面向广告主的衡量工具、归因合作与品牌适配能力。此次更新围绕人们使用 AI 的方式设计广告，具体参数与上线范围未披露。
Hugging Face Blog精选AI 评分7272 微软与 Hugging Face 发布 ThinkingBox：按数据库终态评测 AI 智能体
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，再依据终端后端状态和副作用而非生成的语句来评分，覆盖 507 个有状态业务流程、每个任务重复 20 次。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非工具调用判断成败，并给出 20 次重复的一致性数据。
GitHub Blog · AI & MLAI 评分2222 AI 正在改变开发者工作方式，GitHub 提出三项需要强化的技能
GitHub 提出 AI 时代开发者应强化的三项技能：学会指挥 AI 智能体而非仅使用它、不轻信 AI 的首次答案、用 AI 节省的时间解决更大问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例，说明用第二个模型审查计划、代码和测试能发现首个模型遗漏的问题。
Hugging Face BlogAI 评分4141 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经验，自动生成并验证新的可执行训练任务，并随模型进步动态调整课程。该流程在 EnterpriseOps Gym 数据集上进行了演示，生成的任务需满足可行性、真实性与难度三项要求，验证器则需保证一致性、可靠性与完整性。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步扩展到开发者、企业和消费者，起价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 按输入价的 95% 折扣计费。
推荐理由：官方给出 Argon 在编码、企业知识与网络安全上的基准成绩和分阶段开放路径，可据此判断前沿模型的能力边界与安全取舍。
NVIDIA BlogAI 评分5858 NVIDIA 与 CoreWeave 将 Vera Rubin NVL72 和 Vera CPU 投入生产，闭环智能体 AI
CoreWeave 宣布在 CoreWeave Cloud 上线 NVIDIA Vera Rubin NVL72 系统与 Spectrum-X 102.4T 以太网。
Hugging Face BlogAI 评分3131 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 博客介绍论文 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，可在不重训智能体的前提下读取 MCP 调用轨迹，逐条核查答案中的声明是否由其所声称的来源支持，以识别"跨来源混淆"。
Hugging Face Blog精选AI 评分6666 H 公司发布 Holo4 系列通用计算机智能体模型
H 公司发布 Holo4 系列智能体模型，包含 27B dense 与 35B-A3B MoE 两个版本，同时更新 Holotron 3 为 Holotron4 Nano。
推荐理由：Holo4 同时覆盖 GUI、代码、MCP 与 API 四种接口，并公开全部评测轨迹，可据此判断通用计算机智能体的成本与能力边界。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 入门：如何用 canvases 构建自定义工作流
GitHub Copilot app 的 canvas 是一种由描述生成的可定制界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言说明工作流，agent 就会生成界面并在右侧面板打开，无需手写代码或设计布局。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 为什么说聊天框是错的 UI：用 canvas 构建自定义交互界面
GitHub Copilot 应用推出 canvas 功能，一种运行在应用内、无浏览器外壳的全栈小应用，可与 Copilot 智能体双向通信，也能调用第三方 API 或在本地执行代码。
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，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成连贯的多镜头长视频，并原生继承 SynthID 水印等安全机制。
推荐理由：Google 把长视频生成拆成四个可组合框架，并给出多镜头一致性的评测基准与量化结果。
GitHub Blog · AI & ML精选AI 评分6262 GitHub Security Lab 发布 Fuzzing Taskflow 智能体
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，智能体就会识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做分诊并生成漏洞报告。
推荐理由：GitHub Security Lab 把模糊测试的 harness 编写、覆盖率追踪与崩溃分诊交给 LLM 智能体，读者可据此判断自动化安全测试的边界。
Google DeepMind精选AI 评分6868 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，实现带口型同步、自然表情和流畅轮次的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言同步等具体细节，可据此判断企业级多模态交互的落地形态。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解五大 AI 热梗：该不该读 AI 代码、RAG 是否已死、Skills 是否取代 MCP
GitHub Podcast 最新一期拆解了五个 AI 开发热梗：AI 生成的代码仍需阅读和负责，只是审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是连接工具与数据的标准接口，二者可组合使用。RAG 并未消亡，它为模型提供训练数据之外的信息，减少 token 浪费并让回答更有依据；微调模型也不必然说明代码库糟糕，AI 反而成为代码可维护性的又一道压力测试。
Google ResearchAI 评分5858 Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 发布研究实验，让教师借助生成式 UI（GenUI）按自身课程目标动态生成互动式学习模拟，并同步开放 30 多个面向初高中 STEM 的英文学习互动样例库。
GitHub Blog · AI & ML精选AI 评分8585 GitHub 用 Copilot 把 Copilot 运行时迁移到 Rust
GitHub 用 GitHub Copilot app 和 Copilot CLI 把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行生产级 Rust，AI 智能体写了大部分代码，分布在 128 个 PR 中增量合入 main，而非一次性切换。
推荐理由：作者以亲历者身份复盘用 AI 智能体把 80 万行运行时从 TypeScript 迁到 Rust 的完整工程方法，可迁移到大规模重构。
Mistral AIAI 评分5656 Mistral 与 Mozilla 合作，为 Firefox Smart Window 提供模型支持
Mistral 宣布与 Mozilla 达成合作，Firefox 的 AI 浏览助手 Smart Window（beta）改由 Mistral 模型驱动，先面向法国和北美用户，英国和德国预计今年晚些时候跟进。
Mistral AI精选AI 评分6060 Mistral 用 AI 智能体迁移 4 万行 Fortran 77 遗留代码
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 的油藏模拟器迁移到 C++，该代码库没有测试套件也没有集中文档。团队先搭建数值对齐测试框架，用自定义解析器生成调用树并派出上百个智能体补文档，最终采用人工把关的 coder、tester、reviewer 智能体工作流逐模块迁移。
推荐理由：Mistral 公开了用智能体迁移 4 万行 Fortran 的完整工作流，其中先建数值对齐测试再迁移的做法可直接迁移到其他遗留系统改造。
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search，用多步检索循环替代一次性 RAG
Mistral 发布 Agentic Search，作为检索层让模型在多步循环中查找、打开、导航、阅读和校验复杂文档中的信息，通过 Mistral Search Toolkit 提供，并内置在 Studio 和 Vibe 的 Libraries 中。
推荐理由：原文给出多步检索循环在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化，可据此判断它与一次性 RAG 的差别。
Berkeley AI ResearchAI 评分3232 ABBEL：通过信念状态监督让 LLM 高效完成长程交互
伯克利 AI 研究提出 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，用类似自编码器的重建评分作为奖励。在协作编程基准 CollabBench 上，ABBEL-rec-BG 将上下文摘要模型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 用量也低于全上下文方案。
Berkeley AI ResearchAI 评分3434 智能免费之后怎么办？面向智能体、由智能体构建的数据系统
随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不足 $1、部分厂商低于 $0.10，AI 正进入"近乎免费智能"时代。UC Berkeley 的 Aditya G. Parameswaran 等人提出三类新挑战：为智能体设计的数据系统、运行智能体集群的数据系统、以及由智能体自行合成的数据系统。