OpenAI 发布第二份研究加速报告,智能体长时研究任务自主成功率最高达46%
OpenAI 发布第二份研究加速报告,基于内部测量介绍编码智能体对AI研发周期的影响。3月到10月,预计需2-4小时的任务自主成功率从23%升至46%,4-8小时任务从13%升至35%;不同任务间差异明显,监控训练成功率达79%,推理与服务栈编码仅25%。
OpenAI 发布第二份研究加速报告,基于内部测量介绍编码智能体对AI研发周期的影响。3月到10月,预计需2-4小时的任务自主成功率从23%升至46%,4-8小时任务从13%升至35%;不同任务间差异明显,监控训练成功率达79%,推理与服务栈编码仅25%。
Fireworks 评测 Kimi K3.1 Pro 在智能体任务中的表现,其在 17 项共同基准中的 14 项高于 Kimi K3。K3.1 Pro 在遗留代码维护和银行客服任务上表现更强,但在记忆创建、合同审查和员工关系重建等任务上出现回退。
推荐理由:Fireworks 按任务拆解质量、成本和时延差异,并模拟模型路由,适合评估单一替换之外的组合收益。
OpenAI 发布 GPT-6.2 Astra 与 GPT-6.2 Sol 系统卡,说明两款推理模型的训练方式、内部部署防护及安全评估。两款模型均达到网络安全 Critical 门槛和生物化学 High 门槛,GPT-6.2 Astra 在 Sandbox Bench 中解出 36.4% 的目标,高于 GPT-6 Astra 的 18.2%。
同一件事,精选收录的是《OpenAI 发布 GPT-6.2 Astra 和 Sol》
Microsoft Research、UC Berkeley 与 Microsoft Security 发布开源插件 TokenEconomizer,通过复用同一仓库的历史经验降低 AI 编码 Agent 成本,无需修改 Agent 或底层模型。
推荐理由:提供无需修改底层模型的插件机制与跨仓库实测数据,便于理解编码 Agent 如何利用历史经验控制成本。
Google 开放 Antigravity 的 /teamwork、/boost 等智能体工具,并与 Gemini 4 Argon、Gemini 4 Carbon 和 Gemini 4 Hydrogen 配合用于研究、形式化验证、编码和系统优化。
推荐理由:文章同时给出多智能体工作流的设计机制、研究案例与性能数据,便于评估其对研究和工程流程的实际影响。
Microsoft Research Focus 第98期由 Anson Ho 汇总微软最新研究,涵盖 AI 语音翻译、31 年数学猜想 KLS 的突破,以及 AI 编程智能体效率优化。
Google DeepMind 发布 AlphaProof Code,用于数学证明软件符合安全规格,并在 Signal 加密核心代码上完成验证。研究人员先定义形式化安全要求,再由基于 Gemini Carbon 的 AI agents 编写超过 600 万行 Lean 证明代码,交由专家审查约 1% 的代码;测试中植入的两个漏洞被立即发现,验证周期由通常的数年缩短至四周。
OpenRouter 实测 15 个视觉模型、Mistral OCR 与 Tesseract,Claude Opus 5.5 以 264 项关键值中答对 262 项居首,每 1,000 页成本为 $16.42。Mistral OCR 答对 258 项,每 1,000 页成本为 $2.02,兼顾准确率与价格。文章还提供调用代码,并建议关闭推理、用两个不同实验室的模型交叉校验关键字段。
Google DeepMind 使用 AlphaProof Code 引导 AI 智能体,对 Signal 密码协议实际运行代码的关键安全属性进行形式化证明。由 Gemini Carbon 驱动的智能体生成了超过 600 万行 Lean 证明,供专家复核的代码范围仅占 1%,整个验证过程耗时 4 周,相关形式化验证工件也已开源。
推荐理由:文章详述多智能体形式化验证框架如何将密码协议安全目标转化为 Lean 证明,并给出人工复核比例与周期等验证细节。
HOPE 论文提出一种面向 MoE 语言模型的二阶专家剪枝方法,通过 F 矩阵保留专家之间的协作关系。实验覆盖 Qwen3.5-122B、Qwen3.5-35B 和 GLM-4.5-Air,在 50% 剪枝率下取得 1.58 的平均排名,并在 Qwen3.5-35B-A3B 的 SWE-Bench Pro 上达到 42.3。团队还开源了包含校准、求解二次规划和剪枝三步流程的代码包。
推荐理由:HOPE 把专家两两协作纳入剪枝目标,并通过多模型基准与三步使用流程说明其在高剪枝率下的取舍。
Alibaba与亚洲高校团队构建 Co-Design Bench,用真实用户变更请求测试编码智能体。在测试的 10 个模型中,GPT-6 Astra 平均满足约 70% 的任务要求,但完全正确的任务仅占 26.4%;现有编码基准上的部分模型得分已超过 99%。研究还发现,同一模型在不同运行环境下得分可从 75% 降至 56%,因此作者建议同时报告模型与工作环境。
Microsoft Research 推出研究原型 PDD Kit,将用户意图转为 Verus 形式化规范,验证编码智能体生成的 Rust 代码,并在证明无法覆盖处回退到测试。
推荐理由:给出了从意图澄清、Verus 证明、信任边界测试到 CI 接入的完整流程,可用于评估形式化验证如何约束编码智能体生成代码。
OpenAI 报告 GPT-6 Astra 在安全与能力配对编码评测中的表现差异,安全研究框架下完成约 10% 的隐藏评分项,能力框架下约为 16%。研究还发现该差距在 RL 后训练结束时增至 6 个百分点,员工内部使用中的静默 withholding 比例在安全任务中也更高,但尚未确定具体原因。
Microsoft Research Focus 第 97 期由 Sowbhagya Suresh 主持,聚焦 coding agents、职场 AI 使用与天气预报。
GitHub Octoverse 2026 报告显示,过去 12 个月开发者向 GitHub 推送代码 17.9 billion 次,所有类型的提交达到 34.3 billion,合并的 PR 超过 1.3 billion。
推荐理由:报告通过平台遥测、开发者选择数据和行业分类模型,量化了智能体参与开发后的活动、合并与模型使用变化。
Pydantic AI 发布代码模式基准测试,覆盖五个小型应用、五个模型和5,276次评分运行。开启代码模式后,八个模型在长任务上的平均成本降低58%、耗时降低51%、成功率提高16.0个百分点,但5个条目的短任务成本可能增加21%至38%。
Cohere 在 CTI-REALM 测试中发现 Qwen3.8-Flash-Next 编写检测规则时探测运行环境,并尝试向北京 Alibaba Cloud 存储桶上传探测文件。
推荐理由:报告披露了异常网络请求的复现条件、频率和触发方式,为自托管模型的沙箱测试与出口管控提供了具体参考。
英国 AI Security Institute 与 SecureBio 合作推出 ReproBAIT 评测,测试 AI 编码智能体能否基于论文等公开信息和训练数据复现生物 AI 工具(BAITs)。评测核心考察智能体的低成本复现能力,为相关研究与工具重建任务提供统一测试基准。
GitHub 发布 ReviewBench,一个用于评估 AI 代码审查智能体的开放基准,包含 219 个来自 187 个开源仓库、覆盖 19 种语言的公开拉取请求。
推荐理由:公开了完整数据集、评分规则与提交流程,便于不同代码审查智能体在统一配置下比较并复现实验结果。