01
Senior SWE-Bench：评估资深工程师级AI Agent的开源基准
Snorkel AI 推出了 Senior SWE-Bench，这是一个旨在评估 AI Agent 资深软件工程能力的开源基准框架。与侧重于孤立的初级编程任务的传统基准不同，该框架测试自主 Agent 处理复杂软件开发生命周期的能力，包括多文件代码修改、架构决策制定以及理解大型遗留代码库。该工具旨在为企业级 AI 软件工程师设立更高的性能标准，使研究人员能够针对现实软件行业场景衡量其系统的能力。
Hacker News
8 stories02
CursorBench 3.1
Cursor 发布了 CursorBench 3.1，这是一个用于衡量 AI 驱动的代码编辑器性能的更新版评估基准。该基准侧重于真实世界的编码场景，评估大模型在复杂开发工作流中建议、编辑和重构代码的有效性。通过提供标准化的测试套件，CursorBench 3.1 使开发者和研究人员能够系统地比较集成在现代 IDE 中的各种生成式 AI 模型的效率、准确性和实用性。此版本引入了更精确的指标，以更好地捕捉细粒度的编辑能力和 Agent 软件工程任务。
03
Launch HN: Manufact (YC S25) – MCP Cloud
联合创始人 Pietro 和 Luigi 推出了 Manufact（前身为 mcp-use），这是一个由 YC S25 支持的云平台，专为模型上下文协议 (MCP) 应用和服务器而设计。作为专用托管基础设施，该平台允许开发团队在生产环境中部署、迭代、测试和监控 MCP 实现。它为依赖 MCP 标准与大模型交互的 AI Agent 和服务构建者提供了专门的部署流程。除了云服务外，该团队还继续以 mcp-use 品牌开发和维护其流行的开源 MCP SDK。
04
Kimi K2.7 Code 现已在 GitHub Copilot 中正式可用
GitHub 正式宣布 Kimi K2.7 Code 模型已在 GitHub Copilot 中全面可用。该模型由月之暗面 (Moonshot AI) 开发，专门针对代码生成、软件开发任务和复杂的编程工作流进行了优化。通过集成 Kimi K2.7 Code，GitHub Copilot 扩展了其多模型生态系统，使开发者能够从多种顶尖人工智能模型中进行选择。此次集成旨在提升编码效率、逻辑推理准确性，并为全球开发者提供本地化优化，凸显了现代集成开发环境中个性化 AI 辅助的趋势。
05
一层就够了吗？单层 Transformer 即可匹敌全参数强化学习训练
一项研究探讨了强化学习场景中 Transformer 架构的结构效率，研究单层 Transformer 是否已足够。作者证明，单层 Transformer 的性能水平可以与全参数强化学习训练相媲美。通过简化模型深度，该研究挑战了复杂决策任务必须使用深层架构的传统假设。这一发现为优化强化学习模型开辟了新途径，能够在不牺牲 Agent 性能的情况下显著减少计算开销和训练时间。
06
Show HN: ctx – 在本地搜索编码 Agent 的历史记录
名为 ctx 的 Rust 命令行工具现已开发完成，旨在为编码 Agent 提供一种长期记忆形式。该工具将历史 Agent 转录和日志文件导入用户机器上的本地结构化 SQLite 数据库中，无需复杂的图数据库或外部托管的记忆服务即可实现排名文本匹配。为了开始新任务，开发者可以配置其 Agent 运行一个专门的子 Agent 来搜索该本地数据库，从而调用历史上下文来回顾之前的错误解决方案和运行手册执行情况。
07
日本最高法院裁定：AI 无法被列为专利申请的发明人
日本最高法院正式裁定，人工智能系统不能被指定为专利申请的发明人。该国最高司法机构维持了下级法院的判决，明确指出在现行专利法框架下，发明人必须是自然人。这一重要裁决使日本的知识产权政策与美国、欧盟和英国等其他主要司法管辖区保持一致，这些地区同样认定 AI 不具备发明人所需的法律人格。该决定回应了全球关于生成式 AI 和知识产权的日益激烈的辩论，重申了仅将创造性所有权归于人类的传统法律标准。
08
Claude 的 AskUserQuestion 功能：“60秒无响应——在未获得答案的情况下继续执行”
GitHub 的一个 Issue 指出，Claude Code CLI 工具中存在一种操作行为：AskUserQuestion 提示符会在 60 秒后超时，并在没有响应的情况下继续执行。这种默认的自动执行行为引发了用户和开发者关于自主 Agent 开发工具中控制流、安全性和可预测性的讨论。社区目前正在评估应如何管理超时阈值、默认情况下是否应无限期暂停执行，以及在错过人工介入验证时如何配置回退行为，尤其是在 Agent 拥有修改本地文件或执行终端命令权限的情况下。
01
Anthropic 将 Claude Fable 5 集成到 Claude Tag 平台
Anthropic 宣布在 Claude Tag 环境中提供 Claude Fable 5。此次更新是在内部讨论详述 Anthropic 以开发者为中心的工具的架构演进及其在公司非工程部门的广泛采用之后进行的。通过集成 Claude Fable 5，Anthropic 旨在为开发者提供更强的能力，以在统一的 Claude Tag 界面内实现自主编码辅助和复杂的 Agent 工作流自动化。
02
Sakana AI 在 OpenCode 上发布 Fugu 多 Agent 编排工具
Sakana AI 已正式在开源平台 OpenCode 上发布了先进的多 Agent 编排框架 Fugu。开发团队在框架的架构设计和实现阶段利用了 OpenCode 生态系统。通过将 Fugu 贡献给公共领域，Sakana AI 旨在简化专业 Agent 之间沟通、协调和执行分布式任务的方式，促进 Agent 技术领域的社区创新。
03
Pika Labs 引入全新 MCP 集成，增强块宇宙 (Block Universe) 创建
Pika Labs 推出了新的模型上下文协议 (MCP) 集成，旨在连接自定义数字设计环境与生成式视频合成。此发布使用户能够将外部数据环境直接连接到 Pika 平台，从而促进对交互式块宇宙组合元素更强的技术控制。此次部署使生成式视频工具与更广泛的开发者生态系统实现了更好的互操作性。
04
Pika Labs 为我的世界风格视觉效果引入全新 Voxel-It 技能
Pika Labs 推出了全新的创意技能 Voxel-It，旨在将静态照片转化为风格化的、受《我的世界》(Minecraft) 启发的体素世界。通过利用先进的计算机视觉，该工具允许用户对背景和物体应用选择性的体素化效果，同时保留画面中原始人物的面部特征和完整性。此次发布扩展了 Pika 平台为数字艺术家提供的生成能力。
05
Adaption 任命 Hugo Larochelle 为新任科学负责人
Adaption 已任命 Hugo Larochelle 博士为其新任科学负责人。Larochelle 博士目前担任 Mila（魁北克人工智能研究所）的科学主任，他将通过双重身份指导 Adaption 在人机适应方面的研究。这一任命凸显了行业内通过引入学术人才来引领专业 AI 组织深度学习和机器学习策略的广泛趋势。
06
SIGReg 预训练在大规模视觉任务上表现优于 CLIP 和 SigLIP
研究人员推出了视觉语言模型 SIGReg，其在大规模视觉任务上表现优于现有的基准模型 CLIP 和 SigLIP。通过将视觉语言联合嵌入预测架构 (JEPA) 的预训练从 CC12M 扩展到更大的 Datacomp-L 数据集，该系统证明了无需传统对比范式，非对比式的优化预训练策略也能够以高精度和高效率捕捉复杂的视觉特征。
07
推出 LeVLJEPA：一种完全非对比式的视觉语言框架
研究人员发布了 LeVLJEPA，这是第一个完全非对比式的端到端视觉语言预训练框架。LeVLJEPA 旨在绕过传统对比学习的计算限制，其下游任务性能与现有的顶尖多模态视觉语言模型具有竞争力。该自监督架构实现了稳健的联合特征提取，同时减少了训练期间对大规模配对数据集的依赖。
08
Anthropic 宣布举办“基于 Claude 构建”生命科学虚拟黑客马拉松
Anthropic 与 Gladstone Institutes 合作推出了“Built with Claude: Life Sciences”全球虚拟黑客马拉松。这一为期一周的活动聚集了开发者和科学家，旨在将 Claude 大语言模型应用于专门的科学和生物医学研究工作流。参与者将利用 Claude 的能力来解决数据分析和实验室挑战，为现代科学发现建立新的方法论。
huggingface
8 stories01
HealthAgentBench：用于挑战前沿 AI Agent 的真实医疗环境统一基准套件
微软研究人员推出了 HealthAgentBench，这是一个包含七个不同临床类别下 54 项医疗任务的统一评估套件。该基准复制了端到端的临床工作流，其中基于大模型的 Agent 必须浏览原始医疗数据、EHR 管道和复杂的成像环境。在该套件上对前沿模型的评估突显了长程临床推理的极大难度；表现最好的模型 Codex GPT-5.5 的成功率仅为 42%。该基准和环境已开源，以鼓励安全、自动化的临床决策发展。
02
通过迭代元反思实现自主科学发现
研究人员提出了 DiscoPER，这是一种用于开放式科学发现的自主大语言模型框架。DiscoPER 动态编写并执行代码，在无需预先指定研究问题的情况下探索科学数据集，并要求所有生成的假设通过严格的统计验证。它引入了一种二阶元反思机制，将其积累的发现视为经验数据，以寻找结构模式并将研究引导至认知空白。在 iNatDisco 生态基准上评估显示，DiscoPER 成功恢复了九种已知科学模式中的八种，在经典因果发现和基础大模型基准上表现强劲。
03
TurboServe：高效且经济地服务流式视频生成
生数科技推出了 TurboServe，这是一种专为交互式、渐进式流式视频生成的独特计算需求而设计的服务系统。TurboServe 利用迁移感知放置控制器和负载驱动的自动缩放控制器来协调在线会话放置和 GPU 配置。它实现了合并块处理、用于会话挂起的 GPU-CPU 卸载以及基于 NCCL 的在线迁移。在高达 64 块 NVIDIA B300 GPU 的生产跟踪评估中，TurboServe 将最坏情况下的每块生成延迟降低了 37.5%，并将总 GPU 运营成本平均降低了 37.2%。
04
CausalMix：作为因果推理的数据混合策略用于大模型训练
研究人员提出了 CausalMix，这是一种通过将数据混合比优化建模为因果推理问题来预训练大语言模型的新型框架。CausalMix 将数据池统计特征视为协变量，将领域混合视为处理，以估计条件平均处理效应 (CATE)。在 512 次 Qwen2.5-0.5B 运行训练后，该框架成功推断并优化了 800K 数据池的混合比例，训练了一个 7B 模型并泛化到 Qwen3-4B-Base 的长思维链数据上，性能优于 RegMix 等基准。
05
性能优化基准能否可靠地衡量编码 Agent？
一项针对存储库级性能优化基准（特别是 GSO、SWE-Perf 和 SWE-fficiency）的经验审计揭示了衡量编码 Agent 时存在的重大可靠性问题。通过在四种类型的 Google Cloud 机器上重放官方参考补丁，研究发现，在所有重放中，仅有 39/102 个 GSO、11/140 个 SWE-Perf 和 411/498 个 SWE-fficiency 任务满足原始有效性规则。研究结果表明，公开的排行榜排名很大程度上取决于脆弱的评分规则，其中 SWE-Perf 尤其受到参考补丁导致近乎零运行时差异的影响。
06
AutoTrainess：教大模型自主改进大模型
研究人员开发了 AutoTrainess，这是一种自主语言模型 Agent，旨在无需大量人工监督即可执行训练后流程。AutoTrainess 将训练后任务（包括迭代规划、数据准备、训练执行和评估）构建为明确的工作流和执行约束，而不是仅仅依赖原始命令行界面。在 PostTrainBench 基准上，该框架在使用 GPT-5.4 (Codex) 时平均得分 26.94，超过了仅使用 CLI 的基准，并通过将 DeepSeek-V4-Flash 的得分从 12.13 提高到 19.58，展示了成功的泛化能力。
07
状态-预测分离假设
研究人员提出了状态-预测分离假设，认为将用于预测下一个 Token 的计算流与用于存储历史记录的流分离开来，可以获得更好的语言建模效果。为了测试这一点，他们设计了一种具有双计算流的新型 Transformer 变体，并在多个尺度上进行了预训练实验。实验结果表明，解耦状态存储和预测可以始终提高数据和计算效率，降低验证损失，并在下游任务上取得 2 到 3 个百分点的提升。
08
图原生强化学习实现通过概念重组进行可追溯的科学假设生成
研究人员开发了 Graph-PRefLexOR，这是一系列图原生推理模型，旨在生成可追溯的、科学有效的材料科学假设。通过群体相对策略优化 (GRPO) 进行微调，模型将神经生成组织成包括机制探索、图构建和假设综合在内的结构化阶段。在 100 个材料设计问题上进行评估，Graph-PRefLexOR 比基础模型提高了 40% 到 65%，展现出 2 到 3 倍的语义多样性。测试证实，增加计算量扩展的是长程概念重组，而不仅仅是扩大语义覆盖范围。