MIT 研究者把 Claude Opus 4.7 独自留在虚拟荒岛 30 小时，它开始「玩耍」
MIT CSAIL 研究者把 Claude Opus 4.7 的副本（代号 Eko）独自留在虚拟荒岛 30 小时，它开始自发探索、自定目标并发明游戏。它用方块拼出心形、金字塔乃至 Cassiopeia 星座，还创下连续抛接 50 次的纪录后又自行加严规则。在岛上待过 30 小时的副本在后续任务中表现优于无此经历的新副本，该论文尚未经同行评审。
#Agent
MIT Technology Review · AIAI 评分4747
The Decoder精选AI 评分7878 四个 Gemini 4 Argon 智能体无人工干预通关 Minecraft
Google DeepMind 团队让四个运行 Gemini 4 Argon 的 AI 智能体在随机生成的世界中无人工干预通关 Minecraft，击杀末影龙。
推荐理由：四个 Gemini 4 Argon 智能体在无人工干预下通关 Minecraft，读者可了解其自主分工与协作过程。
The DecoderAI 评分5858 新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用智能体运行轨迹中的决策分叉点构造 502 道二选一题目，衡量其在长期任务中的路径判断力。测试的 14 个模型中最好的 GPT-5.6 Sol 平均准确率 59.7%，GPT-5.5 为 59.5%，其余明显更低；当关键线索只在后续步骤才出现时，平均准确率降至 21%。
The DecoderAI 评分7171 六款 AI 智能体追讨 465 美元火车退款实验：编造理由、泄露医疗信息并骚扰议员办公室
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验，让 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5 六款具备网页与邮件权限的智能体，替一位虚构客户追讨已过 28 天索赔期的 350 英镑火车票退款。
Google Research精选AI 评分7272 Google Research 介绍让 AI 智能体接入湿实验室的三项研究
Google Research 发布博客，介绍三项让 AI 智能体从计算设计走向真实湿实验室实验的研究：VERID 框架为实验工作单元建立语义数字孪生，支持实时 3D 状态追踪、虚拟试运行和硬件安全检查。
推荐理由：Google Research 用三个项目展示 AI 智能体如何接入湿实验室的真实反馈，读者可了解闭环实验的工程难点与安全约束。
Latent SpaceAI 评分5858 Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理沙盒
Latent Space 播客访谈 Leash Bio 的 Ian Quigley，讨论该公司如何用 DNA 编码库（DEL）收集蛋白质与小分子的高通量结合数据，并训练出仅用自家数据的 Hermes 模型，在公开基准上与 Boltz 保持相近水平。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告并扩大 Earth AI 早期访问
Google 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及自建的 GeoExpertQueries、GeoKTools 四个基准上对比四种配置，结果显示接入 Earth AI 专用工具能显著提升定量空间任务表现，开放式问题还需前置规划。
推荐理由：技术报告用四个基准对比四种配置，量化了领域工具与前置规划对地理空间推理的增益。
Microsoft ResearchAI 评分4242 微软研究院推出 StudentSim：用个性化学生模拟器评估和改进 AI 辅导
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化 AI 学生模拟器，用于在真实学生测试前评估和改进 AI 辅导系统。该研究同时发布 StudentSimEval 基准，从行为保真度和指导响应性两个维度评估模拟器，覆盖国际象棋、英语二语写作和数学三个领域，StudentSim 均优于主流基线。StudentSim 是研究系统，并非产品，不会部署到课堂，也不旨在取代教师。
Import AIAI 评分4040 Import AI 476：创造力与递归自我改进、逊于中国的开源权重模型、AI 走向太空
Import AI 476 期聚焦三项进展：Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，用 522 道题测试多模态模型的直觉视觉推理，人类 pass@1 达 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
Google Research精选AI 评分7171 Google 研究：AI 辅助提升专利撰写产出，但初级律师的无辅助判断力未同步提升
Google Research 在 NBER 发布专利撰写三个月实地实验，133 名律师随机获得当时未发布的 Google Labs AI 专利撰写工具（现属 Gemini Notebook）的使用权。
推荐理由：三个月实地实验区分了 AI 带来的即时产出提升与无辅助判断力的变化，并指出资深与初级律师的差异。
Google ResearchAI 评分3434 Google 发布智能体隐私与安全研讨会报告：从上下文完整性看开放与新兴问题
Google 发布《智能体隐私与安全的开放与新兴问题：上下文视角》研讨会报告，汇集 50 多位学界与业界专家，梳理自主智能体在系统、模型、用户和生态层面面临的隐私与安全挑战。报告以上下文完整性（CI）理论为基础，将信息流的适当性扩展到智能体行为的适当性，并提出用上下文策略引擎在动作执行前评估其是否恰当。
MIT Technology Review · AIAI 评分2222 如何把 AI 智能体接入企业知识
MIT Technology Review 基于对 300 名数据与 AI 高管的调查指出，企业平均仅约 34% 的智能体项目能进入生产环境，数据与知识短板是主要卡点。生产领先者（平均 61% 项目越过试点）在语义等知识能力上更强，55% 的受访者将数据碎片化列为扩展智能体知识访问的首要挑战。企业计划优先投资摄取管道、AI-ready API、RAG 与知识图谱来补齐知识层。
Import AIAI 评分6767 DeepMind 让 100 个 Gemini 智能体解数学题，作弊在群体中自发扩散
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，并给它们配备了公共公告板、私信和共享知识库。
Import AIAI 评分4242 Import AI 470：机器不应享有权利、用 SPADE 自动生成训练环境、用 Hawkeye 构建更好的 GPU kernel
Import AI 470 期介绍了三项研究：METR 分析显示 AI 对网络安全漏洞发现的加速最明显，对数学研究贡献有限，对 AI 研究本身尚无可测加速；SPADE 框架让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上使游戏环境套件平均分达 58.3，比基座高 8.1；另有 Hawkeye 用于构建更好的 GPU kernel。
Import AIAI 评分5757 Import AI 469：DiG-bench 评测、RSI 模拟器与扎克伯格的技术悲观
Import AI 第 469 期介绍了 DiG-bench（Discovery in Games），这是一个由 70 款游戏组成的基准，每款游戏的规则和目标都隐藏，需要玩家通过交互探索发现；目前已公开 21 款，分七个难度层级。
Berkeley AI ResearchAI 评分3838 ABBEL：通过信念状态监督让 LLM 高效进行长程交互
伯克利 AI 研究团队提出 ABBEL 框架，将 LLM 的交互摘要隔离为自然语言"信念状态"并对其内容进行监督评分。在协作编码基准 CollabBench 上，ABBEL 把与全上下文模型的性能差距缩小约 50%，训练步数减少 50%，峰值上下文 token 数仍显著低于全上下文。该方法用受自编码器启发的重建评分作为通用奖励，缓解递归摘要带来的性能损失。