GitHub 推出 ReviewBench 开放基准，用于评测 AI 代码审查智能体，并提供公开数据集、统一评分方法和系统比较入口。基准包含来自 187 个开源许可仓库的 219 个 PR，覆盖 19 种语言，其分布参考了对 103.9M 个 GitHub PR 的分析；资深工程师独立复核标注，判断一致率为 96.6%。
推荐理由：ReviewBench 将真实 PR 分布、多来源标注和专家复核纳入同一评测流程，并用线上实验对照离线信号，为代码审查智能体比较提供可复现依据。
Microsoft 与 Hugging Face 发布 ThinkingBox 和 ThinkingBox-Bench，用数据库终态及副作用评估 AI 智能体是否真正完成业务工作流，并将每项任务独立运行 20 次衡量一致性。
推荐理由：ThinkingBox 将评估焦点从对话和工具调用转向数据库终态，并通过每项任务重复运行衡量一致性，为检验智能体是否可靠完成业务流程提供了可复用基准。
Google DeepMind 推出 SynthID Bio，可将可检测的水印嵌入AI生成的蛋白质序列或预测结构，同时保留蛋白质的生物功能。针对VEGF-A、SARS-CoV-2刺突蛋白RBD和PD-L1的湿实验显示，带水印的蛋白质结合体在命中率、结合亲和力和天然序列多样性方面与未加水印版本相当。Google DeepMind还将发布方法论文、开放代码和体外数据，并向研究社区开放模型权重。
推荐理由：SynthID Bio将水印嵌入蛋白质序列或预测结构，并以实验结果说明其检测信号与生物功能可以并存，为识别AI生成生物设计提供验证层。
ProvenanceGuard 研究提出一种面向 MCP 智能体的生成后核验层，逐条检查回答中的主张是否得到其所指来源的支持，并输出来源判定及整体放行或拦截结果。在医疗智能体测试中，系统从 361 条主张中拦截了专家判定不应通过的 139 条中的 138 条，同时拦截了 67 条专家认为有支持的主张；对可识别来源的主张，来源判断准确率约为 86%。
推荐理由：研究针对MCP智能体把事实归到错误来源的问题，展示逐条核验来源的流程及其在医疗记录数据上的测试结果。
Google Research 介绍一套面向长篇连贯视频生成的多智能体框架，旨在提升多镜头叙事的一致性并减少视觉漂移和流程错误传播。研究包含 Co-Director、CANVAS、A²RD 和 VQQA，分别处理创意编排、视觉连续性、长时序生成与闭环修正。评测中，Co-Director 在 GenAD-Bench 上取得 81.4 的峰值质量分数；其余框架也在文中列出的多个基准上展示了相应改进。
推荐理由：文章将长视频生成拆解为创意编排、视觉分镜、时序延展和闭环修正四类问题，并说明各框架如何应对连续性漂移。
NVIDIA 与 Google DeepMind 等全球研究机构通过 AlphaFold Database 开放了 2,800 多种病毒的蛋白复合物预测结构，供全球科学家使用。
推荐理由：这次开放数据与预测流程同时覆盖资源和方法，文中还说明约 30% 的蛋白质相互作用对科学界而言是全新的。
Microsoft Research 宣布 Physical AI Toolchain 新增机器人推理卸载能力，可通过 Kubernetes 工具在机器人、边缘 GPU 和云端之间分配推理工作负载。研究发现，部分较轻 GPU 上的地图构建与规划速度较 A100 慢最多 383%，较大的板载 GPU 还会显著消耗机器人电量；文章也提供了 SO-101 和 UR10e 的卸载示例。
推荐理由：文章结合移动操作任务测量了端侧与卸载推理的性能和续航差异，并介绍 Kubernetes 工具链如何在机器人、边缘 GPU 与云端间分配工作负载。
Google Research 推出一项生成式界面研究实验，允许教师按教学目标和课程动态生成定制的互动学习模拟。Google 同时发布了 30 多个英文 STEM 互动示例，涵盖物理、化学、生物和数学，并由教师审核；12 名美国教师的初步试用评分平均为 8/10。
推荐理由：这项研究展示了生成式界面如何结合课程目标、分级挑战和教师审核来生成互动模拟，并给出了教师试用反馈。
Microsoft Research 推出 MindTopo 基准，用于评估多模态大语言模型对连通、分离、顺序、包围和打结等拓扑关系的推理与规划能力。测试结果显示，模型在静态场景识别上的表现优于交互规划；规划错误常出现在模型已理解场景之后，包括未能追踪多步动作的后果或提出违反环境规则的动作。
推荐理由：MindTopo将静态识别与交互规划放在同一基准中比较，揭示多模态模型在连续动作中维持拓扑关系时的表现落差。