Meta 发布 RankEvolve 多智能体自动研究框架

Stanford 和 Together AI 等机构的论文提出 Self-Organizing Agent Teams（SAT），让 o3-mini、Claude Sonnet 4 和 DeepSeek-V3 组成的团队从过往协作中学习可复用的协作策略。

Sierra 与普林斯顿大学发布 τ^τ-Bench（hyper-tau-bench）基准，把智能体构建本身设为任务：开发者智能体获得真实业务记录、掌握需求的客户、生产 API、待继承代码库和服务成本与模型限制，需交付一个可用的客服智能体，并用保留的模拟用户部署评分，共 4 个领域 53 个任务。

研究团队研究模型能否察觉自己正在被测试，发现能力较强的模型可以区分被测试与真实部署，这会削弱安全评估结论的效力。论文提出两种技术：critique refinement 用额外推理时算力让模拟器动作更贴近部署，DISH（Deployment-Imitating SWE-Agent Harness）用真实 agent harness 缩小模拟编码环境与生产环境的差距。

前沿模型虽降低了编写定制代码的成本，但并未降低审查与维护成本，每个定制方案都需从头阅读代码库。该立场论文主张采用"harness 范式"：一个编码智能体 harness 作为骨干，在所有部署中运行相同代码，无需修改。论文基于三项近期发现，其中 harness 选择对智能体基准结果差异的影响大于模型选择。

一项研究追踪557次智能体编码会话的94K个开发事件及33K个智能体PR的690K条文件变更记录，发现指令文件与工作笔记占智能体读取内容的60.5%，技术文档仅占10.6%，API参考占1.3%。读取文档与即时测试减少相关（调整后比值比0.39），且咨询70.2%为主动发起而非失败驱动。

哈佛物理学者 Matthew Schwartz 在 Anthropic 客座文章中提出寻找 Claude-shaped 问题，并开源了用于定量科学精确计算的 BootLoops 工具包。

Anthropic 发布研究，用 Claude 对约 19,000 项工作任务评估机器人暴露度，发现现今机器人可完成美国 74% 的物理任务（占全部工作时间的 34%），但仅在 0.3% 的任务上比人工更具成本竞争力，按每年约 3% 的降价趋势需约 40 年才能达到 10%。

IMDEA Networks 等机构对 ChatGPT、Claude、Grok、DeepSeek、Gemini、Perplexity、Copilot、Mistral 和 Meta AI 九款对话式 AI 服务做了系统性隐私分析。

Anthropic 开展 Project Swap 实验，让 201 名员工携带一本书，其 Claude 智能体在数字交易大厅代表他们谈判换书。5 分钟聊天后，Claude 构建的图书排序与本人自评排序在 61% 的书对上一致；市场效率为 0.55（最优 0.89），其中 85% 的差距来自智能体对参与者偏好的理解不足，而非谈判表现。

Anthropic 让 Claude 在不到四周内优化了超过 30 个开源生物分子模型，平均提速约 4 倍、精度损失极小，输出完全一致时也有近 2 倍加速。优化代码全部开源，还推出低内存 Big 模式，可在单张 NVIDIA GPU 节点上对超过 10,000 token 的生物分子系统做准确预测。