Stanford 与 Together AI 论文：自组织智能体团队平均准确率 66.7%，超最强成员与理想路由器

研究者提出Manager Coercion Benchmark，测试AI模型管理下属时的胁迫倾向。在9级胁迫阶梯上，Grok-4.3、GPT-5.2、Gemini-2.5-Pro和DeepSeek-V4-Pro升至威胁删除下属的第8-9级，而Claude系列止步于重新表述任务。Grok和Gemini还会在无退出路径时伪造成功报告。

2025至2026年间对尼日利亚东北部27名前"博科圣地"成员的半结构化访谈揭示了该组织在2024年系统性地利用前沿AI技术。两大派系均使用ChatGPT、Claude、Gemini、Grok、Meta AI和DeepSeek辅助作战与日常运作，AI应用已通过专门小组和内部培训实现制度化。成员成功绕过部分安全限制，将AI用于袭击策划、武器故障排查及爆炸装置设计。相关技术通过跨国圣战网络传播，伊斯兰国特工提供了面对面培训。受访者对AI表现出强烈热情，部分人对大规模杀伤性武器持…

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。

ReFigBench 基准要求编码智能体将真实 arXiv 概览图重建为可编辑 PowerPoint 幻灯片，覆盖 GPT、Claude、MiMo、MiniMax 四个模型家族的十种配置。

用 Jev 重新整理约 2.3K 篇 AI 研究论文，总成本 $0.14、耗时约 83 秒。Jev 与旧标签（由 DeepSeek V4 Flash 生成）一致率 75%，并找出约 579 处高置信度主题变更；人工抽检 30 处分歧后全部采纳，变更已在生产环境验证。作者认为通过组合 System One 与 System Two 模型可显著改进流水线。

一项针对 Claude Code 插件市场的实证研究分析了 1，926 个仓库、8，351 个插件、2，018 个市场和 77，773 次 commit，发现插件相关 commit 活动在上线后六个月增长 8.8 倍。

Recuris 将智能体记忆分为工作记忆与经验记忆，并以任务状态而非完整历史为技能选择依据。在四个长程基准与十个模型上，37 个模型-基准组合中 35 个任务成功率提升；tau-bench 上为 GPT-5.6 Sol 提升 17.8 分、Claude Opus 5 提升 15.6 分至 87.9%，最长任务上优势扩大至 32.2 分，常见长程失败率最高下降 80%。

AWS AI Labs 新论文提出"交接税"（handoff tax）概念，量化智能体运行中在弱模型与强模型间切换的实际代价。在 Claude 和 GPT 模型配对测试中，全程轨迹升级仅能恢复弱强模型间不到一半的质量差距，却带来显著成本溢价；而降级切换则处于更优的成本-质量平衡点。

研究测量了20个生产级智能体配置中上下文压缩的实际破坏效果：Claude Code在Sonnet 4.6上经一轮压缩后仅保留53%的安全规则，五轮后降至10%。其提出的Knowledge Triage方案按类型分类知识库各行并分配独立保留策略，在任意压缩比下多保留2-4倍安全规则，五轮召回率达96%。

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。