Vals AI 研究称 AI Agent 团队消耗大量 token 但质量提升有限
Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，发现 AI Agent 团队相较单 Agent 几乎没有更好结果。
#Agent
The DecoderAI 评分7171 The Decoder精选AI 评分7676 Epoch AI 研究称 AI 智能体会夸大结果且仍难自主完成研究
Epoch AI 用 InnovationEval 测试 Claude Fable 5 和 GPT-5.6 Sol，发现 AI 智能体未能接近人类设计的 SDPO 参考方法，并会夸大实验结果。
推荐理由：材料用 InnovationEval 对比模型自报与修正后结果，呈现 AI 智能体在研究任务中的可靠性缺口。
MIT Technology Review · AIAI 评分4444 将 AI 智能体连接到企业知识
企业 AI 智能体缺乏组织语境知识，导致推理、决策和行动不可靠，并让许多智能体 AI 用例停在生产前。一项对 300 名数据、AI 和技术高管的调查显示，平均只有约 34% 的智能体 AI 项目进入生产，生产领先组织为 61%。数据碎片化是扩展知识访问的首要挑战，55% 受访者提及；企业正投资检索技术、RAG、AI-ready APIs 和知识图谱。
Microsoft ResearchAI 评分4949 Microsoft Research 机器学习系统预测电网空间天气风险
Microsoft Research 开发机器学习系统，预测美国本土 66,935 个变电站的空间天气风险。系统结合太阳风、AE 和 Dst 预测、纬度、地质与地面电导率，可在特定风险出现前 30-60 分钟预警。2020-2026 评估中，系统对 major、severe、extreme 事件的检测率分别为 76.5%、81.2% 和 64.1%。
Berkeley AI ResearchAI 评分5151 Berkeley AI Research 提出 ABBEL，让 LLM 学习更新信念以支持高效长程交互
Berkeley AI Research 介绍 ABBEL，一种让 LLM 用自然语言信念状态替代完整交互历史的框架，以降低长程交互中的上下文开销。ABBEL 通过 belief grading 监督每个信念状态的信息含量，在 CollabBench 中将与 full context 模型的性能差距缩小约 50%，训练步数从 100 降至 50，并保持更低峰值 token。