前 OpenAI 研究员 Will DePue 称，他从已发布的模型权重中找到了 Nvidia Blackwell 芯片的特征指纹，涉及 DeepSeek-V4-Flash、DeepSeek-V4-Pro、MiniMax-M3、Kimi K3、Kimi K3.1-Pro 和蚂蚁 Ling-3.1-flash 六个自 2026 年 4 月以来发布的中国模型。
推荐理由：原文梳理了指纹检测方法的原理与边界，读者可据此理解这类证据能说明什么、不能说明什么。
Hugging Face 与 AllenAI 推出 FoundationWorlds 框架及其首个基础世界 ToyBlocks，一个围绕机械臂与桌面积木的开源仿真环境，可自动生成任务与演示数据，无需人工遥操作。
推荐理由：通过受控仿真环境把数据生成、训练与评测打通，读者可据此理解机器人泛化与失败归因的可复现研究路径。
Hugging Face 与 Collinear AI 开源 CWE-bench v2，公开 100 个任务，覆盖 91 种 CWE，用于测试前沿模型发现并修复安全漏洞且不破坏现有功能的能力，评分完全程序化、可复现。
推荐理由：公开了 100 个任务的评分口径与成本数据，读者可据此判断模型在真实漏洞修复上的水平与代价。
IBM Research 用同一个开源模型 GLM-5.3-flash 在 AppWorld 的 90 个任务上对比 CUGA、Hermes 和 Deep Agents 三个 harness，任务完成率分别为 81.1%、46.7% 和 30.0%，说明 harness 选择对结果影响很大。
推荐理由：同一模型换 harness 完成率从 30% 到 81%，这组对照数据能帮读者理解选型应匹配工作负载而非只看模型。
微软称其多智能体诊断系统 Diagnostic Orchestrator 在诊断准确率上最高可达人类医生的四倍，相关研究发表于 Science。
推荐理由：原文给出了基准构成、对照组数据和临床验证路径，读者可据此判断多智能体诊断系统与真实医疗落地之间的差距。
Google Research 在 JAMA Network Open 发表论文，评估其 AI 孕周估算系统在芝加哥 Northwestern Medicine 与肯尼亚内罗毕 Jacaranda Health 两处临床环境中的泛化表现。
推荐理由：研究展示了AI在真实临床环境中跨硬件、跨地区的泛化能力，为低资源地区扩大产前超声覆盖提供了可参考的验证路径。
Ai2 发布 FairStress 基准，用于测量 LLM 在最终选择之外的决策稳健性公平差异，包含 300 个双候选人场景、29 个领域，经人口统计身份与对抗前缀组合扩展至超过 1300 万测试用例，并提供 50K 项的 FairStress-Core 子集。
推荐理由：原文用对抗前缀揭示了输出层公平掩盖的决策稳健性差异，并给出相对有效的反事实 CoT 缓解方法。
IBM Research 在 Hugging Face 发布 ALTK-Evolve，用 GPT-4.1 从智能体自身训练轨迹中蒸馏出行为规则并追加到系统提示词，在不更新权重、无人工标注的前提下提升客服智能体表现。
推荐理由：原文展示了不更新权重、仅靠提示词级学习记忆提升客服智能体可靠性与成本的具体路径和量化结果。
Microsoft 与 Hugging Face 联合发布 ThinkingBox 沙箱与 ThinkingBox-Bench 基准，按智能体留下的后端终态与副作用而非其自述来打分，覆盖 507 个有状态业务工作流，每个任务独立运行 20 次。
推荐理由：文章用可执行的状态检查揭示工具调用正确不等于结果正确，并给出可复现的评测环境与复现步骤。
Hugging Face 发布研究，提出三种测试来量化语音识别中的基准优化（benchmaxxing）现象，并评测了 11 个广泛使用的开源 ASR 模型。
推荐理由：研究给出三种可量化探测方法与具体数据，读者可据此理解公开语音基准分数虚高的机制并改进自己的评测选择。
Hugging Face 发布智能体评测基准 Gaia2 及配套开源框架 Meta Agents Research Environments（ARE），Gaia2 数据集以 CC by 4.0 许可发布，ARE 以 MIT 许可发布。
推荐理由：原文给出了评测维度与各模型的强弱分布，读者可据此判断当前智能体能力的真实短板所在。