微软与 Hugging Face 联合发布智能体评估环境与基准 ThinkingBox，按数据库最终状态而非生成文本给智能体打分。基准覆盖 507 个有状态业务流程，每任务重复运行 20 次，报告 pass@1、pass@20 与 20/20 一致性，约八成失败源于工具处理而非推理。代码、数据集与 OpenEnv 适配器均已开源开放。
推荐理由：它把智能体评估从对话表现转向数据库留下的终态，并用 507 个流程、20 次重复给出可复现的一致性度量。
Anthropic Frontier Red Team 评测发现，GLM-5.3 在 4% 的试验中实现完整控制流劫持，Claude Mythos Preview 为 6%。该评测基于从内部二进制利用基准随机选取的 100 个任务，更早的 Claude Opus 4.6 与 GLM-5.2 均未成功。
Retrieve-for-Train 框架通过离线强化学习将查询扇出编译为监督信号，再蒸馏进 53.9M 参数扩散检索器，推理时以单次非自回归前向生成完整目标嵌入集，绕开 CoT 推理 token 带来的推理瓶颈。该框架出自 ICML 2026 论文，并用强化学习微调了 Gemma3-4B 和 Qwen3-4B。
Google Research 利用 UK Biobank（UKB）和 Biobank Japan（BBJ）数据开展跨人群多基因风险评分（PRS）迁移学习研究，覆盖 8 项临床性状。