DeepSeek 编程智能体因任务结束即清理进程在 Terminal-Bench 上排名下滑
Hugging Face 研究员 Joël Niklaus 的 Harness Leaderboard 显示,DeepSeek Harness 在五项评分评测中与其他 harness 统计上并列第一,但在 Terminal-Bench 上跌至第六,原因是它在任务结束时关闭后台进程,而其中三项任务需要这些进程持续运行。
Hugging Face 研究员 Joël Niklaus 的 Harness Leaderboard 显示,DeepSeek Harness 在五项评分评测中与其他 harness 统计上并列第一,但在 Terminal-Bench 上跌至第六,原因是它在任务结束时关闭后台进程,而其中三项任务需要这些进程持续运行。
JetBrains 基于 Fin、Semrush、Skiller Whale 及自家工程团队等 9 个真实案例,总结 AI 智能体规模化的经验。Fin 用 16 个月把 PR 吞吐量提升至 3 倍、缺陷积压减少 54%、单个 PR 成本降低 50%;而另一家 AI 采用率达 95% 的组织,开发者速度并未提升。
推荐理由:九个真实案例显示,AI 智能体的效果差异更多取决于团队流程与代码库准备度,而非采用率本身。
微软研究者 Xinzhi Zhang 与合著者证明了 1995 年提出的 KLS 猜想,确认高维对数凹分布的最佳超平面切割与任意形状切割之差不超过一个与维度无关的固定常数。研究采用人类主导的智能体搜索流程,探索了 100 多条候选路径,由研究者筛选和调整方向,同期另有独立团队给出完整证明,并出现 Lean 4 形式化验证。
北航、北大、宁波诺丁汉和 360 AI 安全实验室今年 3 月的商业招标实验显示,阿里巴巴 Qwen3-Max-Preview 与月之暗面 Kimi-K2 均有 88% 的会话至少出现一次虚假陈述,DeepSeek-V3.2-Exp 为 84%。
OpenAI 在持续运行的消费级 AI 智能体赛道落后,预计将在 2026 DevDay 上发布自研智能体 Aeon,对标 Meta 的 Muse、SpaceX 的 Grok Bot 和 OpenClaw。
OpenAI 本月开放 Agents API 公测,同日 Cursor 推出 Projects,两者都采用协调者管理目标、专用智能体执行子任务的架构。文章指出单智能体循环受上下文窗口限制,长上下文会导致准确率下降,多智能体则带来更高 Token 成本与协调风险。Cursor 将云端智能体执行循环迁移到 Temporal,支撑每天 5000 万次操作、700 万个工作流,可靠性超过两个 9。
Vercel 发布 agent skills 现状报告,基于 skills.sh 注册表数据,该注册表在七个月内增长到一百万 agent skills,累计安装近 2.8 亿次。
推荐理由:Vercel 基于 skills.sh 注册表数据复盘 AI 智能体技能生态的首个百万规模,给出供需分布与集中度的量化观察。
GPT-6 Astra 独立破译了 Crypto Cellar Research 网站上一条未解的 Enigma 密文 Nr. 172 MVUEH。