重要进展，按时间持续更新
Mistral 发布 Mistral Large 4（Le Chonk）的开放权重，这是一个 1 万亿参数的原生多模态模型，在公开预览基础上继续做强化学习，编码与防御性网络安全能力提升。
在 Artificial Analysis Coding Agent Index 上得分 48%，与开源领先模型 GLM-5.3 基本持平，但每任务平均少用 47% token；Terminal-Bench 4.0 从预览版提升 13 个百分点至 41%，输出 token 减少 30%。
Mistral 公开了 1 万亿参数多模态模型的权重，并给出编码与安全基准及三种推理档位，可据此评估自托管成本。
Google DeepMind 发布新一代前沿模型 Gemini 4 Carbon，称其在网络安全与长周期任务能力上为自家最强模型，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
该模型在漏洞发现基准 SEC-bench Pro 上取得 88.2%，在利用验证基准 ExploitGym 上取得 54.8%，在补丁生成基准 CWE-bench 上取得 71.0%；WebDev Arena 上提升 89 elo 至 1769 分、排名第 4。
官方披露了 Carbon 在漏洞发现、利用验证与补丁生成上的基准成绩，以及先向网络安全防御方开放的分阶段策略。
Google DeepMind 发布世界模型 Genie 4，可实时生成并交互式操控场景，同时原生生成环境音与角色对话。
Genie 4 基于 Gemini 系列能力，Gemini Omni 负责让模拟贴近真实世界的外观与行为，Gemini 3.8 Flash 作为循环中的引导智能体，把目标拆成步骤并逐帧检查进度。用户可用自然语言实时修改天气、镜头或加入人物物体。该模型已作为研究预览向可信测试者开放，之后将面向 Project Genie 中的 Google AI Ultra 订阅用户，以及 Gemini API 和 Google AI Studio 的早期访问伙伴。
Genie 4 把实时世界模拟、原生音频与 Gemini 的推理规划结合起来，读者可据此了解世界模型当前的能力边界与落地路径。
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，用于训练智能体。
用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降至 446 个。训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。
微软与 Hugging Face 把数据库终态校验直接当作强化学习奖励，并公开了任务筛选与训练代码，读者可据此判断这类奖励能否迁移到自己的智能体训练。
微软研究院发布 Flint-interactive，一种在 Flint 之上创建交互式数据可视化的语言，让智能体生成用户可点击、筛选、缩放、高亮并进行跨图表联动的图表。
它用高层语义事件和更新算子描述交互行为，由 Flint 编译器处理命中测试、布局和渲染更新，从而降低生成成本与调试难度。用户可通过 Flint-MCP 和 MCP Apps 在聊天或画布环境中直接使用，开发者可用 Flint Interactive Canvas 的编程 API 构建仪表盘和数据故事，并让图表与表格、文本、其他图表或应用状态联动。
微软研究院把交互逻辑交给编译器处理，让智能体生成可点击、可联动的图表，减少反复调试的成本。
Mistral 发布 Voxtral 3 语音模型家族，包含语音转写与语音合成模型，以及基于 LiveKit 的语音智能体 SDK，把听、推理、工具调用和说合成一条实时流式流水线。
转写模型 Voxtral Small Transcribe 3 支持 50+ 语言、说话人分离和上下文偏置，官方称其表现优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；实时版在 35+ 语言下延迟低于 500ms。合成模型 Voxtral Mini TTS 3 支持 35+ 语言和 50+ 方言，可按上下文调整情绪、语速和重音，定价 $13/1M 字符。
Mistral 把语音识别、推理与语音合成串成一条实时流水线，读者可据此判断语音智能体的搭建门槛和部署选择。
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为规则并追加到系统提示词，不更新模型权重。
在 τ²-bench 客服基准上，使用 stock ReAct 脚手架的 GPT-4.1 智能体在零售域 Pass^4 从 57.5% 升至 67.5%，平均准确率从 78.1% 升至 82.5%；航空域 Pass^4 从 35.0% 升至 45.0%。
读者可看到不更新模型权重、仅靠提示词层学习记忆，就能把普通客服智能体推到基准榜首的具体做法与代价。
Google Research 发布博客，介绍三项将 AI 智能体与真实湿实验室实验衔接的研究。
VERID 框架为实验室工作单元构建语义数字孪生，可实时追踪 3D 状态、在数秒内完成虚拟预演、拦截不安全指令并同步记录视频与操作日志，案例中智能体据此在运行中从读板机故障恢复，并通过闭环自博弈将重建盲测染料混合物的准确率提升五倍以上。在适配体方向，智能体在 myoglobin 和 α-thrombin 两个靶点上经过三轮设计-测试迭代，确认命中率分别达到 33.5% 和 42.1%，其中 α-thrombin 首轮因固定引物侧翼破坏折叠而命中率为 0%。
Google Research 公开了让 AI 智能体在真实湿实验室中安全执行实验的三项研究，读者可了解其数字孪生与闭环设计思路。
美国新实验室 Reflection 在 Hugging Face 发布首个开源模型 Beam，采用 MoE 架构，总参数 501B、每 token 激活 23B，支持文本输入和 1M token 上下文窗口，以 Apache 2.0 许可开放，面向编码与智能体场景。
模型共 52 层，每层 256 个专家、每 token 路由 8 个，提供 BF16、FP8 和 NVFP4 三种 checkpoint，BF16 版本约 1 TB。
Reflection 首个开源模型 Beam 给出 501B 参数、1M 上下文与完整部署配方，可据此评估自托管前沿模型的硬件门槛。
Meta 发布开源权重模型 Muse Spark Open，采用混合专家架构，总参数约 816B、每 token 激活约 42B，上下文窗口最高 100 万 token，可输入文本、图像、音频和视频并输出文本。
该模型面向智能体编码训练，能读取代码库、编写和调试代码并调用工具，同时可处理截图、语音和录屏。模型提供 BF16 与 NVFP4 两种 checkpoint，BF16 约 1.5 TB，NVFP4 面向 NVIDIA Blackwell GPU；官方给出 transformers、llama.cpp、SGLang、vLLM、MLX 的部署配方，以及用 TRL 在 64 张 H100 上微调 LoRA 的示例。
Meta 开源 816B 多模态 MoE 模型，给出量化、部署与微调配方，可据此评估本地与云端落地成本。
Google 公开发布 Deep Review，一个面向复杂文档的智能体审阅系统，可对论文、法律和财务文档做逻辑一致性、数学陈述与事实核查，并给出改进建议。
系统采用文档分段、自适应算力分配、并行验证和全局综合四阶段流水线，由 Gemini 4 Argon 提供底层能力。
Google 公开了面向长技术文档的智能体审阅系统，并给出四阶段流水线与会议试点规模，可据此判断自动审阅在论文与法律文档中的可用边界。
Google 发布地理空间推理智能体的技术报告，并开源 GeoKTools 和 GeoExpertQueries 两个新基准的开发集，供研究者测试自己的地理空间推理智能体。
Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等伙伴的实测案例，可据此判断专业工具加前置规划相对通用 LLM 的差距。
Anchor Browser 与 Amazon Bedrock AgentCore payments 集成，让 AI 智能体在遇到 HTTP 402 Payment Required 时自动完成 x402 协议支付并重试请求，该方案已在 AWS Marketplace 上线。
材料给出把支付能力下沉到托管基础设施的具体做法，读者可据此判断浏览器智能体处理付费资源时的改造范围。
Liquid AI 发布 LFM2.5-24B-A2B，这是一个 24B 总参数、每 token 仅 2B 激活参数的推理模型，面向端侧私有智能体，会先推理再作答并支持工具调用。
24B 总参数仅 2B 激活的推理模型，给出端侧速度与工具调用基准，可据此判断本地智能体的可行边界。
Google DeepMind 开始广泛推送 Gemini 4 Argon，并同步扩展 Fairwind Program 给更多可信网络安全防御方。
该模型在 12 个端到端模拟网络攻击场景中全部通过，上一代为 5 个；在对抗测试集上违规请求减少近两倍，Gray Swan 间接提示注入基准上 15 次自适应攻击的成功率降至 0.7%。
官方披露 Gemini 4 Argon 在网络安全与生物风险上的防护设计，可了解前沿模型安全护栏的具体做法。
AWS 博客介绍 SpaceXAI 的 Grok 4.7 已在 Amazon Bedrock 上线，并演示如何用它搭建工具调用智能体。
作者用三个可穷举验证的任务实测 Grok 4.7 四档推理强度，给出准确率与 token 成本的取舍数据，方法可迁移到自建智能体评测。
作者借助 HuggingChat 中的 ML Intern，在两天内完成六个模型项目，包括柑橘病害 VLM、Huggy LoRA、相机视角 LoRA、涂鸦替换 LoRA、Pocket Rewriter 0.8B/2B 蒸馏以及 Agate 4 步蒸馏，总计算成本约 103 美元。
作者用 ML Intern 在两天内训出六个小模型，给出了提示词写法、预算控制与成本明细，可迁移到自己的训练流程。
Google Research 与 NBER 发布一项为期三个月的专利撰写实地实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师，其中三分之二获得早期访问权。
三个月实地实验区分了AI带来的即时产出提升与无辅助判断力的变化，为理解AI对专业能力养成的影响提供了一手证据。
AWS 宣布 Claude Haiku 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上可用。
AWS 官方给出 Haiku 5.5 在 Bedrock 上的可用区域、调用方式与成本定位，便于判断它在多智能体分层中的位置。
微软研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 训练范式，让部署时使用的同一 agent harness 直接参与 RL 训练，无需在训练框架内重新实现智能体。
微软研究院开源 Agent Lightning v1.0，给出约 3500 行代码的完整智能体 RL 控制面与真实 harness 训练路径。