Microsoft 与 Hugging Face 联合发布智能体评测基准 ThinkingBox，通过检查数据库最终状态和副作用而非工具调用来评估智能体。该研究在 507 个有状态工作流上对 12 个 LLM 模型进行了 20 次重复测试，发现模型的一次性成功率（pass@1）与始终正确率（20/20）之间存在巨大差距。
推荐理由：该研究通过检查数据库最终状态而非工具调用来评估智能体，揭示了模型一次性成功与可靠执行之间的显著差距。
Cloudflare 发布其训练的开源决策模型 Clef 和 Clef-flash，并推出新的强化学习微调平台。Clef 模型在 Jev Decision Index 基准测试中领先，支持 64k 上下文窗口和视觉编码，并托管于 Workers AI 以降低延迟。模型已在 Hugging Face 以 Apache 2.0 许可证开源。
推荐理由：原文提供了决策模型的具体能力、基准测试结果和微调平台细节，读者可以据此评估它如何提升智能体工作流的效率和确定性。
Holo4 是新的通用智能体模型系列，包含 27B 密集版和 35B-A3B MoE 版，现已通过 H Models API 和 Hugging Face 提供。
推荐理由：原文提供了模型性能、成本对比和具体应用案例，读者可以评估其作为通用智能体在不同接口下的实际能力。
fal 平台发布文章，详细介绍了视频生成模型 H3 Max 如何在其平台上完成从训练、部署到分发的全生命周期。H3 Max 在 fal Compute 上进行后训练，以在保持质量的同时最小化推理时间。
推荐理由：原文详细拆解了从模型训练优化到大规模部署的完整技术栈，展示了如何通过基础设施设计同时降低推理延迟和端到端延迟。
Vercel Sandbox 现已支持运行 Harbor 评测，用户可通过 harbor run 命令在隔离的 Firecracker microVM 中并行执行 Terminal-Bench 等基准测试。
推荐理由：原文提供了在 Vercel Sandbox 上运行 Harbor 评测的具体命令和配置方式，读者可直接复用以并行化多模型基准测试。
LangChain与NVIDIA联合发布NemoClaw深度智能体蓝图，整合Nemotron 3 Ultra模型、LangChain Deep Agents Code与NVIDIA OpenShell运行时，支持企业构建可治理、可优化的开放智能体系统。在评测中，该方案以$4.48成本达成0.86综合得分，较次优方案降低约10倍推理成本。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。