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。
研究团队将 Helion 集成到 vLLM 的线性后端，以探索其自动调优的高层内核 DSL 如何提升大语言模型推理性能并降低内核实现复杂度。在 NVIDIA Hopper GPU 上，该后端通过逐形状调优与混合调度，在评估的模型中性能超越了 vLLM 默认的 CUTLASS 和 DeepGEMM 后端，部分工作负载的吞吐量提升超过 10%。
DEFINE 框架通过独立的音频示例分别控制说话人身份和目标口音，在单次推理中实现口音强度的连续调节。该框架基于 F5-TTS 构建，使用参数高效的 LoRA 进行适配，无需推理时的口音标签或后合成波形转换。在训练集内口音上，口音引导可将口音探测准确率从 6.5% 提升至 19.6%，并能将口音控制泛化到训练集外的部分口音上。
MIT 研究人员开发了名为 CrysVCD 的框架，能在材料生成过程初期通过约束化学价态规则，显著提升生成材料的稳定性。在《自然·计算科学》发表的论文中，该框架使近 70% 的计算材料生成通过了严格的晶格动力学稳定性测试，并能生成具有特定目标属性（如高导热率）的材料。该方法可与现有及未来的扩散模型或大语言模型结合，将稳定材料的生成效率提升一个数量级，大幅降低筛选过程的计算成本。
在 DiG-bench 基准测试中，Opus 5 和 Fable 5 配合 Claude Code 表现最佳，是仅有的能在最高难度 Tier 7 中完成部分任务的模型。该基准包含 70 个需通过交互发现隐藏规则的游戏，旨在衡量 AI 在新环境中的探索与发现能力。GPT-5.5 和 Kimi K3 在借助工具链时也能完成部分 Tier 6 任务，但当前前沿模型整体表现仍远逊于人类。
伯克利 AI 研究团队扩展了 K-Search 框架，为其增加了 MLX 后端，并开发了一个结构化的 CUDA-to-MLX 翻译层，能够将 NVIDIA CUDA 内核的优化知识自动迁移到 Apple Silicon 上。
推荐理由：研究提出了一种将 NVIDIA CUDA 内核优化知识自动迁移到 Apple MLX 框架的方法，为跨硬件生态的 AI 计算性能优化提供了新思路。
Vector Institute 研究人员在第 33届国际机器学习大会（ICML 2026）上展示了73篇被接收论文，涵盖强化学习、后训练、生成式AI、视频生成、多模态系统及AI治理等多个前沿领域。其中11篇被选为焦点论文，创下该研究所在ICML的最佳纪录。研究工作还涉及科学发现应用，包括基因组学、量子化学和材料建模。
Together AI 在 ICML 2026 展示了涵盖智能体到 GPU 内核的全栈前沿研究成果。其 DSGym 框架包含 1000+ 个跨 10+ 领域的数据科学任务评估套件，ThunderAgent 将智能体推理吞吐量提升最高 3.6 倍。
Together AI 发布多 GPU 内核生成基准 ParallelKernelBench，用于评估大模型编写跨 GPU 通信 CUDA 内核的能力。在 87 个真实代码问题中，表现最佳的 GPT-5.5 在单次尝试下仅正确解决 28 个问题，其中仅 22 个快于 PyTorch + NCCL 基线。研究揭示了模型在协调 GPU 间通信、数据分区和选择最优传输机制方面存在根本性困难。
Together AI 对比了 Kimi K2.7 Code 与 Claude Fable 5 生成 12 个落地页的成本和质量。实验显示，Kimi K2.7 Code 的平均成本比 Fable 5 低约 94%，在结合定制设计灵感 MCP 服务器后，其输出质量与 Fable 5 相近。所有生成的页面、成本细目和 GPT-5.5 的评分结果都发布在 OVSC 网站上。
推荐理由：原文通过具体实验和成本对比，展示了开源模型在特定工作流中结合定制化工具的实际效益。