GPT-6 Astra智能体通过直接解析《魔兽世界》私服底层的网络数据包，而非依赖视觉输入，在40分钟内自主完成了兽人新手区“试炼谷”的全部任务链。它自主构建了感知、寻路和任务规划系统，包括从数据库读取任务信息、生成C++寻路程序，并表现出如并行接任务、提前学技能等优化策略。开发者计划下一步测试单个智能体练满级以及多个智能体协作通关高难度团队副本的能力。
推荐理由：原文展示了AI智能体通过直接解析游戏底层数据而非依赖视觉输入来完成复杂任务链，为理解智能体在非视觉环境下的规划与工具构建能力提供了具体案例。
SOP-Bench 是首个结合真实企业标准操作流程（SOP）与可执行工具的 AI 智能体评测基准，由 Amazon Science 发布。该基准包含 12 个行业领域、2000 多项任务，每项任务均附带工具接口和正确结果，用于验证智能体是否能按实际流程执行。
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。
Berkeley AI Research 在 NeurIPS 2025 论文中提出一个直接评估和优化成像系统信息内容的新框架。该信息度量统一了分辨率、噪声和光谱灵敏度等传统分离的质量指标，能准确预测彩色摄影、射电天文、无透镜成像和显微镜四个领域的系统性能。优化该指标产生的设计与最先进的端到端方法性能相当，但所需内存和计算量更少，且无需特定任务的解码器设计。