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。
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。
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 开源评测框架，包括 Terminal-Bench、SWE-bench、tau3-bench 和 OSWorld 等基准测试。
推荐理由：Vercel 将 Harbor 评测框架集成到其沙盒环境，为开发者提供了大规模并行运行 AI 模型基准测试的云端方案。
Together AI 推出专为生产环境设计的开源权重模型推理平台 Together Dedicated Model Inference。该平台每月处理超 400 万亿 tokens 的经验，可为用户提供对模型、性能、成本和功能的完全控制，并实现部署启动速度提升约 4 倍。企业可部署来自 Together 模型平台或自带的开源权重及微调模型，并选择经过优化的硬件配置。
开发者借助 Goose CLI 智能体和 Together 的 dedicated containers skill，可在几分钟内将 HuggingFace 上新发布的模型（如 Netflix 的 void-model）部署到 Together 的 Dedicated Container Inference 基础设施上。