MIT 研究：AI 智能体在虚拟荒岛无目标玩耍 30 小时后任务表现更好
MIT 研究者把 13 个名为 Eko、各自运行在 Claude Opus 4.7 上的 AI 智能体放到模拟荒岛上自由探索 30 小时，期间它们自行发明挑战，表现出玩耍的特征。
#Agent
TechCrunch · AIAI 评分5858 The Verge · AI精选AI 评分7777 微软称其 AI 诊断工具在诊断准确率上超过医生
微软公布名为 Diagnostic Orchestrator 的诊断系统，用多个 AI 智能体推理症状与病史、决定检查项目并给出诊断，研究结果发表在 Science。
推荐理由：微软用多智能体编排做诊断，在自建 SDBench 上把准确率与医生拉开差距，也交代了临床验证尚未完成。
TechCrunch · AIAI 评分7171 微软 MAI-DxO 多智能体诊断系统在《Science》发表研究，疑难病例准确率达 83%
微软 AI 的多智能体诊断系统 MAI-DxO 在《Science》发表的模拟研究中，对《新英格兰医学杂志》疑难病例的诊断准确率为 83%，而单独工作的全科医生为 36%。
The DecoderAI 评分6464 OpenAI 与 PerturbAI、Scripps 用数千智能体 32 分钟分析小鼠全脑数据
OpenAI 与 PerturbAI、Scripps Research 合作，用数千个基于 GPT-Rosalind 的智能体分析小鼠全脑 CRISPR 图谱，完整分析耗时 32 分钟，团队估计人工完成需数月至一年。
OpenAI NewsAI 评分3838 OpenAI、PerturbAI 与 Scripps Research 如何用数千个 AI 智能体挖掘生物数据中的新线索
OpenAI、PerturbAI 与 Scripps Research 使用分布式 AI 智能体，从数百万个脑细胞的数据中挖掘出有前景的研究线索。该合作展示了用数千个 AI 智能体处理生物数据的路径。
The DecoderAI 评分5858 Claude Science 从零设计蛋白结合体，靶向蝎毒神经毒素
Anthropic 的 Claude 在 Claude Science 研究环境中基本自主设计了靶向蝎子神经毒素的蛋白结合体，这类毒素每年致死超过 3,250 人。
The DecoderAI 评分5858 新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用决策分叉衡量智能体在长期任务中的路径判断力，共 502 道二选一题目。测试 14 个模型，表现最好的 GPT-5.6 Sol 平均准确率 59.7%，GPT-5.5 为 59.5%，其余模型明显更低；当关键线索只在后续步骤出现时，平均准确率降至 21%。
MIT Technology Review · AIAI 评分5858 MIT CSAIL 将 Claude 智能体放上虚拟荒岛 30 小时，观察到自发玩耍行为
MIT CSAIL 研究者把 Claude Opus 4.7 的副本（代号 Eko）单独放在基于 Roblox 的虚拟荒岛上 30 小时，不指定任务，智能体自行探索地图边界、设定目标，并造出积木图案、星座和自创游戏。
The Decoder精选AI 评分7878 四个 Gemini 4 Argon 智能体无人类干预通关 Minecraft
Google DeepMind 团队让四个运行 Gemini 4 Argon 的 AI 智能体在随机生成的世界中通关 Minecraft，击杀末影龙，全程无人类输入。
推荐理由：四个智能体在无角色分配、无专用工具的条件下自主分工通关，可观察多智能体协作的实际运行方式。
Latent SpaceAI 评分3636 Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理平台 Minos
Leash Bio 用 DNA 编码库（DEL）采集蛋白质与小分子的高通量结合数据，并训练出仅用自家数据、在公开基准上追平 Boltz 的模型 Hermes。团队还发现 ChEMBL 中模型能凭结构猜出分子化学家，"谁做的"几乎和结构一样能预测活性。其数据可支撑数万次"lab-in-the-loop"模拟，现已发展为面向智能体可验证科学推理的 Minos，并发布预印本、博客与开放数据集。
Microsoft ResearchAI 评分3636 Microsoft Research 推出 StudentSim：用个性化学生模拟器评估和改进 AI 辅导
Microsoft Research 提出 StudentSim，从公开的去标识化学习记录训练个性化 AI 学生模拟器，让 AI 辅导系统在接触真实学生前获得反馈。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 103.9M 个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。
Berkeley AI ResearchAI 评分3535 Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的递归摘要建模为自然语言"信念状态"，并通过信念评分（belief grading）监督摘要内容，替代完整交互历史作为智能体的工作上下文。