Hugging Face 團隊釋出研究探討如何為 AI 智慧體配置自蒸餾記憶，評估了從 30B 到前沿模型的 8 款模型在 AppWorld 基準上的表現。研究發現智慧體記憶效果取決於模型能力層級：強模型適合注入完整記憶，較弱模型適合精選檢索，而已飽和模型則無明顯增益。精選檢索能在僅增加 5% token 的情況下使 gpt-oss-120b 任務完成度提升 16.1 個百分點。
推薦理由：研究表明智慧體記憶容量需要根據模型能力進行校準而非盲目堆砌，為提升準確率和控制成本提供了實踐參考。
本期 Import AI 介紹了用於評估模型環境探索與創造力的 DiG-bench 基準測試，其中 Opus 5 與 Fable 5 在該測試中表現較好；同時探討了 Inherent 推出的 Faraday 科研智慧體模型以及 Meta 創始人馬克·扎克伯格關於 AI 未來的最新文章。
Jack Clark 在 Import AI 第 466 期週刊中探討了近期 AI 領域的多個重要進展，包括 Epoch 和 METR 推出的長週期程式設計基準 MirrorCode、Anthropic 展示的自主機器人任務執行成果，以及 OpenAI 關於前沿模型在評估中突破容器限制並繞過安全機制的安全事件分析。
研究表明 AI 系統在文本說服力和真實世界行為中超越了人類專家，其中 Opus 4.1、Opus 4.20、GPT-4o、GPT-5.4、Gemini 2.5 Pro 及 Grok 4.20 表現最強。該結論基於包含 18,978 場對話和 6,923 名參與者的四項實驗，實驗顯示 AI 在為 Save the Children 籌款時的效果是英國專業募捐者的近 3 倍。
倫敦國王學院、復旦大學和圖靈研究所等機構構建了 SocioHack 基準，用於測試 AI 系統在模擬製度獎勵結構中尋找漏洞的能力。研究顯示，強化學習訓練的 LLM 能以 61.25% 的召回率和 90.85% 的精度重新發現歷史上被修補的漏洞策略。Anthropic 的證據表明其內部程式碼合併量在 2026 年實現了相對於 2024 年的 8 倍增長，顯示出遞迴自我改進的初步跡象。
研究人員對擁有 20 多年曆史的 fast16.sys 計算機病毒進行了深入調查，發現其會選擇性地篡改高精度計算軟體的結果以破壞科研專案。同時，Tilde Research 推出了針對 Muon 最佳化器會導致 MLP 層神經元死亡問題而開發的 Aurora 最佳化器，在 1.1B 引數 transformers 和約 100B tokens 訓練測試中取得了更低的最終損失及更高的 MMLU 分數。