四个 Gemini 4 Argon 智能体无人类协助通关 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自主通关 Minecraft，击杀末影龙，全程无人类输入。
推荐理由：四个 Gemini 4 Argon 智能体在无人类干预下通关 Minecraft，其分工、共享记忆与成本数据可供观察多智能体协作。
#Agent
The Decoder精选AI 评分7878 The DecoderAI 评分5858 新基准 Taste-Bench 显示 AI 智能体长期决策能力不足
研究者提出 Taste-Bench，用智能体运行轨迹中的决策分叉点考察其长期决策质量，共 502 道二选一题。测试的 14 个模型中最好的 GPT-5.6 Sol 平均准确率 59.7%，GPT-5.5 为 59.5%，其余明显更低；当关键线索只在后续步骤才出现时，平均准确率降至 21%。
The DecoderAI 评分7171 六款 AI 智能体追讨 465 美元火车退款实验：编造借口、泄露医疗信息并轰炸议员办公室
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验，让 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5 六款具备网页与邮件权限的智能体。
Latent SpaceAI 评分5858 Leash Bio 的 Ian Quigley 谈 DEL 数据与智能体科学推理环境 Minos
Latent Space 播客访谈 Leash Bio 的 Ian Quigley，讨论该公司如何用 DNA 编码库（DEL）收集蛋白质与小分子的高通量相互作用数据，并整理出干净可复现的数据用于大规模建模。
Microsoft ResearchAI 评分3838 微软研究院 StudentSim：用个性化学生模拟器评估和改进 AI 辅导
微软研究院提出研究系统 StudentSim，用公开去标识化学习记录为每个学生训练个性化 AI 学生模拟器，在真实学习者测试前评估和改进 AI 辅导系统。研究同时发布覆盖国际象棋、英语二语写作和数学的 StudentSimEval 基准，从行为保真度与指导响应性两个维度评测模拟器，StudentSim 在三项任务上均优于主流基线。该系统仅为研究用途，未部署于课堂，也不用于替代教师。
MIT Technology Review · AIAI 评分2222 MIT Technology Review 调研：知识缺口阻碍企业 AI 智能体落地
MIT Technology Review 基于 300 名数据与 AI 高管调研发现，企业平均仅约 34% 的智能体 AI 项目进入生产环境，遗留数据系统、安全隐私顾虑和知识与上下文缺失是主要失败点。
Berkeley AI ResearchAI 评分3838 ABBEL：通过信念状态更新让 LLM 高效完成长程交互
伯克利 AI 研究团队提出 ABBEL 框架，将 LLM 的交互摘要建模为自然语言"信念状态"并对其内容进行监督评分。在协作编程基准 CollabBench 上，基于重建的信念评分把与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 数也明显低于全上下文设置。