研究发现编码智能体框架差异多为噪声，复杂框架更贵但未必更好
Liu 和 Han 的研究发现，在 SWE-bench Verified 上更换编码智能体框架对通过率的影响与同一配置重跑相当，差异多在噪声范围内。
#评测/基准
The DecoderAI 评分7171 Latent Space精选AI 评分8888 月之暗面发布 Kimi K3.1 Pro：2.8T 总参数、104B 激活参数，权重定于 11 月 4 日开放
月之暗面发布 Kimi K3.1 Pro，这是一款多模态 MoE 模型，总参数 2.8T、激活参数 104B、上下文窗口 100 万 token，标准版与 Highspeed 版已上线官网、App、Kimi Work、Kimi Code 和 API，权重承诺于 2026 年 11 月 4 日开放。
推荐理由：汇总了 Kimi K3.1 Pro 的独立评测、定价与开源承诺，也保留了围绕推理成本和推广方式的争议。
The Decoder精选AI 评分8383 月之暗面发布 Kimi K3.1 Pro，AA 智能指数升至第四
月之暗面发布 Kimi K3.1 Pro，这是 Kimi K3 的后训练版本，后训练算力显著增加，在 Artificial Analysis 智能指数上得 55 分，比 K3 提升 11 分，位列第四，仅次于 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）。
推荐理由：榜单数据与开源权重计划并列，可对照闭源前沿模型看开源模型的追赶幅度。
Google ResearchAI 评分5858 Google 发布地理空间推理智能体技术报告并开放早期访问
Google Research 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及自建的 GeoExpertQueries、GeoKTools 四个基准上对比四种配置，结果显示接入 Earth AI 专用工具后 GeoExpertQueries、GeoKTools、CBGB 得分明显提升，而开放式任务还需前置规划。
Google DeepMind精选AI 评分9292 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和消费者开放，通过 Gemini API、AI Studio、Antigravity 及 Gemini 应用和搜索 AI Mode 提供。
推荐理由：官方给出 Argon 在编码、科研与安全对齐上的具体案例和基准表现，可据此判断前沿模型在长程任务上的进展。
Microsoft ResearchAI 评分5252 微软研究院提出 StudentSim：用个性化学生模拟器评估和改进 AI 导师
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化学生模拟器，用于在真实学习者测试前评估和改进 AI 导师。研究同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域，从行为保真度和对指导的响应度两个维度评估模拟器。
Import AIAI 评分4242 Import AI 476：创造力与递归自我改进；不如中国的开源权重模型；AI 走向太空
Import AI 476 期介绍了 Elorian 与 Scale AI 发布的 Humanity's Sixth Sense 基准，用 522 道题测试多模态模型的直觉视觉推理，人类 pass@1 为 93.1，表现最好的 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
Microsoft ResearchAI 评分2222 微软研究院播客：AI 会犯哪些错，失败又能教会我们什么
微软研究院播客对话 partner research manager Jennifer Neville，讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的"意外失败"。她结合自身从数学、物理、认知科学到计算机科学的曲折经历，分享使用当前 AI 系统的实用建议，并强调结果偏离预期时应仔细检查数据。
GitHub Blog · AI & MLAI 评分5555 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，基于 103.9M 条 GitHub PR 的分布构建，包含 219 个 PR、覆盖 19 种语言。