AI2 发布 NoveltyBench 基准评估大模型判断科研 Idea 新颖性的可靠性。研究表明不同大模型（GPT-5.1 到 Claude Opus 4.6）在评判 AI 生成科研 Idea 的新颖性时，仅通过微调 prompt 就能导致准确率在同一个 Idea 上暴跌超过 50 个百分点。
推荐理由：文章提供了衡量 LLM 评判科研 Idea 新颖性稳定性的基准工具，展示了 prompt 微小改动如何让准确率暴跌超过 50 个百分点。
一项新研究对比 Claude Code、OpenCode 和 mini-SWE-agent 三个 coding agent harness，发现更换 harness 带来的任务结果波动与重复运行相近，Zhipu 宣称的 2.4 分优势处于噪音区间；唯一显著落后的是 OpenCode，主要因输出限制和搜索工具故障导致。
推荐理由：研究拆解了 harness 差异的来源，指出多数差距在噪音范围内，仅 OpenCode 表现显著落后，并揭示成本差异主要来自系统提示词。
论文发布 Taste-Bench 评测智能体的长期判断力，它用 502 个代码与研究任务的轨迹分叉点让模型选更优路径。测试 14 个主流模型后，最高分 GPT-5.6 Sol 仅 59.7%，证据出现越晚得分越低，增加推理预算也无效。将教师判断蒸馏进 Qwen3.6-27B 后，该学生在 SWE-bench Pro 上指导智能体把成功率从 14.6% 提升到 33.7%。
微软亚洲研究院开源 Agent Lightning v1.0，是一套约 3500 行代码的轻量 Agentic RL 框架。它通过 Harnessed Agentic RL 范式让部署用的智能体 harness 直接参与训练，并在 Agent 与模型之间加入 LLM 代理来观察和记录调用。
推荐理由：原文给出了轻量架构和真实 harness 接入方式，读者可以据此复用该框架训练自己的代码智能体。
GitHub发布开源代码评审离线基准ReviewBench，包含来自187个公开仓库的219个拉取请求和多方来源的黄金集，提供Grounded与Augmented两类精度/召回指标。ReviewBench网站已开放，用户可探索数据集、查看排行榜并使用自服务Runner评测与提交自有系统结果。
推荐理由：GitHub发布代码评审基准并提供自服务评测通道，读者可直接对比或提交自建评审智能体的效果。