微软研究院开源了去中心化的多智能体编码框架 Agensh，移除了传统架构中的中心编排器，通过 Gitea、Mattermost 和共享上下文面板实现工作协同。该框架支持从 1 个扩展至 1,024 个 Agent 运行，在 ProgramBench 评测中随智能体数量增加显著提升了通过率。
推荐理由：该开源框架移除了多智能体系统中的中心编排器，通过去中心化协作和共享状态支持超大规模扩展，为复杂编程任务提供了新途径。
Microsoft Research Asia 开源了 Agent Lightning v1.0，这是一个约 3500 行代码的轻量级智能体强化学习框架。该框架采用 Harnessed Agentic RL 范式，允许直接在部署环境上进行训练，支持 Kubernetes 原生部署，并实现了 Collocated Async RL 以提升 GPU 利用率。
推荐理由：该框架通过直接复用部署时的智能体环境进行强化学习，降低了训练与部署不一致的风险，并提供了轻量化的 Kubernetes 原生支持方案。
GitHub 发布了 ReviewBench，这是一个旨在评估 AI 代码审查智能体的开源基准测试。该基准包含 219 个真实 Pull Request，通过多源黄金集、统一评估准则及高级工程师验证，提供包括准确率、召回率在内的多维度评估指标，支持开发者提交并对比不同智能体的审查表现。
推荐理由：该基准测试通过分析超一亿次真实 Pull Request 构建，为评估 AI 代码审查智能体提供了可复用的离线评估方法与公开排行榜。
Apple 推出 SCLATE 执行基底，通过统一的事件调度器和混合模拟时钟，支持在长周期多会话场景下对未经修改的智能体进行训练与评估。该系统可将长达数月的任务压缩至数小时内完成，并记录模型调用的 token 与概率。
推荐理由：该研究提出的执行基底解决了持续学习智能体在多会话场景下的调度难题，通过压缩时间轴和统一事件管理，为评估智能体在长周期任务中的表现提供了标准化方案。
在 DeepSWE 编码基准测试中，GLM-5.3 与 Claude Fable 5 的首轮通过率（pass@1）分别为 69.0% 和 69.7%，表现几乎持平。
推荐理由：通过对比 GLM-5.3 与 Claude Fable 5 在 DeepSWE 上的表现，揭示了两者在编码任务中相似的准确率与显著的成本差异，为开发者选择模型提供了性价比参考。
Together AI 在 DeepSWE 基准上对比了 GLM-5.3 与 GPT-5.6 Sol 的表现。GPT-5.6 Sol 在单次尝试中保持领先，而 GLM-5.3 在多次尝试下表现更优且成本仅为前者的一半。分析建议采用级联路由策略，即优先使用 GLM-5.3，在测试失败时再调用 GPT-5.6 Sol，以实现更优的成本效益与任务覆盖率。
推荐理由：通过对比 GLM-5.3 与 GPT-5.6 Sol 在 DeepSWE 上的表现，展示了不同模型在成本、速度与任务覆盖率上的权衡，并提出了基于验证器的级联路由策略。
Together AI 在 DeepSWE 基准上对比了 DeepSeek V4 Pro 0813 与 Claude Fable 5 的编码能力。结果显示，Claude Fable 5 在单次尝试中准确率略高，但 DeepSeek V4 Pro 0813 在多次尝试下表现更优且成本仅为前者的 1/90。
推荐理由：通过对比 DeepSeek V4 Pro 0813 与 Claude Fable 5 在软件工程任务中的表现，展示了低成本模型在多次尝试下的高性价比，并验证了通过级联路由优化成本与准确率的可行性。
Together AI 发布了 ParallelKernelBench (PKB)，这是一个专门用于评估多 GPU 内核生成能力的基准测试框架，包含 87 个源自真实代码库的分布式计算问题。测试显示，即使是 GPT-5.5 和 Gemini 3 Pro 等前沿模型，在零样本设置下也难以生成优于 PyTorch + NCCL 基准的内核，且在处理 rank 协调和通信机制选择时表现出明显的推理短板。
推荐理由：该研究通过 ParallelKernelBench 评估了前沿模型在多 GPU 环境下编写高性能 CUDA 内核的能力，揭示了模型在处理复杂分布式通信与硬件协同方面的局限性。