#GitHub

Five Qwen3.8-27B models match Fable 5 Using GVS5H Harness

研究提出了一种基于账本的零样本自组织方法 GVS5H，利用多个模型实例通过共享文件系统进行问题分解和协作。在 LiveCodeBench 最新 100 道困难问题测试中，该方法使本地部署的开源 Qwen3.8-27B 模型 pass@1 从 66.8% 提升至 92.4%，达到与 Fable 5 相当的准确率。

LLM 智能体如何玩 Pokémon Showdown

作者构建了一个基于 Pokémon Showdown 2v2 对战环境的多智能体测试平台，用来评估大语言模型智能体之间的协作、沟通与谈判能力。实验显示，使用 Qwen3.8-27B 模型时，自由对话组的胜率达到 64%，高于无对话组的 42%，但自由对话也带来了每场战斗 978k prompt tokens 的消耗。

Rohan Paul@rohanpaul_ai· 04:09AI 评分6161

SoMark 开源了 1.3B 参数量的文档解析模型 OXR，该模型在后训练中引入了递归自我 improvement 机制，登顶 olmOCR-Bench、OmniDocBench 和 DocParsingBench 三个基准榜单。OXR 能将 PDF 和文档图片转化为支持 Agent 的 Markdown 或 JSON 格式，其吞吐量达到了 GLM-OCR 的 3.05 倍。

NVIDIA 在 Jülich 超算中心完成 104 量子比特容错量子计算模拟

NVIDIA 宣布在欧洲首台百亿亿级超算 JUPITER 上完成了 104 量子比特的容错量子计算模拟，这是迄今为止规模最大、细节最完整的容错量子处理器模拟。该模拟验证了一种比以往方法少用 90% 物理量子比特的魔态培养方法，有助于在制造硬件前预测性能并加速药物发现等领域的量子应用。

meng shao@shao__meng· 10:39AI 评分6363

阿里通义 MAI-UI 团队开源了通用计算机使用智能体完整技术栈 OpenGCUA，包含 harness、跨设备 SDK、原生 macOS 应用、评测轨迹和参考 agent 实现。该技术栈支持模型自主决定观察内容、编写 Python 程序执行行动并自行维护任务状态，在 OSWorld-v2 评测中平均分显著提升且大幅减少了每任务步数。

开发者推出专门对抗大模型和编码智能体的编程语言 KillSwitch

开发者 dom96 推出了专为对抗大模型和编码智能体而设计的深奥编程语言 KillSwitch，其规范包含隐藏规则、字符计数限制及安全护栏触发机制。该项目开源了解释器并公布了主流模型的基准测试排行榜，其中 Claude Opus 5 表现最好，得分最高达到 66.8。

meng shao@shao__meng· 16:30AI 评分6262

Google Research 开源了递归式智能体 Harness 优化框架 Harness²，旨在解决开放世界中无 ground-truth 验证器和递归自我改进难以泛化的问题。该框架通过任务级递归（Propose-Probe-Compose 行为对比改进）和 harnessing 级递归（将有证据支持的教训写入持久库持续改进），在多个基准测试中实现了性能提升。

优必选发布具身世界模型 Thinker-WM：多模态统一表征，单模型实现六大能力

优必选推出统一多模态世界模型 Thinker-WM，在 WorldOlympiad、EWMBench 和 WorldArena1.0 三大具身世界模型基准评测中夺得第一。该模型采用 Unified Dynamic Transformer 架构，将 RGB 视频、深度和机器人动作编码至同一个中间表征空间共享动态演化，支持视频动作联合生成、世界预测、策略推理等六大能力。

阿里 Qwen 开源 BlenderWorld：223 道题、2651 条标准的 3D 建模基准

阿里 Qwen 团队于 10 月 14 日开源 BlenderWorld，这是一个用于评测视觉智能体在 Blender 中完成真实 3D 创作任务的基准。该基准包含 223 道题与 2651 条标准，采用 MIT 许可证，代码与数据集已发布至 GitHub、Hugging Face 和 ModelScope。

DishwasherBench v0.1.0 开源：在真实洗碗机物理模拟中测试大模型装载能力

Composo 开源了 DishwasherBench v0.1.0，这是一个基于 Bosch SMV4HAX40G 洗碗机物理模拟的基准测试平台，支持人类和 AI 智能体通过 MCP 接口进行装载任务比拼。该项目通过模拟喷淋、水流及洗涤化学反应，根据 Eco 50 程序下的洗涤结果对模型装载效率进行评分，目前已在 GitHub 上线并提供相关研究文档与测试工具。

GitHub 发布 AI 代码审查基准测试 ReviewBench

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。

Amazon 发布 SOP-Bench：用于评估 AI 智能体真实业务流程执行能力的基准测试

Amazon 发布了 SOP-Bench，这是一个旨在评估 AI 智能体执行真实业务标准操作程序（SOP）能力的开源基准测试。该框架涵盖 12 个行业领域的 2000 多项任务，通过提供真实流程文本、配套工具接口及标准答案，支持开发者验证智能体在复杂、多步骤任务中的实际表现，并已在 GitHub 和 Hugging Face 上开源。