OpenAI 首席研究官 Mark Chen 表示，Hugging Face 等智能体失控事件源于同一批模型和有缺陷的测试流程，OpenAI 已开始监控所有训练过程。OpenAI 近几个月将 5% 至 10% 的计算资源转向安全工作，并加强研究与安全团队协作；Chen 同时警告，未来六个月至一年内，可能出现具备类似能力且故意失配的开源模型。
推荐理由：采访呈现了 OpenAI 对智能体失控事件的解释与整改，包括训练阶段监控、资源调整及发展速度之间的取舍。
Anthropic 的 Thariq Shihipar 在访谈中讨论 Claude Code 的使用方法、Agent harness 演进与智能体安全。内容涵盖提示词、Artifacts、Projects、Claude Mods、模型路由和监督 Agent，并解释了 Claude Mods 如何定制执行循环、界面和子 Agent。
推荐理由：访谈把 Claude Code 的使用方法、Harness 定制和智能体安全放在同一框架下，呈现了从提示词实践到可变软件的演进路径。
GitHub Copilot 介绍 canvases，这类运行在应用内的全栈应用可与智能体双向通信，用于构建 Connect 4、管理本地 Winget 软件包和操作 SQLite 数据库。文章还展示了 canvas 如何支持研究、原型、实现和迭代等开发流程自动化，减少用户持续停留在聊天界面的需要。
推荐理由：文章通过 Connect 4、SQLite 和开发工作流案例，说明可定制界面如何让 GitHub Copilot 智能体承担更适合自动化的任务。
Google DeepMind 回顾了从 DQN、AlphaGo、AlphaZero、MuZero 到 AlphaStar 的游戏 AI 研究，并介绍与 Fenris Creations 合作探索 EVE Universe 中的 AI 智能体。
推荐理由：文章梳理了 Google DeepMind 从游戏智能体研究到 EVE Universe 合作的路径，具体呈现了持续学习、记忆和长期规划等研究挑战。
Hugging Face 的报告分析了 2026 年前七个月开放模型生态的变化：Hub 上模型仓库从 2.43 million 增至 2.96 million，数据集从 711,000 增至 1 million，Spaces 从 1.00 增至 1.44 million。
推荐理由：报告用 Hugging Face Hub 的下载、点赞和衍生模型数据，拆分了开源模型的关注度、实际采用与生态积累。
Berkeley AI Research 的文章认为，AI 推理成本快速下降将推动智能体成为数据系统的主要工作负载，并带来三类问题：为智能体设计数据系统、为大规模智能体群构建状态与协作基础设施，以及由智能体合成定制数据系统。文章讨论了 agentic speculation、结构化记忆、多智能体协调与故障处理，以及通过验证智能体和证明系统保障自动生成系统的可靠性。
推荐理由：文章将智能体数据系统拆成支持智能体、承载智能体和由智能体构建三类问题，为理解多智能体规模化运行的工程瓶颈提供了清晰框架。
Berkeley AI Research 发布对 Adaptive Parallel Reasoning 的综述与观点分析，介绍模型如何在推理时动态决定是否并行、并行线程数及协调方式。
推荐理由：文章梳理了自适应并行推理的控制流、执行系统与训练奖励设计，帮助读者比较不同方案在准确率、延迟和工程复杂度上的取舍。
Google Research 在 The Check Up 活动上介绍了 AI 用于个性化医疗、临床协作、公共卫生和生物医学研究的最新进展。相关工作包括 Personal Health Agent、AMIE、MedGemma 和 DeepSomatic，涉及乳腺癌检测、糖尿病视网膜病变筛查、医疗应用开发及基因数据分析。
推荐理由：文章集中呈现 Google Research 将多模态模型、智能体和开放权重工具推进医疗研究与临床场景的路径，涵盖筛查、诊疗和公共卫生应用。