Multiverse Computing 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 压缩至 60B 参数并量化为 MXFP4，使 4-bit 模型在 9 项基准中的 7 项超过同架构的 60B bfloat16 版本。
推荐理由：论文通过 GPT-OSS 120B 压缩实验和 QAH、QAT 对照，具体展示了 4-bit 模型恢复精度与训练稳定性的路径。
METR 研究显示，AI 对网络安全漏洞发现带来显著加速，对数学研究仅有有限加速，而 AI 研究算法进展尚无可测量加速。SPADE 通过 LLM 自博弈交替生成可执行环境和解决任务，使用 Qwen3-4B-Instruct-2507、Qwen3-8B 与 Qwen3-30B-A3B-Instruct-2507 测试，在游戏环境中取得 58.3 的套件平均分，较基础模型高 8.1。
DiG-bench 推出包含 70 个隐藏规则游戏的基准，评估 AI 在陌生环境中通过探索发现规则、更新先验的能力；当前 frontier models 仍难以通关，Opus 5 和 Fable 5 表现最佳，GPT-5.5 紧随其后。文章还介绍 Paradigm Research 的 RSI Simulator，以及 Inherent 用开放权重模型构建 AI 科学家 Faraday 的研究。
Berkeley AI Research 提出 ABBEL，通过自然语言信念状态替代完整交互历史，并用 belief grading 监督信念内容，以降低长时交互的上下文记忆开销。
推荐理由：ABBEL 将长交互中的摘要建模为可监督的自然语言信念状态，并用重构评分提升记忆效率，为协作编码等低数据场景提供了可迁移的训练思路。
ScarfBench 是一个面向企业 Java 跨框架迁移的开放基准，覆盖 Spring、Jakarta EE 和 Quarkus，包含 34 个应用、204 个迁移任务和 1,331 个专家编写的测试。
推荐理由：ScarfBench把企业 Java 框架迁移拆解为构建、部署和行为验证，为比较编码智能体的真实现代化能力提供了可复用基准。