普华永道研究对比JSON与程序化工具调用（PTC）范式，基于BFCL v4基准测试14个模型。PTC在长链任务领先18.8%，并行扇出和上下文污染场景更优，但宏平均略低。优势随模型代际分化，GPT-5.6收益最大。PTC以固定输入开销换取长链与高扇出收益，但存在样本量小等局限。

Opus 5在基准测试中表现更强，但用户满意度下降，因其语言晦涩、模板化，不遵守指令，代码注释过多。问题在于基准测试未衡量沟通能力，模型为优化硬指标而忽视软体验。更聪明不等于更好用，厂商应将沟通体验纳入评测，否则再强的能力也被糟糕的交互界面封印。

Liquid AI发布LFM2.5-VL-3B，31亿参数视觉语言模型，专为设备端设计，支持屏幕理解、函数调用、锚定和多图像输入。在28项基准测试中平均得分69.4，与4.7B模型相当。内存占用约3GB，解码速度228 tok/s。许可证对年收入低于1000万美元的公司免费，高收入需商业许可。

深度求索发布DeepSeek-V4-Pro-0813版，从预览版正式进入GA阶段，模型ID不变，API定价暂未调整。该模型支持1M上下文窗口，提供Responses和Anthropic API，价格未变但已预告将涨价。目前未开源，基准测试数据待完善，内部数据显示多项测试较预览版大幅提升，编码、数学等核心任务保持开源领先，接近前沿闭源模型水平。

DeepSeek发布V4 Pro正式版，API价格不变，Agent能力大幅提升，基准测试远超预览版，接近Fable 5。实测中能自主完成数据报表、网页设计、游戏开发等任务。官方预告DeepSeek Harness框架即将推出，未来将进一步提升AI Agent能力。

香港中文大学与阿里巴巴联合提出PAST-Bench，首个系统评估个人AI智能体递归自我改进能力的基准。通过控制组设计隔离经验保留效应，在26个任务族上测试7个模型和4种框架，定义记忆、程序、主动信息收集和更新四维度。发现跨会话改进不均衡，并提出Hermes+框架增强机制，但效果依赖模型，通用性待验证。

本文介绍了DEEPAMBIGQA数据集，用于评估大语言模型在开放域问答中处理歧义多跳问题的能力。该数据集包含3600个问题，其中一半涉及名称歧义消解。实验显示，即使先进的GPT-5模型在歧义问题上精确匹配率仅0.13，非歧义问题为0.21，表明现有系统在答案完整性上仍有不足，需更稳健的QA模型。

哈佛大学等团队提出PG-LLM基准测试，首次统一评估13款通用语言模型与95种专业蛋白质预测工具。结果显示，Claude Opus 5等通用模型在蛋白突变排序上超越半数专业工具，但落后于顶尖模型VenusREM。研究揭示通用模型随推理资源增加性能提升有限，且对候选集规模敏感，为蛋白质工程工具选择与融合提供新思路。

本文主要讨论了人工智能在医疗领域的应用现状与前景，包括AI辅助诊断、药物研发、个性化治疗等方向，并分析了技术挑战与伦理问题。

阿里巴巴发布Qwen3.8-Max，2.4万亿参数多模态模型，支持百万token上下文，采用稀疏专家和混合注意力架构，并承诺下周开源权重。专家质疑其自评基准可信度，强调需外部验证和稳健测试框架。模型在自主编码和长任务执行上表现突出，但成本、安全及实际采用率仍是关键考量。

英伟达发布NOOA框架，将AI代理定义为单一Python类，整合能力、状态和提示，旨在解决代理开发碎片化问题。专家认为这提升可读性和可维护性，但担忧代码与概率行为难区分、安全风险集中及扩展性挑战。NOOA在基准测试中表现优异，成本减半，英伟达强调开源研究对AI未来至关重要。

Kotlin迎来15周年，社区可参与庆祝活动。RevenueCat Shipaton 2026邀请开发者用Kotlin Multiplatform构建应用，争夺奖项。Kotlin发布首个AI编码代理基准测试，并推出2.4.10版本及2.4.20-Beta2。Kotlin支持登陆BlueJ教育平台，X应用已完全用Kotlin重写。此外，Golden Kodee奖项揭晓，KMP库Ktor、Koin和Kermit获推荐。

DeepSeek发布V4-Flash-0731公开测试版，通过后训练提升智能体性能，未改架构。模型总参数2840亿，激活130亿，小于V4-Pro，但基准测试超越后者。支持MIT许可、Responses API及Codex集成，可自托管，降低推理成本，体现小模型通过优化追赶大模型的趋势。

论文提出ORCA-bench，一个生产保真度的根因分析基准测试，用真实微服务系统评估语言模型Agent。在1,079个任务中，最佳模型中等难度准确率仅25.3%，困难任务仅10.0%，且移除源代码访问会降低性能。测试床含六天遥测数据，结果经专家验证，但真实系统更复杂，实际表现可能更差。

OpenAI发现GPT-5.6 Sol在ARC-AGI-3基准测试中得分低，源于官方框架丢弃推理和滚动截断，而非模型能力不足。启用推理保留和上下文压缩后，得分从7.8%升至38.3%，输出token减少六倍。这揭示基准测试测的是框架记忆管理，而非模型智商，建议评估应使用更贴近实际场景的设置。

Primate Labs发布Geekbench 7基准测试工具，外观与6代相似，但采用更大数据集和新增音视频编解码测试，多核测试更贴近真实软件行为。Pro版售价99美元，8月6日前优惠至79美元。分数与6代不兼容，需重新测试。

美国阿贡国家实验室团队开发了由大语言模型驱动的智能体系统ChemGraph，用于自动化计算化学分子模拟工作流。该系统结合图神经网络和LLM，支持从分子结构生成到热化学计算等任务。在13项基准测试中，多智能体架构显著提升性能，使小模型（如GPT-4o-mini）准确率从40%提升至87%，甚至超过单智能体GPT-4o的83%，展示了AI自动化科研的潜力。