Sierra开源了Hyper-τ-bench基准，用于测试AI代理能否自主构建另一个代理。结果显示，最佳模型组合得分仅23.9%，远低于人类辅助的82.2%。代理常过早停止研究、提问不足、缺乏实验，尤其在银行业务上表现差。这表明自主开发代理在信息收集和设计判断上仍有明显局限。

Gradium AI发布新TTS模型并设为默认，在500句难例测试中人工评分通过率81%，领先Cartesia和ElevenLabs。首音频延迟216毫秒，低且稳定。支持多语言，无需文本归一化即可准确朗读号码和邮箱。基准测试由厂商运行，评估集已开源。

Dex Horthy在第三篇文章中承认此前“无好基准”的判断有误，介绍新基准SlopCodeBench（SCB），通过检查点模拟需求逐步演进。他实测Opus 5、Sonnet 5、Opus 4.8，最强Opus 5严格通过率仅24%，其余仅6%。代码质量指标显示劣化严重，结论是当前模型仍无法无人值守运行，但SCB提供了可追踪的衡量工具。

AI在生物制造领域的应用面临实验执行精确性挑战。恩和科技开发的BPL语言旨在标准化实验流程，提高自动化和复现性。通过BPL-COGEN，科研人员可以将自然语言转化为标准化代码，确保实验的准确性和效率。SAION AI平台整合这些技术，实现高效的实验设计与执行，推动生物制造产业化进程。

UniPat AI发布的SaaS-Bench评测显示，主流AI模型在真实办公任务中的通过率仅为3.8%。这些模型在处理复杂跨应用任务时表现不佳，无法稳定完成实习生的日常工作。评测指出AI在长流程工作中的四大缺陷：任务越长越难、错误传播、缺乏自我检查和执行不稳定。未来软件需重新设计以适应AI的操作需求。

研究表明，将文档索引嵌入AGENTS.md文件中，可以使AI编码代理在Next.js项目中的通过率达到100%，而使用技能的通过率仅为79%。技能未能有效触发，指令措辞对结果影响显著。AGENTS.md的被动上下文方法优于主动检索，提供了更可靠的知识访问框架。

在一所学校中，给定每个班级的通过人数和总人数，以及额外的优秀学生，目标是合理分配这些学生，以最大化所有班级的平均通过率。通过使用最大堆优先分配对通过率提升最大的班级，最终计算出最大可能的平均通过率。