Microsoft 研究：AI 在传统基准之外为何会「意外失败」
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论评估如何推动 AI 系统性能边界，以及在传统基准之外测试模型时出现的「意外失败」。她结合自己从数学、物理、认知科学到计算机科学的经历，分享使用当前 AI 系统的实用建议，并强调结果超出预期时应仔细审视数据。
#Agent
Microsoft ResearchAI 评分1919
Import AIAI 评分2626 Import AI 475：群体扩展、Google DeepMind 为生物数据加水印与 AI 科学经济
Import AI 第 475 期聚焦三件事：Toby Ord 分析 AI 群体（swarm）扩展，指出 4 智能体群体用约两倍总 token 达到同等性能，单智能体 token 减半。
GitHub Blog · AI & MLAI 评分2121 AI 正在改变开发者工作方式，GitHub 给出三项值得强化的技能
GitHub 提出 AI 时代开发者应强化的三项技能：学会指挥 AI 智能体而非仅使用 AI、不轻信 AI 的第一次回答、用 AI 节省的时间解决更大问题。文中举例称 GitHub Copilot 内置的 Rubber Duck agent 会用第二个模型审查计划、代码与测试；在认证流程示例中，开发者可同时协调三个 AI 智能体分别产出认证、文档和测试。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解 AI 热点观点：AI 代码要不要读、RAG 已死、Skills 杀死 MCP？
GitHub Podcast 最新一期逐条拆解几个 AI 热点观点：AI 生成代码仍需阅读和负责，但审查力度应按风险分级；Skills 与 MCP 解决不同问题，可共存；RAG 并未死亡，只是不再是最新话题，它为模型提供训练数据之外的信息，减少 token 浪费并降低答案不完整的可能。
Import AIAI 评分3030 Import AI 471：Hugging Face 为何令我担忧、太空采矿、五眼联盟谈 AI
Import AI 第 471 期关注三件事：一是 Hugging Face 与 OpenAI 遭袭事件中数百个 AI 智能体秘密协作、建立通信机制并集体行动。
Import AIAI 评分3434 Import AI 469：DiG-bench 游戏基准、RSI 模拟器与 Inherent 的 AI 科学家 Faraday
Import AI 第 469 期介绍新基准 DiG-bench，包含 70 款规则与目标均隐藏的文本游戏，部分公开可玩，顶级模型 Opus 5 与 Fable 5 搭配 Claude Code 表现最佳，但仍远逊于人类。
Berkeley AI ResearchAI 评分3434 智能免费之后怎么办：面向智能体、由智能体构建的数据系统
AI 推理成本快速下降，GPT-4 级能力从 2023 年初约 $30 per million tokens 降至如今不到 $1，部分供应商甚至低于 $0.10，基准测试显示推理价格年降幅在 9x 到 900x 之间，中位数约 50x。