开源基准 CloudOpsBench 揭示推理是 AI 云运维最大瓶颈
密歇根大学团队发布开源基准 CloudOpsBench，用于评估 AI 智能体在 AWS 云环境中的 DevOps 任务处理能力。v1.0 版本包含 45 项任务，最佳模型 Claude Fable 5.1 解决率为 60%，GPT-6 Astra 为 53%。分析显示约 80% 的失败源于推理缺陷，如误判任务范围或未检查所有相关服务，仅 20% 为错误操作。
#开源/仓库
The DecoderAI 评分5757
The Decoder精选AI 评分8080 Olam Labs 研究：50 个 GPT 智能体在 Minecraft 中因恐惧死亡建立官僚体系，并在 Bed Wars 中击败 Claude
Olam Labs 在 Minecraft 和 Mindustry 中测试了 GPT-6.1 Sol 与 Claude Opus 5.5 的多智能体行为。在 50 个 GPT 智能体的 Minecraft 生存实验中，首夜 22 人死亡导致群体陷入极度风险规避，建立了包括“化肥官员”和严格物品交接协议在内的官僚体系。
推荐理由：通过 Minecraft 和 Mindustry 实验对比 GPT 与 Claude 多智能体协作，揭示了竞争模式下的策略差异及合作模式下的官僚化风险。
The Verge · AIAI 评分5757 微软发布开源机器学习工具 PBC，提升中长期天气预报精度
微软研究人员在 Nature 期刊发表研究，推出名为 PBC 的开源机器学习工具，用于纠正现有气象模型的系统性偏差。该工具仅需 CPU 即可运行，在测试中将 ECMWF 物理模型的降水预报准确率提升至 98%，并将 AI 预报系统的准确率翻倍，旨在帮助资源有限的机构提升极端天气预警能力。
Microsoft ResearchAI 评分5252 Microsoft Research 发布 StudentSim：利用个性化学生模拟器优化 AI 导师训练
Microsoft Research 提出 StudentSim 系统，通过公开去标识化学习记录训练个性化学生模拟器，以在真实测试前评估和改进 AI 导师。该系统在棋类、二语写作和数学三个领域表现优于 GPT-5.4 等基线，并在棋类导师强化学习实验中，将导师准确率从 75.7% 提升至 90.5%。
Microsoft Research精选AI 评分8080 Microsoft Research 发布 Agent Lightning v1.0 轻量级智能体强化学习框架
Microsoft Research 发布 Agent Lightning v1.0，这是一个约 3500 行代码的轻量级智能体强化学习框架，支持在真实部署环境中直接进行训练。
推荐理由：原文展示了利用真实 Agent 框架进行强化学习训练的方法，并给出了在 SWE-bench Verified 上提升 14.6 个百分点的具体实验数据。
Microsoft ResearchAI 评分5757 Microsoft Research 发布逆合成预测模型 RetroChimera 并开源
Microsoft Research 在 Nature 期刊发表 RetroChimera，这是一种用于小分子逆合成预测的新框架。该模型结合了 R-SMILES 2 和 NeuralLoc 两个子模型，通过学习重排序策略整合两者的互补优势，在盲测中获得了博士级化学家的偏好。RetroChimera 的代码和权重已在 GitHub 开源，并可通过 Microsoft Foundry 访问。
Berkeley AI Research精选AI 评分7272 K-Search 实现 CUDA 到 MLX 内核优化知识自动迁移
IBM Research 与 Berkeley Sky Lab 合作扩展 K-Search 框架，通过结构化翻译层将 CUDA 内核优化知识迁移至 Apple Silicon 的 MLX 后端。在 Attention 内核上达到原生 MLX 性能 0.97 倍，Mamba SSM 内核 prefill 速度较社区实现提升 20 倍，验证了跨硬件内核优化自动化的可行性。
推荐理由：展示了如何将 CUDA 优化知识自动迁移至 Apple Silicon，为跨硬件内核优化提供了可复用的结构化方法。
Berkeley AI ResearchAI 评分5252 SPEX 和 ProxySPEX 实现 LLM 大规模交互识别
SPEX 和 ProxySPEX 利用稀疏性和低阶性假设，通过信号处理与编码理论在大规模下识别 LLM 的关键交互。ProxySPEX 利用层级结构将消融次数减少约 10 倍，在特征归因、数据归因和注意力头剪枝任务中均优于现有方法，代码已集成至 SHAP-IQ 仓库。