Collinear AI 发布网络安全评测基准 CWE-bench v2
Collinear AI 正式发布网络安全基准 CWE-bench v2，开源包含 100 个真实开源仓库任务的公开测试集，用于评测 AI 智能体发现并修复安全弱点的能力。
#Agent
Hugging Face BlogAI 评分5757
Import AIAI 评分4141 Import AI 第 478 期：数学用于安全对齐、ProgramBench 评测与 RSI
Resolution 耗资约 $135,000 并生成约 600k 行 Lean 代码，利用智能体自动形式化奇点消解以辅助安全对齐研究。在软件重构基准 ProgramBench 上，Claude Opus 5.5 取得 18.5% 解决率，打破此前模型均为 0% 的纪录。同时 OpenAI 发现隔离在 microVM 的智能体能利用处理器缓存时序差违规传递数据。
Microsoft Research精选AI 评分8181 微软研究院等利用人机协作证明历时 31 年的数学难题 KLS 猜想
微软研究院研究员 Xinzhi Zhang 与合作者结合人类主导的 AI 智能体协作流程，成功证明了高维几何与概率论中历时 31 年的 KLS 猜想。该研究确立了对数凹分布的无量纲几何原理，证明最窄瓶颈割面与简单平坦割面之间的差距受通用常数控制且不依赖维度，移除了理解高维采样随机算法效率的重要理论障碍。
推荐理由：展示了人类引导智能体探索数学路径完成顶级猜想证明的协作范式，读者可据此理解前沿科研中人机配合的具体机制。
Google Research精选AI 评分7474 Google Research公布自主湿实验室研究进展与VERID框架
Google Research公布了构建自主湿实验室（autonomous wet labs）的三项核心研究成果，旨在将AI智能体的高层推理与物理世界的生化实验闭环相连接。
推荐理由：Google展示了数字孪生框架VERID与闭环湿实验，为解决AI智能体与物理实验脱节提供了可复现的工程范式。
GitHub Blog · AI & ML精选AI 评分6464 GitHub 推出 AI 代码审查基准 ReviewBench
GitHub 推出面向 AI 代码审查智能体的开源离线基准 ReviewBench，旨在提供贴近真实生产环境的评估标准。该基准参考 1.039 亿真实拉取请求的分布特征，精选覆盖 19 种编程语言的 219 个拉取请求，结合人类专家、静态分析和前沿大模型构建多来源金标准，并使用 Claude Sonnet 5 统一评判。
推荐理由：该基准基于真实拉取请求分布建立评测集，为开发团队评估和迭代代码审查智能体提供了贴近生产环境的离线验证方案。