Microsoft ThinkingBox 根据智能体执行后留下的数据库终态和副作用评分，并让507个有状态业务工作流各重复运行20次，以衡量结果一致性。在覆盖12个LLM、121,680次有效试验的消融中，79,853次未通过可执行检查，其中67.24%仍正常结束、调用了状态变更工具且未报告最终工具错误。
推荐理由：它把智能体评估从回答与工具调用转向数据库终态，并以连续20次运行揭示单次成功率难以代表工作流可靠性。
Hugging Face 推出 Open TTS Leaderboard，以客观指标评估开源多语种文本转语音与声音克隆模型。榜单使用 Qwen3 ASR 计算 WER/CER，在 H200 GPU 和 CPU 上测量 RTFx 与 TTFA，并以 WavLM 嵌入的余弦相似度评估说话人相似性，将单个模型的评测时间从数周缩短至数小时。该榜单不取代人工偏好排名，也不直接衡量自然度、表现力或听众偏好。
推荐理由：榜单以统一客观指标覆盖开源多语种 TTS，将评测周期从数周缩至数小时，可缓解竞技场对开放权重模型覆盖不足的问题。
Import AI 473 聚焦美国超级智能战略、在小鼠脑内培育类人脑组织，以及机器诠释学。RAND建议美国在通往超级智能的高度不确定路径上维持“行动自由”，围绕人类-AI生态、AI安全架构、国家安全机构改造和社会响应能力投入。研究人员还在脑组织被刻意削弱的幼鼠体内培育出类人脑组织。
IBM Research 在 ALTK-Evolve 中引入一致性指南，通过一致性分析器定位智能体易翻转的决策点，将 AppWorld 上 GPT-4.1 ReAct 智能体的 Pass^5 从 53.0% 提升至 69.0%，一致性差距从 24.4pp 降至 12.0pp，且平均准确率不降反升。
推荐理由：原文提出用一致性分析器定位智能体易翻转的决策点，并给出可复用的诊断与修复方法。
Import AI 第468期梳理了 IFP 应对自动化 AI 研发风险的23项政策建议，以及 MIT 和 Columbia 关于信任、透明度如何影响 AI 企业协调减速的研究。