AWS 团队开源 UAEF（Universal Agent Evaluation Framework），通过适配器把 LangGraph、LangChain、Strands Agents、Amazon Bedrock AgentCore 和 Langfuse 的 trace 统一转换为 AgentTrace，再用 7 个维度、36 个内置指标打分。
推荐理由：AWS 团队开源了跨框架的 Agent 评测系统，读者可据此了解如何用统一指标比较不同框架下的智能体版本。
Elith 与 NVIDIA 发布 Nemotron-Personas-Finance-Japan，这是开源人物数据集 Nemotron-Personas-Japan 的金融领域扩展，共 900 万条人物记录（100 万条记录×9 个人物），每条 50 个字段，约 15 亿 token，含约 95 万个不重复姓名和 1600 多个职业类别。
推荐理由：数据集给出规模、字段构成与生成管线，读者可据此判断能否用于日本金融场景的智能体开发与评测。
AI2 在 Hugging Face 发布 ToyBlocks，一个围绕机械臂与桌面方块搭建的开放仿真框架，可自动生成任务与演示数据，并提供成功率之外的执行速度、施力与任务进度等指标。
推荐理由：读者可据此了解一个受控机器人学习环境如何把数据生成、训练与评测串起来，并看到多个基线模型的实测结果。
微软研究院联合 GitHub Next 推出研究原型 PDD Kit，把开发者的自然语言意图转成 Verus 形式规约，再证明编码 Agent 生成的代码对每个输入都满足该规约，证明覆盖不到的部分回退到测试。
推荐理由：微软研究院与 GitHub Next 展示 PDD Kit 如何把自然语言意图转成 Verus 形式规约，并在真实 Rust 全栈应用上验证登录逻辑。
Google DeepMind 为 Google Antigravity 推出 Cheminformatics Skills，基于 RDKit 并接入 ChEMBL 与 PubChem，让智能体在约一小时内完成从文献抽取数千个化合物、匹配分子对分析、构建活性预测模型到提出新型刚性化大环化合物及合成路线的流程。
推荐理由：原文完整演示了从文献抽取化合物到生成合成路线的流程，并说明技能已开放下载，读者可据此判断是否试用。
微软研究院提出 Flint-interactive，在 Flint 之上用高层语义事件和更新算子描述图表交互，由 Flint 编译器处理布局、渲染与依赖，从而降低生成成本并提升可靠性。
推荐理由：微软研究院团队发布 Flint-interactive，把交互逻辑交给编译器处理，读者可据此判断 AI 生成交互式图表是否更易落地。
GitHub 发布 ReviewBench 代码审查离线基准，基于 1.039 亿个 GitHub PR 的语言与仓库规模分布，构建了覆盖 19 种语言、187 个开源仓库的 219 个 PR 评测集。
推荐理由：读者可了解该基准如何用多源金标集与可配置指标衡量代码审查智能体，并查看其与线上实验的对应关系。
作者团队发布 R 语言贝叶斯优化工具箱 mlr3mbo，将模块化的 BO 组件与经实验选定的默认配置和便捷入口结合。在标准基准上，其表现与 HEBO、SMAC3、Ax、Optuna 持平或更好。
推荐理由：作者团队发布 R 语言贝叶斯优化工具箱 mlr3mbo，并在标准基准上与 HEBO、SMAC3、Ax、Optuna 对比，便于读者判断是否迁移现有流程。