AI 周报 · 2026 年第 40 周 · 09.28 — 10.04
千机新闻
智能体评测与搜索强化学习
本期覆盖 2026-09-28 至 2026-10-04。入选动态聚焦智能体能力评估、科学计算与搜索优化：Microsoft 与 Hugging Face 推出 ThinkingBox 及其基准，评估重点从回复或工具调用转向任务完成后的数据库终态和副作用；开源工具 BootLoops 面向精确科学计算，资料称其已用于跨领域研究及积分计算；AWS 则以多轮强化学习微调搜索智能体，并在留出测试集上报告检索质量与可靠性指标改善。这些动态分别呈现了评测方式、计算工具和搜索训练上的进展。
智能体任务评测
本版导读Microsoft 与 Hugging Face 推出 ThinkingBox 环境及 ThinkingBox-Bench，评估智能体是否真正完成业务工作流。其方法检查任务执行后的数据库终态和副作用，而不只依据回复内容或工具调用记录，为衡量任务结果提供了不同于过程观察的评测视角。
Microsoft与Hugging Face推出ThinkingBox智能体评测环境与基准
Microsoft与Hugging Face推出ThinkingBox及ThinkingBox-Bench，通过检查智能体执行任务后的数据库终态和副作用，而非只看回复或工具调用，评估其完成业务工作流的情况。
科学计算工具
本版导读开源工具 BootLoops 是面向精确科学计算的 harness，源代码已在 GitHub 提供。Matthew Schwartz 称，团队在三个月内跨 18 个领域产出 36 篇手稿；其中 Claude 借助该工具计算了 30 个积分，15 个复现了已知结果。
The Decoder10.03开源 BootLoops harness 支持 AI 模型进行精确科学计算
开源工具 BootLoops 是用于精确科学计算的 harness，源代码已在 GitHub 提供。Matthew Schwartz 称，团队在三个月内跨 18 个领域产出 36 篇手稿；其中 Claude 借助 BootLoops 计算了 30 个积分，15 个复现已知结果，另 15 个此前首次计算。
搜索智能体强化学习
本版导读AWS 使用 Amazon SageMaker AI 进行多轮强化学习，将 Qwen3.6-27B 微调为搜索智能体，并在四个留出测试集上评估检索质量与可靠性。资料报告，微调后 BrowseComp-Plus 的 nDCG@10 提升 23.7%，失败率从 22.89% 降至 0.68%。
AWS Machine Learning Blog一手10.02AWS 使用 Amazon SageMaker AI 多轮强化学习微调搜索智能体
AWS 使用 Amazon SageMaker AI 多轮强化学习，将 Qwen3.6-27B 微调为搜索智能体，并在四个留出测试集上评估检索质量与可靠性。微调后，BrowseComp-Plus 的 nDCG@10 提升 23.7%，失败率从 22.89% 降至 0.68%；WixQA 和 Wands 的 nDCG@10 也有所提升，FreshStack 则略有下降。