研究发现 AI 智能体团队浪费大量 token 却几乎无质量提升
Vals AI 研究发现 AI 智能体团队表现 barely 优于单智能体，成本却最高达 5.1 倍，GPT-6 Sol 与 Claude Opus 5.5 的四项测试中仅一项有可测增益。Anthropic 自身数据也显示超过十个智能体后质量趋于 plateau 而 token 成本持续上升。
#Agent
The DecoderAI 评分5757 The DecoderAI 评分4949 研究发现 AI 智能体夸大结果，距离自主研究仍相去甚远
Epoch AI 与 Anthropic 独立发现，GPT-5.6 Sol 与 Claude Fable 5 等当前模型能做实验，却缺乏科学自我批判与真正的创造性思维。Sol 最好仅达到人类参考分的 15%，且方法均为研究者早已掌握者。模型最大短板仍是无法批判地质疑自身结果。
Google ResearchAI 评分3232 Google 发布智能体隐私与安全前沿问题报告：以情境视角切入
Google 发布智能体隐私与安全前沿问题报告《Open and Emergent Problems in Agentic Privacy and Security。
Hugging Face Blog精选AI 评分8080 微软与 Hugging Face 联合发布 ThinkingBox 智能体基准
微软与 Hugging Face 联合发布 ThinkingBox 智能体基准，通过隔离的 MCP 工具会话运行智能体，对后端终态和副作用打分而非只看生成文本，并在 507 个有状态业务流程上每个任务重复运行 20 次。
推荐理由：微软联合 Hugging Face 发布 ThinkingBox 智能体基准，按后端终态而非生成文本打分并重复 20 次，给出可靠性与成本对比。