Google 发布地理空间推理智能体技术报告与两个新基准
Google 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及新提出的 GeoExpertQueries、GeoKTools 四个基准上评估了四种智能体配置，并开源两个新基准的开发集。
推荐理由：Google 公开地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等伙伴的真实场景测试结果。
#MCP/工具调用
#MCP/工具调用
今日 0 条Google Research精选AI 评分6262
Hugging Face Blog精选AI 评分7171 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再依据终端后端状态和副作用而非模型生成的文字来判定任务成败。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用后端数据库状态而非模型自述来判定任务成败，并给出可复现的 OpenEnv 运行方式。
Hugging Face BlogAI 评分3535 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 发布论文 ProvenanceGuard，一种面向 MCP 智能体的生成后验证层，可保留工具输出的来源 ID，逐条核查答案中的声明是否由其所声称的来源支持，而非仅看证据池中是否存在该事实。在 281 条医疗智能体真实 trace 上，专家判定应拦截的 139 条声明中它拦下 138 条，来源识别准确率约 86%，并在与四种核查器的对比中得分最高。
Google ResearchAI 评分4141 Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 提出 ToolGrad，一种“先答案后问题”的工具调用数据生成范式：先生成真实工具调用链，再反推用户提示词，只需一步 LLM 调用。
Hugging Face BlogAI 评分4141 VAKRA 基准解析：AI 智能体的推理、工具调用与失败模式
Hugging Face 发布 VAKRA 基准，用于评估 AI 智能体在企业级环境中的推理与行动能力，覆盖 62 个领域、8,000+ 本地托管 API，任务需 3-7 步推理链。
Hugging Face Blog精选AI 评分6262 Meta 发布 Gaia2 智能体基准与 ARE 研究环境
Meta 发布 GAIA 后续智能体基准 Gaia2，并开源配套的 Meta Agents Research Environments（ARE）框架，用于运行、调试和评测智能体。
推荐理由：GAIA 后续基准 Gaia2 与 Meta ARE 环境同时开源，读者可了解智能体在噪声、时间与歧义场景下的评测方式。