2026 年第 40 周 · 09.28 — 10.04AI · 每周综述每周一出刊
AI 周报 · 2026 年第 40 周 · 09.28 — 10.04
MYHOT
第 1 期402026 年第 40 周09.28 — 10.04
2026 年全年 3 期
3件大事1条精选1期日报约 2 分钟读完
本期导读
智能体评测转向终态，开源模型密集迭代
本期覆盖 2026-09-28 至 2026-10-04。智能体评测与工程化是本期主线：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，并依据终端后端状态与副作用而非模型生成的文字判定任务成败，为智能体能力评估提供了新的判分口径。与此同时，开源模型与推理侧继续密集迭代，围绕长上下文、多模态与部署效率的更新集中出现；围绕智能体安全与工具调用边界的讨论也在升温。整体看，行业关注点正从模型单点能力展示，转向可验证的任务终态、可复现的评测流程与可控的工具使用。
智能体评测看终态
本版导读微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，其核心变化在于评测口径：智能体在隔离的 MCP 工具会话中运行，成败由终端后端状态和副作用判定，而不是由模型自己生成的文字说明判定。这一设计把评测对象从“模型说了什么”转向“系统实际变成了什么”，有助于抑制自我报告式的虚高得分，也让工具调用链路中的真实错误更容易暴露。对智能体开发者而言，这意味着评测与调试需要同时关注后端状态快照与副作用记录。
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。
往期 AI 周报