本文介绍 Φ-Bench（Frontier AI Infrastructure Benchmark），一个评估 LLM 基础设施工程能力的基准。它从顶会论文和开源仓库中筛选出 85 个真实高难度任务，分为 Kernel 补全（KFC）、长周期实现（LHI）和端到端优化（E2EO）三类。评测结果显示 Claude Opus 5 以 36.53 分领先，但所有模型在理解大型代码库和硬件相关优化上仍明显不足。分析指出优秀模型需具备假设验证、实验设计和可靠归因能力，Φ-Bench 探索了 AI 自我改进能力向基础设施层延伸的可能性。
Google提出EnvHarness（环境脚手架）框架，通过Stage、Contract、Chain三类组件在不改动环境底层的情况下动态操控环境，并引入环境搭建师EnvRigger，通过观察Agent轨迹、诊断缺陷、编写组件、实战验证的四步闭环自动搭建环境。在SWE-bench Verified基准上，Agent与环境实现螺旋式协同进化，成功率从47.67%提升至54.79%，且300个环境时性能仍持续上升。未来方向包括扩展组件库、拓展至非文本环境及探索语义化组合。
本文介绍了MLS-Bench基准测试，该测试旨在评估AI系统在机器学习研究中的方法发现能力，而非仅仅是工程执行能力。MLS-Bench包含12个领域、140个真实研究任务，通过控制可修改范围、复现强人类基线、跨条件验证等设计，将算法贡献与调参、容量等因素分离。实验表明，当前AI模型即使经过多轮迭代，也主要是在优化和组合现有组件，未能发现新机制，且在实验规划和论证判断方面表现不足。文章指出，真正的科学发现需要方法提出、实验设计、预算分配、证据判断等综合能力，而当前模型尚未具备。MLS-Bench已被Kimi K3、Qwen3.8-Max等模型官方评测采用，成为衡量AI研究能力的新前沿。
现有无标注强化学习（TTRL）多依赖多数票生成伪标签，难以处理医疗建议等复杂开放式任务。为此，文章提出SERPO（自进化判据策略优化）机制。它通过模型自身采样的回答提取质量判据生成奖励，无需任何外部监督或人工标注，并将收益直接写入模型权重。实验表明，SERPO不仅大幅提升了模型在垂直领域的性能，且在OOD测试和长程训练中持续进化，证明了其能将质量标准转化为持久的模型能力。
