QwenLM/BabelArena

QwenLM/BlenderWorld

Qwen 团队发布的一个用于评估 3D 创作视觉智能体的基准，全称为“Benchmarking Visual Agents for 3D Creation from Real-World References”。基准包含 9 个类别、22 个子类共 223 个任务，智能体根据任务简报和参考素材在 Blender 中交付可编辑工程文件及指定导出物，可用 bw evaluate 进行评估；仓库提供论文、Hugging Face 与 ModelScope 数据集链接。

strands-agents/box

这是 Strands Agents 推出的开源 AI 智能体沙箱引擎，通过 OS 隔离、默认拒绝的 Dogwood 策略和把密钥置于智能体之外的凭据注入，限制智能体可执行、读写和访问网络的范围。项目用 Rust 编写，目前支持 Apple 芯片的 macOS，并计划支持 Linux；标签涉及智能体安全、出网控制、MCP、零信任等。

yuatemycat/SuperGhidra

GitHub 仓库，项目自述为面向 Ghidra 的 Python 工具集：自主智能体逆向工程、无锁 Ghidra 守护进程及 C++ 恢复套件，采用 AGPL-3.0-or-later 许可，要求 Python 3.10 以上。其功能描述包括让 Ghidra 的脚本编写更快、把反编译原始输出改写为可编译的 C，以及执行 Ghidra 未自带的静态分析（如 MSVC RTTI），并提供 MCP 集成；标签涉及 arm64、x86-64、P-code、Z3/SMT 求解等。

把数据库评分转化为强化学习奖励：用 ThinkingBox 对智能体进行后训练

Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox

这是此前博客的后续，介绍已在 GitHub 上发布的 ThinkingBox-Training。作者用比较最终数据库状态与预期结果的方式评估智能体工作，并把同类的可执行信号用作 ThinkingBox-Bench 之外训练任务的奖励。文中报告对 Qwen3.8-27B 经 50 步 GRPO 后平均成功率从 51.70% 升至 60.78%，二十次尝试全部正确的任务数从 38 增至 107；ThinkingBox-Bench 包含 507 项任务。