QwenLM/BlenderWorld

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。

斯坦福 EE292R 科学与人工智能及数据｜2026 年秋季｜从世界模型到世界智能体

Stanford EE292R AI and Data for Science | Autumn 2026 | From World Models to World Agents

这是斯坦福课程 EE292R 的一场讲座，讲者 Gordon Wetzstein 为电子工程系（兼计算机科学系）副教授。讲座介绍视频世界模型的最新进展，重点包括增强长时间上下文中的时间一致性与推理、缓解自回归漂移，以及多智能体动态的整合和有效的人类中心条件控制策略。材料附有课程时间表链接。

QwenLM/BabelArena

一个 GitHub 仓库（Apache-2.0 许可），README 介绍 BabelArena：面向 LLM 智能体的多语言基准，从四个智能体基准家族中取 699 个标准任务、覆盖 13 个领域，各改编为 23 种语言，共 16,077 个任务实例；每个语言变体保留原任务身份和评估标准以便跨语言对比。变体由代理式工作流 BabelFlow 构建，经多层验证与人工审核后采纳。对五个前沿模型的评测显示，没有单一模型在四个家族上全面领先，低资源语言出现更多工具使用与控制流错误、相同任务下输入 token 可达英语的约两倍等。仓库附有 arXiv 论文链接（arXiv:2609.23490）。