Kilo Code 用 25 万亿 token 数据揭示开发者如何真正采用 AI 智能体
Kilo Code 基于其网关的 25 万亿 token 真实数据，分析了开发者采用 AI 智能体的实际方式，发现其与业界以跑分和上下文窗口为核心的能力叙事明显不符。开发者并非按传统工具的方式采纳模型，信任是关键变量：自动补全、代码对话到多智能体编排构成一级级"信任阶梯"，底层体验不稳就会阻断向上采用。数据还显示采用瓶颈稳定出现在上下文构建、模型路由和反馈回路三个技术环节。
#评测/基准
InfoQ · AI/ML/数据/工程AI 评分3737
Import AIAI 评分2323 Import AI 476：创造力与递归自我改进；不如中国的开源权重模型；AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，522 道题覆盖 288 张图像和 234 段短视频（17.6 小时），人类 pass@1 为 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 为 26.8、Kimi K3 为 25.5。
Microsoft ResearchAI 评分1616 Microsoft 研究：AI 评测为何失效，以及失败教会我们什么
Microsoft 研究合伙人研究经理 Jennifer Neville 指出，模型在超出传统 benchmark 的测试中会出现"令人意外的失败"，评测是推动当前 AI 系统性能边界、满足用户需求的关键环节。她建议在实际使用 AI 系统时密切关注数据，当结果违背预期时应回到数据本身找原因。
Anthropic Research精选AI 评分7171 物理学家用 Claude 打造 BootLoops：如何寻找「Claude 形状」的科学问题
哈佛物理学家 Matthew Schwartz 在 Anthropic 客座研究中提出「Claude 形状的问题」思路，把适合当前 LLM 的定量计算任务交给 Claude，并据此构建开源工具链 BootLoops。
推荐理由：作者以物理学家身份复盘用 Claude 构建 BootLoops 工具链的实践，读者可了解智能体在科研中可行的分工边界与协作方法。