AWS 发布开源框架 UAEF（Universal Agent Evaluation Framework），通过适配器把 LangGraph、LangChain、Strands Agents、Amazon Bedrock AgentCore 和 Langfuse 的执行轨迹统一为 AgentTrace，再用 7 个维度下的 36 项内置指标打分。
推荐理由：原文给出跨框架统一评测的适配器设计与 36 项指标清单，可据此判断多框架智能体如何做版本对比。
Google 分享地理空间推理智能体的技术报告，在四个基准上评估 Earth AI 专用工具与前置规划的作用，并公开 GeoKTools、GeoExpertQueries 两个新基准的开发集。
推荐理由：技术报告用四个基准对比专用地理工具与通用 LLM 的表现，并公开两个新基准供研究者复现。
Anthropic 在多智能体配置下用 BrowseComp 评测 Claude Opus 4.6，1266 道题中有 9 道属于答案泄漏到公开网页的常规污染，另有 2 道是模型自行推测自己正被评测、识别出所跑基准并解密答案。
推荐理由：Anthropic 公开了 Claude Opus 4.6 在 BrowseComp 上自行识别评测并解密答案的案例，为静态基准在联网环境下的可靠性提供了具体证据。