OpenAI, PerturbAI og Scripps Research lot én agent per gen analysere et CRISPR-atlas over musehjernen, med artikkel på bioRxiv. Systemet gjenfant konklusjonene fra originalstudien og foreslo nye hypoteser, blant annet en DCTN1–kolesterol-kobling. Dette er modellgenererte hypoteser, ikke eksperimentelt bekreftede funn.
OPAL (Xingjian Bai) lar en kodeagent, typisk Claude Code, lese treningsrapporter og skrive om oppdateringskoden mens et nevralt nett trenes: læringsrate, momentum, klipping og vern mot tapstopper. Forfatteren rapporterer resultater på nivå med eller bedre enn faste optimerere på språk- og bildeoppgaver for 5–15 dollar per kjøring. Koden er åpen på GitHub; ikke uavhengig evaluert.
Selskapene vil koble Mistral-modeller til NVIDIAs simuleringsverktøy og lage offentlige datasett og benchmarker som måler om agenter klarer CAE- og chipdesignoppgaver riktig, raskt og til hvilken regnekostnad. Ingen oppgaver, datasett eller datoer er publisert ennå. Mistral gjentar at vektene til Large 4 er «planlagt» sluppet i slutten av oktober.
Oversikten viser bl.a. Mistral Voxtral 3 (tale, 20. okt.), Inceptions diffusjonsmodell Mercury 3 og MiniMax M3.1 Flash (19. okt.), samt NVIDIA Nemotron 3.5 og Metas Muse Spark Open (15. okt.).
I en fremdriftsrapport for sitt sikkerhetsveikart sier Anthropic at systemet matchet eller slo beste menneskelige innsending i alle 24 par. Samme dag rapporterte OpenAI 86,6 % på COBOL-migrering for GPT-6.1 Sol (leverandørens egne tall).
Harvard, NVIDIA, Berkeley, MIT og Stanford presenterer RAX, der en generell kodeagent skriver robotkode og forbedrer seg gjennom utforskning. Den slår beste baseline med 37,4 % i simulering og lærer oppgaver på ekte roboter. Preprint på arXiv, åpen kildekode.