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.
Stanford, Michigan og Microsoft Research lager EgoForce, et stort datasett med taktile menneskedata, og robotmodellen FACT. Med bare 10 robot- og 90 menneskedemonstrasjoner gir den opptil 60 prosentpoeng bedre resultat enn T-Rex. Preprint.
En gjennomgang fra blant andre Shanghai Jiao Tong, TUM, Berkeley, Stanford og MIT definerer en L0–L5-skala for fysisk rekursiv selvforbedring og konkluderer med at litteraturen ennå ikke viser ekte selvforbedrende roboter.
Stanford-forskere (bl.a. Fei-Fei Li og Jiajun Wu) slipper OpenWAM, som kombinerer videoprediksjon og robotstyring. Robotvideo-trening løftet suksessraten på LIBERO-Long fra 68,4 % til 97,8 %. Kode og vekter er åpne; ikke fagfellevurdert.
