Ai2 开源 AstaBrief 8B，基于 Qwen3-8B，用 SFT + DPO 训练，把研究问题与文献片段一次写成带引用的报告。权重、训练数据、检查点与示例工作流全部放出，产品里单篇平均 51.1 秒，对比 Claude 驱动的 Thinking 模式 178.5 秒。

微软 Copilot Studio 团队与 Hugging Face 发布 ThinkingBox 与 ThinkingBox-Bench：507 个有状态业务任务各跑 20 遍，只按数据库终态和副作用判分。结果显示三分之二的失败依然「干净退出」，重复 20 次后头部模型 pass@1 保持率从 78% 到 8% 不等。