AI 正从数字任务延伸到实体工程：模型开始协助 CAD、PCB 与仿真，外部合作方参与验证；与此同时，新基准把长文本状态跟踪和安全修补能力拆开测量。现有证据多来自研究方与厂商，仍需独立验证。
来源事实：OpenAI 表示 Codex 与 ChatGPT 已用于硬件团队的 CAD 模型、制造图纸、仿真和设计审查；自 2 月以来，硬件团队模型用量（按 token 计）增长 23 倍。展示案例包括 Astra 设计一款设备的外壳、电路板和固件，两名员工不到一周完成设计，代工方不到一个月做出小批原型；不过仍需多轮审查，模型对制造公差和装配细节考虑不一致。公司还披露与 Chip Ganassi Racing 的工程工作，以及和 Mazda 的空气动力学、碰撞安全研究合作。以上使用量、性能和案例均为 OpenAI 自述。
关注 / 采用证据：有具名产业合作方和实体原型，但缺少独立生产指标；不能据此推断大规模部署或缩短周期的量化幅度。
来源事实：StateBench 将状态跟踪拆成四种复杂度，从查找最新赋值到跨实体引用与连续更新。AllenAI 报告，混合/循环架构在直接训练后可在最长测试序列（数万次赋值）上保持多类任务表现；所测前沿模型在输入增长时仍会在更难的状态链上失效。作者也指出，当前基准假设实体数量固定，尚未覆盖真实对话里不断出现的新实体。数据与代码已链接开放。
关注 / 采用证据：发布当天 HF 文章有 12 个赞，并提供技术报告、数据和代码入口；目前没有独立复现或产品采用数据。
来源事实：Collinear AI 将任务设为真实开源仓库中的漏洞发现与修补，并以确定性验证器确认修补正确且未破坏原功能。作者对 11 个模型的测试中，Gemini 4 Argon 的 pass@1 为 67.8%、Claude Opus 5.5 为 67.3%；95 个任务至少被一个模型解决，最高分模型仍有 19% 任务每次都未通过。公开集、评分器和运行框架均可查看；数据集需接受访问条件。
关注 / 采用证据：公开数据集、排行榜和 Harbor 运行方式提供复核入口；HF 页面展示数据集与 leaderboard Space。结果由发布者整理，尚非独立复现。
来源事实：TWIML 第 783 集邀请 Richard Socher，讨论 AI 从辅助研究走向提出假设、运行实验与验证结果的条件，涉及 Recursive 所报告的模型训练与 GPU kernel 优化结果、快速验证的重要性，以及 reward hacking 如何让“改进”失真。
关注 / 采用证据：官方节目页列出嘉宾、日期与议题；页面未给出播放量或外部复核，因此只作专业讨论信号。
等待 Mazda、CGR 或其他合作方披露可量化的工程时间、返工率、制造合规和第三方复核。
关注 StateBench 与 CWE-bench 的第三方结果、任务边界和新版本；留意模型是否在更长状态链和未见代码库上保持表现。