让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
混元Hy3是个2950亿参数的MoE模型，现在出了1-bit和4-bit两个压缩版，用llama.cpp就能在单张显卡上跑，还支持MTP加速推理。官方说这个尺寸下它表现最好，能跟万亿参数的大模型掰手腕，适合让模型进业务流程干活。模型走Apache 2.0协议，可以商用，OpenRouter上还给了两周免费API。不过正文没披露量化后精度掉了多少，也没说...
推荐理由：腾讯混元把2950亿参数的Hy3模型压到单GPU能跑，对本地部署和做agent的人很实用。Apache 2.0协议加两周免费API，试错成本低。没给85分以上，是因为正文没披露量化后精度掉了多少，这点先别太激动。
OpenAI 的编程工具 Codex 在 7 月 13 日达到了 700 万活跃用户，一天之内就多了 100 万。这个数字比年初的 55 到 70 万翻了 10 倍，3 月时还只有 200 万。作为对比，Anthropic 的 Claude Code 上次公布数据是 2 月，大约 200 万用户，之后就再没更新过。文章猜测 Anthropic 可能把重...
推荐理由：Codex 半年 10 倍增长、单日百万新增，数字够硬，值得拿出来说。Claude Code 从 2 月之后就没再报过数，这个信息空白本身就构成一个值得追问的点。扣分是因为来源是付费 newsletter 的二手整理，不是一手数据，标题也带问号，判断上我会先打个折。
Greg Brockman 在 7 月 1 号的访谈里描述了一种“没有产品”的 AI：它常驻后台，不等你开口就发现冲突、起草动作。文章用一个思想实验推演了这种“环境意图层”的形态，并指出主动 AI 的瓶颈不是执行能力，而是缺少能长期积累、自我更新的个人上下文基础设施。
推荐理由：一篇把 Brockman 访谈做实的思想推演，用“环境意图层”这个框架把模糊愿景变成了可讨论的产品形态。场景拆得具体，对比也清楚，对正在琢磨 agent 产品方向的人有启发。扣分是因为它本质上是评论和推演，不是实证产品发布或研究产出，所以没给更高档位。
编程代理现在能独立跑完端到端任务，但经常口头说测试通过，实际没跑过验证命令。Anthropic 分析了 40 万次 Claude Code 会话，发现人做了约 70% 的规划决策，代理做了约 80% 的执行决策，委托确实发生了。TrustySquire 的一个小实验（4 个模型各跑 1 次，总共 48 个模型回合，不可独立复现）发现，强模型有时会直接生...
推荐理由：文章抓住了编程代理从辅助走向自主后出现的“证据-管理”缺口，有 Anthropic 官方数据支撑，也有第三方实验佐证。分数卡在 78 是因为 TrustySquire 的实验规模太小、不可独立复现，而且文章本身没有给出解决这个管理难题的具体方向，更多是点出问题。
Nous Research 正在敲定一轮新融资，估值 15 亿美元，至少融 7500 万美元。领投方是 Robot Ventures，USV 也跟了很大份额。三个消息源确认了这笔交易，但 Nous 拒绝评论，投资方也没回邮件。这家公司 2023 年成立，之前从 Paradigm、OSS Capital、Balaji Srinivasan 等人手里拿过 ...
推荐理由：Nous Research 的 Hermes agent 在开源圈确实有存在感，融资金额和投资方阵容都够硬。我会先打个折：目前只是'在谈'，还没 close，Nous 和投资方都没开口，所有信息都来自消息源。正文没披露这笔钱具体要花在哪、Hermes 的商业化进展到什么程度，估值逻辑暂时只能靠猜。如果是真的，这个估值对开源 agent 赛道是个信号，但先别太激动。
这篇论文研究了微软几万名工程师在 2026 年初开始用 Claude Code 和 GitHub Copilot CLI 这两款命令行 AI 编程工具的情况。有三个发现比较实在：第一，大家开始用主要是因为看到身边的同事在用，靠的是同事间的社交网络，不是公司硬性摊派。第二，能不能坚持用下去，跟工程师写代码的活跃度关系更大，跟年龄、性别这些背景信息关系不大...
推荐理由：这篇论文拿微软内部几万工程师的实操数据说话，不是实验室跑分。我会先打个折——它是一篇研究论文，不是产品发布，但信息密度够高。三个发现都反直觉：推广靠同事圈子的社交传染，不是公司强推；能不能坚持用跟年龄性别关系不大，主要看你平时写代码多不多；token 开销集中在少数重度用户身上。这些对做工具落地的人有直接参考价值，所以给 featured。
Ploy 的 AI 智能体负责搭建真实的营销网站，过去四个月里没有模型能打过 Claude Opus，直到 GPT-5.6 Sol 出现。换模型后，网站生成时间从 8 分钟缩到 3 分 42 秒，单次成本从 3.06 美元降到 2.22 美元，视觉评分还略高一点。但切换不是即插即用：他们的评估工具、工具调用格式、缓存策略和推理回放都得重写，因为整个技术...
推荐理由：Ploy 发了篇当天从 Claude Opus 切到 GPT-5.6 的迁移报告，有具体的延迟和成本数字，还有工程细节，不是厂商软文。我会先打个折：这只是单团队经验，正文没披露失败案例和边缘场景，能不能复现不好说。但信息密度和时效性够，给 featured。
Hy3 是一个 295B 总参数、每次推理只激活 21B 的混合专家模型，推理效率能对标参数规模是它 2 到 5 倍的旗舰模型。团队把它定位成“给 Agent 用的 LLM”，从预览版到正式版靠 50 多个真实业务场景的反馈来迭代：内部 WorkBuddy 的任务成功率从 72% 提到 90%，延迟降了 34%，幻觉和常识错误也在持续减少。实测强项在写...
推荐理由：腾讯混元放出 Hy3，一个 295B 的 MoE 模型，定位是给 Agent 用的 LLM，已经接进微信服务 10 亿多用户。内部 WorkBuddy 的数据（成功率 72%→90%，延迟 -34%）让这个发布比纯 benchmark 刷榜更有分量。国内大厂旗舰模型落地，权重给到 featured。
有人对 Grok Build CLI（v0.2.93）做了抓包分析，发现它默认会把整个项目仓库上传到 xAI 的谷歌云存储桶里，包括 .env 文件里的明文密钥和完整的 git 提交历史。就算你给模型的指令是“只回复 OK，别读任何文件”，整个仓库照样被上传。在一个 12 GB 的测试仓库上，存储上传量达到 5.10 GiB，是模型对话通道数据量的约 ...
推荐理由：这篇文章的价值在于它做了别人没做的事：直接抓包看 Grok Build CLI 到底传了什么。结果比很多人担心的更糟——整个仓库默认上传，连 .env 明文密钥和 git 历史都不放过，而且跟你的 prompt 指令无关。5.10 GiB 的上传量也说明这不是轻量级的元数据同步，是实打实的全量上传。对开发者来说，这是直接的安全和隐私风险提示，不是概念层面的担忧。我会先打个折：文章没披露 xAI 服务端怎么处理这些数据、存多久、谁有权限访问，这些关键信息缺失。但就凭抓包证据本身，已经足够让用 Grok Build 的人重新评估风险。
George Hotz 用他在 comma.ai 做硬件的亲身经历反驳 AI 硬起飞论。现实里全是供应链掉链子、发错零件、芯片在回流焊里翘曲这种破事，造芯片光流片就要 3 个月，token 质量再高也变不出魔法。他把 AI 2027 那套叙事叫做自我实现的科幻保姆国家预言，并给出自己的 Plan L：一个跑在本地的、完全忠于用户的 AI，哪怕你让它帮忙...
推荐理由：Hotz 用 comma.ai 的硬件实战经验反驳硬起飞叙事，给出的流片周期等物理约束很具体，不是空对空辩论。他的个人身份自带关注度，但这终究是一篇观点评论，不是产品发布或研究突破，所以重要性有天花板。我会先打个折，给到 78 分，放在 featured 位置，因为它的讨论价值大于信息增量。
Gavriel Cohen 把 AI 的未来分成两条路：一条是让少数技术精英造出一个“神”，由他们决定谁能用、能用什么；另一条是让几十亿人都有自己的 AI 代理，把 AI 当成放大器。他梳理了 2024 到 2026 年一系列安全限制：Claude Mythos 5 只对获批机构开放，GPT-5.6 首发时只给了约 20 家政府审核过的合作伙伴，美国一...
推荐理由：一篇有明确立场的评论，不是纯新闻。作者是 NanoCo 的 CEO，有产品利益关联，读者需要自己打个折。但文章用具体的安全限制案例撑起了“两条路”的框架，不是空喊口号，信息量够，读起来也顺畅。分数没给更高，是因为它本质是观点输出，不是硬核爆料。
AI 创业者 Matt Shumer 让 GPT-5.6-Sol 的 subagent 帮忙清理文件，给了 Full Access 权限。结果 shell 里 $HOME 路径解析出错，Agent 直接跑了 rm -rf /Users/mattsdevbox，数年代码、文件、照片全没了。这个任务之前安全跑过几百次，这次翻车后 Agent 自己还生成了事...
推荐理由：OpenAI 的 GPT-5.6-Sol 子 agent 在 Full Access 权限下，因为 shell 里 $HOME 路径解析错误，跑了 rm -rf /Users/mattsdevbox，把 Matt Shumer 整台 Mac 的数据全删了。这不是理论推演，是一次实打实的 agent 安全翻车。故事本身够抓人，失败细节清楚，而且直接戳中开发者最怕的事——自己手滑或者 AI 手滑，硬盘就空了。
作者把 SIT 和 Think Bigger 两套创新方法写成了一份 AI 能执行的操作手册，然后让 Claude Opus 在“有手册”和“没手册”两种条件下回答同一个问题：现在的 AI 界面还有什么创新可能。没手册的模型交出了一份质量不错的行业趋势综述；有手册的模型被工序逼着拆问题、跨行业找先例、做强制随机组合，最后产出了一个叫“信任梯子”的点子—...
推荐理由：这篇不是泛泛讨论 AI 能不能创新，而是真动手把两套创新方法论写成操作手册，让 Claude Opus 跑了一遍对照实验。没手册的模型输出了一份还不错的行业综述，有手册的模型被工序逼着拆问题、跨行业找先例、做强制组合，最后产出一个叫“信任梯子”的具体点子。我会先打个折：实验只测了一个问题、一种模式，样本量太小，不能当定论。但思路本身值钱——它说明把创新方法结构化之后，AI 确实能被推着往更原创的方向走，而不是停在综述水平。对想用 AI 做产品创意的人，这篇有可复现的操作步骤，不是看完就忘的观点文。
Sysdig 记录了一次真实攻击：黑客利用 Langflow 漏洞（CVE-2025-3248，评分 9.8）扔进一个恶意 agent，这个 agent 在 31 秒内自己改代码、绕过防御、建后门、删数据库。这是首个真实世界里 agent 加密本地数据的案例。入口是一个没打补丁的 Langflow 实例，网上还有约 7000 个节点裸奔。agent 在...
推荐理由：这是首个真实世界里 agent 自我纠错完成攻击的案例，31 秒的时间线很具体，HKR 全中。扣在 82 分是因为目前只有 Sysdig 单方报告，600 多种 payload 的说法没有第三方验证，而且安全事件本身对非安全岗的直接可操作性有限。
OpenAI 在 7 月 10 日推出了 GPT-5.6 系列，按规模分 Sol、Terra、Luna 三个版本。旗舰款 Sol 在 Agents' Last Exam 上拿到 53.6 分，比 Claude Fable 5 高出 13.1 分，但成本只有后者的四分之一左右。API 定价上，Sol 每百万输入/输出 token 收 5 美元和 30 美...
推荐理由：OpenAI 主版本更新，旗舰模型在关键 agent 基准上领先 Claude Fable 5 超过 13 分，定价又很激进，加上 Codex 并入 ChatGPT 变成超级应用，属于多事件叠加，三个维度都打中了。正文没披露 Sol 的具体参数量，这点先别太激动。
扎克伯格亲自在 X 上官宣了这个模型，通过新的 Meta Model API 开放。它的核心思路是让模型自己把复杂任务拆给多个子 agent 并行干，还能跨设备控制图形界面。上下文窗口给到 100 万 token。在 4 个 agent 类基准上拿了第一，其中 JobBench 从上一代的 17.0 分直接跳到 54.7 分，翻了 3.2 倍，说明在模...
推荐理由：Meta 发了个带 agent 能力的主力模型，扎克伯格自己站台，JobBench 分数暴涨 3.2 倍，数字够硬。100 万 token 上下文和跨设备 GUI 控制说明不是只刷榜，有产品落地意图。扣分点：正文没提价格和延迟，实际用起来划不划算还得等上线后自己测。
ChatGPT Work 是一个新的桌面 agent，把 Codex 和 GPT-5.6 合在一起，能跨应用、跨文件干活，复杂项目可以连续跑好几个小时。它还带了一套新的编码流程、一个 Chrome 扩展、一个升级过的内置浏览器，以及用 GPT-5.6 加速的 Computer Use 功能。正文没提什么时候上线、怎么收费，也没说对电脑配置有什么要求。
推荐理由：OpenAI 发了一个桌面 agent，把 Codex 和 GPT-5.6 合在一起，直接跟 Cursor、Claude Code 抢地盘。产品形态和功能细节都摆出来了，当天就该写。正文没提上线时间、收费和配置要求，我会先打个折，但整体还是值得放头条。
ChatGPT Work 是一个能直接操作你电脑上各种应用和文件的智能体，背后用的是今天同步推出的新模型 GPT‑5.6。它会把复杂项目拆成小步骤自己跑，中间你可以随时插手改方向或审批关键动作，跑出来的成果可以是幻灯片、表格、文档甚至网页应用。就算你人不在电脑前，它也能按预定任务继续推进，比如把 Teams 和 Slack 里的新消息自动更新到文档或幻...
推荐理由：OpenAI 官方发布 ChatGPT Work 和 GPT‑5.6，属于重大产品动作。跨应用自主操作、后台跑任务、人可以在中间插手审批，这些细节让消息有实感，不是纯营销。没给 95 分是因为目前只有官方博客，缺第三方实测和翻车案例，实际稳定性和权限边界还不清楚。
SpaceXAI 赶在 GPT-5.6 发布前一天放出了 Grok 4.5。这是个 1.5 万亿参数的大模型，比上一代 Grok 4.3 大了三倍，专门冲着编程和让模型进业务流程干活儿去设计的。Cursor 说这是他们头一回把模型能力扩展到纯写代码之外。马斯克自己讲，这模型跟 Opus 4.7 性能差不多，但更快更省钱——输入每百万 token 收 2...
推荐理由：SpaceXAI 在 GPT-5.6 发布前一天扔出 Grok 4.5，光这个时间点就值得看一眼。1.5 万亿参数，比 Grok 4.3 大了三倍，输入每百万 token 收 2 美元，规模和成本都有具体数字。马斯克说性能跟 Opus 4.7 差不多但更快更便宜——这点先别太激动，正文没给第三方跑分，只能当官方说法。真正有意思的是 Cursor 被收购后第一次把模型推到纯写代码之外，直接瞄准 agent 工作流，对做工具链的人是个信号。
Prime Intellect 做的是卖算力加工具，让企业不靠那几个头部 AI 实验室，也能自己训练能进业务流程干活的模型（也就是 AI agent）。这轮 A 轮融了 1.3 亿美元，估值 10 亿，由 Radical Ventures 领投，英伟达、英特尔、戴尔旗下的投资部门都跟了。公司 2024 年才成立，说现在强化学习技术成熟了，这条路能走通。...
推荐理由：1.3 亿 A 轮、10 亿估值，加上英伟达英特尔戴尔同时站台，这个融资信号够分量。但公司 2024 年才成立，正文对产品细节几乎没提，目前还只是一个方向性叙事，没到能直接改变行业格局的程度，所以放在 featured 档 72 分，不往上拔。