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。
Anthropic 在 GitHub 上放出了一个叫 defending-code-reference-harness 的开源项目，把威胁建模、代码扫描、漏洞分类和打补丁这些安全活儿打包成一套可定制的自动化流程。项目页面上说你可以把它当成一个“自主扫描引擎”来用，但正文没披露这套东西在真实漏洞挖掘上的准确率、误报率，也没给出跟现有扫描工具的对比数据。目...
推荐理由：Anthropic 的招牌加上一个实打实的 GitHub 仓库，让 HKR 的 H 和 R 都站得住。但文章本质上是一封公开信和政策呼吁，不是已经落地的法律或产品，框架的实际效果、基准测试全都没给，所以 K 不成立。话题分量够上 featured，但信息缺口把它卡在 72–77 这个区间，74 分合理。
苹果批准了 Poke 接入 Messages for Business，这是该平台第一个能直接跟用户发短信干活的 AI 代理。Poke 本身做的就是让用户通过短信使唤 AI 助手，这次相当于把它的服务嵌进了苹果官方的商家消息通道。不过正文没披露苹果的审核标准是什么、这次开放的范围有多大，也没提商业分成怎么算。
推荐理由：HKR-H/K/R 都过，但正文很薄：只确认了 Poke 获批和“首个”身份，没给出审核规则、铺开节奏或商业条款。这更像一条门槛级的产品动态，够 featured，但信息密度撑不起 78 分以上的段位。
Replit 和 Shopify 打通了：用户在 Replit Agent 里说一句想卖什么，Agent 会直接生成自定义店铺页面、创建 Shopify 商店并上架商品。建完去 Shopify 认领店铺、设好支付就能开卖。正文没提收费方式、支持的地区和具体上线时间，如果是真的，对想快速试水电商的人挺省事。
推荐理由：HKR 全过：Shopify 打通流程对开发者有实感，但这是公开信和政策呼吁，不是已生效法律，法案文本和执行时间表都缺失，所以停在 featured 档。判断挂在信息缺口上——没提收费和地区，省钱与否得等后续。
Anthropic 发了一篇文章，讲他们内部怎么让 Claude 越来越多地参与 AI 开发。核心概念是“递归式自我改进”——让 AI 系统能完全自主地设计和开发自己的下一代。他们说自己还没到那一步，但趋势在加速。文章给了几个内部数据：到 2026 年 5 月，Anthropic 合并的代码里超过 80% 是 Claude 写的；工程师现在平均每个季度...
推荐理由：H 和 R 都过了：标题钩子强，话题本身也切中前沿模型的安全焦虑。K 没过是因为这只是一封公开信和政策呼吁，不是已生效的法律，正文也没披露具体机制或模型细节，信息密度撑不起更高评级，放在 featured 合理。
这个模型基于 Qwen3.5-397B-A17B 改造，总参数量 397B，用了混合专家架构（MoE，把任务分给不同子模型处理，省算力）。它能处理 26 万多字的长上下文，也支持图像识别。官方说它在 Terminal Bench 2.1、GDPVal、SWE-Verified 这几个测试集上拿了最高分，性能对标 GPT-5.5 和 Claude Opu...
推荐理由：HKR 三项都过：标题的 benchmark 钩子够强，正文也给了模型尺寸、上下文和 token 缩减的具体数字。但这是一封公开信和政策呼吁，不是已生效的法律，法案文本和执行时间表都没披露，所以放在 featured 而不是更高。
OpenRouter 花了 482 美元推理费，把 11 个模型扔进一个 2D 大逃杀游戏里打了 30 局。Grok 4.1 Fast 赢了 13 局，每赢一局成本只要 0.97 美元；而 Claude Sonnet 4.6 赢了 5 局，每局成本 26.78 美元，贵了 27 倍。最会杀敌的是 GPT 5.4，干掉了 38 个对手，但只赢了 2 局，...
推荐理由：OpenRouter 自己搞的测试，不是模型官方发布或标准基准，我会先打个折。但实验条件写得清楚，482 美元、30 轮实时决策，Claude 和 Grok 在速度和成功率上领跑，这个结论对正在挑决策模型的人有用。正文没披露具体延迟数字和成功率差异有多大，这点先别太激动。
英伟达在 Hugging Face 上发布了 Nemotron-3-Ultra-550B-A55B-BF16，一个混合专家（MoE）模型。总参数量 550B，但每次推理只激活其中 55B 参数，相当于用 55B 模型的算力去撬动大得多的知识容量。上下文窗口拉到 1M token，能一口气处理很长的文档。硬件门槛不低，官方列的最低配置是 8 张 H200...
推荐理由：这条消息干货集中在规模和硬件门槛上：550B 总参数、55B 激活、100 万 token 上下文，最低 8×H200 或 16×H100。我会先打个折——正文没给任何基准测试分数、许可证细节和具体开放时间，所以没法判断实际效果和可用性。亮点是硬件要求本身就是一个筛选器，能直接筛出一批会认真评估的人。缺点也明显：没有性能数据，光看参数和上下文长度，只能说明“理论上能处理很长的内容”，但不知道推理质量怎么样。这点先别太激动。整体属于有信息量但缺验证的发布，适合放进 featured 提醒大家关注后续评测。
Infracost 发布了 Cost.dev，一个本地命令行工具，可以嵌进 Claude Code、Cursor 这类编程助手的流程里。它的核心作用是：在你让 AI 写云资源代码（比如 Terraform）的时候，实时告诉你这套配置每个月要花多少钱，并给出省钱建议。他们拿裸用 Claude 做基准测试，结果显示这个工具能让模型输出的 token 量减少...
推荐理由：Infracost 发了个本地命令行工具 Cost.dev，专门给写代码的 Agent 做云成本估算，核心卖点是让模型输出更省 token、调用更省钱。他们给出的数字挺好看：Claude 输出 token 最多降 79%，API 成本最多降 67%。我会先打个折——这是厂商自己的数据，没有第三方验证，实际效果得看具体场景和 Agent 的实现方式。但思路本身是实用的，直接在本地跑，不依赖外部服务，对控制 Agent 的 API 支出和云资源浪费有直接帮助。正文没披露支持哪些云平台、和现有 CI/CD 流程怎么集成，这些信息缺口让实用性打了一点折扣。...
Anthropic 的 Claude Mythos 在 METR 的自主任务测试里撑了 186 分钟，成功率 80%。这个时长刚好落在专家们之前预测的 3 到 4 小时中位数区间，但预测的时间点是 2026 年底，现在提前到了。正文因为需要验证码没抓到具体细节，不知道任务类型、失败原因和是否有人工干预，所以这个 80% 成功率先打个折看。
推荐理由：这条消息的钩子很直接：预测年底才到的水平，今天就被打出来了。我会先打个折——正文没披露模型规模、任务类型和可复现细节，所以不能当完整评测看。但 80% 成功率加 186 分钟连续跑，对从业者来说是个可感知的信号：agent 的自主时长在拉长，而且比行业预期快。安全焦虑和落地想象空间同时被触发，适合放 featured 位置。
MiniMax 的新模型 M3 在第三方评测平台 Artificial Analysis 的开源榜单上排到了第一。文章说它支持一次性处理 100 万 token 的上下文，预训练用了百 T 级别的数据，并承诺在 10 天内开源模型权重和完整技术报告。不过，这篇微信文章本身因为环境验证问题无法看到正文，所以具体的评测细节、中文社区到底在吵什么、以及硅谷 ...
推荐理由：MiniMax M3在Artificial Analysis上冲到了开源模型第一，但中文社区对评测含金量吵得很凶。我会先打个折：权重和完整报告还没放出来，现在只能看官方给的数据。1M上下文和100T预训练规模听着挺猛，但正文没披露具体架构和训练成本，这点先别太激动。10天内开源这个承诺如果兑现，对开发者是实打实的利好；如果跳票，那现在的排名就先当个热闹看。
谷歌发了 Gemma 4 系列的新成员，一个 120 亿参数的中等尺寸模型。它主打本地运行，16GB 显存或统一内存的笔记本就能带起来。架构上没走传统多模态那套编码器路线，直接原生支持音频输入，还带了一个叫 MTP 的推测解码模块来压延迟。模型用 Apache 2.0 协议开源。不过正文因为环境验证没加载出来，具体跑分、训练数据、实际推理速度这些关键信...
推荐理由：Gemma 4 12B 的卖点很直给：一个不算小的模型，能在普通笔记本上跑，还用了 Apache 2.0 协议。这对想自己折腾、又不想被云服务绑住的开发者来说，是个实在的更新。我会先打个折，正文没提具体推理速度和实际任务表现，光看参数和硬件门槛还不够，得等实测。但就凭“16G 笔记本能跑”这个钩子和宽松的开源协议，值得推给关注本地部署和成本控制的读者。
这篇文章本身没加载出来，微信页面显示环境异常需要验证，所以正文内容我没看到。从标题和已有的英文摘要看，讲的是 AI 语音输入工具正在进入办公和开发场景。Wispr Flow 这个产品全球下载量超过 250 万，12 个月留存率 70%，年用户增长 100 倍，说明用的人确实在猛增，而且用了就回不去。OpenAI 的 gpt-4o-transcribe ...
推荐理由：HKR 三项都站得住，但这是一篇带数据的工作流趋势观察，不是模型发布或平台级更新，放在 featured 里属于门槛线附近的那一类。我会先打个折，不把它当硬核技术突破看，但“打字正在变古老技艺”这个判断加上 250 万下载和 70% 留存，确实能让人重新想一遍语音交互的落地速度。
亚马逊发布了新版 Proteus 仓库机器人，核心变化是工人不用再通过专用软件下指令，直接说话就能给它派任务，像跟同事沟通一样。Proteus 最早在 2022 年亮相，外形像个大号扫地机，负责在仓库里搬重货、推大车。这次升级主要是交互方式从代码/软件切到了自然语言，但正文没披露具体部署了多少台、单台成本多少，也没说语音指令在嘈杂仓库里的准确率怎么样。...
推荐理由：我会先打个折：Amazon 只说了 Proteus 能听懂人话，没给任何规模数据，所以重要性卡在 featured 门槛附近。亮点是交互方式从编程界面直接跳到口语对话，对一线工人上手门槛降得明显；但没披露部署量，效果和稳定性都还是未知数。如果是真的跑通了，省培训成本、提响应速度都说得通，这点先别太激动。
OpenAI 给 ChatGPT 换了一套叫 Dreaming 的记忆架构，核心变化是模型会在后台自动翻看你的历史对话，把零散信息合成一个关于你的“记忆摘要”，而不是只靠你手动让它“记住”某件事。官方说这能解决旧版记忆容易过时、记不全的问题，让 ChatGPT 在跨对话时更懂你的偏好和长期项目。目前这个更新只对美国的 Plus 和 Pro 用户开放，免...
推荐理由：OpenAI 给 ChatGPT 加了个叫 Dreaming 的记忆系统，核心是跨对话记住你的偏好，让聊天更连贯。这事有热度，因为名字和“长期记住你”这个点本身就自带话题，隐私这根弦也绷着。但正文没披露默认开关状态、保留周期和推送范围，这些关键信息缺了，所以重要性先打个折，定在 84。
斯坦福的研究人员放出了 OpenJarvis，一个开源的本地优先框架，目标是让个人 AI 助手直接在手机或电脑上跑，不用把数据传到云端。他们把个人 AI 拆成了五个基础模块：推理、工具调用、记忆、学习，还有一个叫“自我”的模块来协调这些能力。实测下来，在设备端用小模型跑这套流程，效果只比顶尖云端模型差 3.2 分，但每次调用的边际成本直接砍了约 800...
推荐理由：HKR 三项都站得住：本地优先加 800 倍成本下降是个好钩子，数字具体且能说明问题，话题本身也切中 agent 落地时大家最在意的成本和隐私。信息源深度一般，所以分数放在 78–84 这个区间，不往上拔。
Cloudflare Radar 统计了 5 月 28 日到 6 月 4 日这一周的全球流量，发现所有 HTML 网页请求里，57.5% 来自爬虫、AI 抓取和自动化脚本，真人浏览器只占 42.5%，这是机器人流量头一回超过人类。如果把所有 HTTP 返回内容都算上，JSON 格式（主要是机器对机器的 API 通信）占了 33.1%，排第一，HTML ...
推荐理由：Cloudflare Radar 这次给了一个很具体的窗口和比例，HKR 三项都踩实了。文章没把 AI 爬虫、搜索引擎蜘蛛和恶意自动化流量拆开讲，所以我会先打个折，不把它捧得太高。但“机器人过半”这个信号本身对做网站、做爬虫、做安全的人都有直接参考价值，放在 featured 档刚好。
Hugging Face 把自家的 hf 命令行工具重新设计了一遍，让它能同时服务人类和编码智能体。工具会通过环境变量自动识别是不是 Claude Code、Codex 等智能体在调用，如果是，就输出紧凑、不截断的 TSV 格式，而不是给人看的表格。在复杂多步任务测试里，没用这个 CLI 的智能体（比如自己拼 curl 或调 Python SDK）消耗...
推荐理由：我会先打个折：token 降到六分之一是官方说法，正文没给出测试场景和对比基准，实际省多少要看具体任务。但思路很清晰——传统 CLI 输出对人类友好，对智能体却是噪音，切成结构化 TSV 能减少大量解析和截断开销。自动检测智能体身份这一点也实用，不用手动切模式。整体是工具链层面的务实改进，不是模型或平台级发布，所以放在 featured 档合理。
Anthropic 公开了他们内部用 Claude 做自助数据分析的整套方案。核心思路是让非技术同事直接用自然语言问业务数据问题，系统自动查表、写 SQL、出结果。他们搭了一个三层架构：底层是数据基础层，负责把分散的业务指标统一成模型能读懂的语义；中间是验证工作流，专门处理模糊提问、过期数据和查不到的情况；上层是技能模块，让 Claude 学会按公司规...
推荐理由：我会先打个折，这是官方博客，数字肯定挑好看的讲。但 95% 自动化加约 95% 准确率，配上数据层、验证和 skills 这套 agentic analytics stack，确实把怎么做说清楚了。没有新模型或产品发布，所以分数在 72–77 这个区间。正文没披露错误类型的具体分布和延迟数据，这点先别太激动。
纳德拉在 Build 大会的播客里聊了微软的 AI 思路，核心是把 AI 当成一个生态平台来做，而不是押注单个模型。他举了比尔·盖茨那条老原则：平台创造的价值得远超平台自己赚走的。微软这次主推的 MAI 系列模型，强调从预训练阶段就保证数据干净、可追溯，因为现在很多开源模型在榜单上看着漂亮，实际用起来不行。有意思的是他们拿一个 50 亿参数的小模型做“...
推荐理由：HKR 三项都踩中了：Satya 本人就是流量钩子，文章给出了微软企业级多模型平台的具体组件名，还透露了 5B 小模型用 traces 做 hill climbing 的机制，对从业者判断技术路线有参考价值。不过它终究是 Build 大会的访谈，不是独立模型发布，所以 78 分合理。
这三篇论文都进了 CVPR。GraspGen-X 用 20 亿次模拟抓取训练，让机械手能处理没见过的物体，但正文没披露真实世界的抓取成功率。LCDrive 把自动驾驶的推理 token 砍了大约一半，靠的是让模型直接输出轨迹而不是先写文字再转成动作，延迟更低，不过没提极端场景下的安全性验证。NitroGen 在 1000 多个游戏里跑了 4 万小时的交...
推荐理由：NVIDIA 在 CVPR 放出的三篇论文，每篇都带着实打实的数字：GraspGen-X 用 20 亿次模拟抓取训练机械手，LCDrive 把自动驾驶模型的推理 token 砍掉一半，NitroGen 在 1000 多款游戏里攒了 4 万小时交互数据来训游戏 agent。我会先打个折——这是厂商研究打包发布，不是新模型或产品上线，所以重要性停在 78 分。但信息密度够高，对做机器人、自动驾驶和游戏 agent 的人有直接参考价值，尤其是用合成数据替代真实采集、降低推理延迟这两条思路，正文没披露具体硬件环境和延迟数字，这点先别太激动。