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。
Google Pay 这次更新主要干了两件事：一是把支付系统开放给 AI 代理，二是把安卓和桌面端的结账体验做得更顺滑。先说 AI 这块，他们搞了个通用商业协议（UCP），你现有的商户号和支付后台不用动，就能让 AI 代理直接调用支付能力去完成交易。还发了个 MCP 服务器（公开预览版），相当于给开发用的 AI 助手配了个支付插件，能帮你查集成问题、分...
推荐理由：我会先打个折：正文只列了功能点，没给实际采用规模、定价，也没展示一个真实的 agent 交易案例，所以分数卡在 72–77 这个区间。但 MCP 支付这个方向本身够具体，对 agent 商业化的推动力是实打实的，值得放进 featured。
Artificial Analysis 和 IBM 搞了个新基准 ITBench-AA，专门考模型能不能像真人一样处理企业 IT 的活，第一波先考站点可靠性工程（SRE）任务。结果最厉害的 Claude Opus 4.7 也只拿了 47%，GPT-5.5 是 46%，所有顶尖模型都没过半。这个测试让模型在真实的 Kubernetes 环境里查日志、追依...
推荐理由：HKR-H/R 都成立：前沿模型在企业 IT agent 任务上不到 50% 的准确率，既有反转感又戳中部署焦虑。HKR-K 偏弱，因为正文没给模型名单、样本量和评分机制，信息密度不够，所以重要性卡在 featured 门槛附近。
Simon Willison 发现，从 2026 年 4 月起，Anthropic 和 OpenAI 悄悄把企业版编程助手（Claude Code/Cowork 和 Codex）的收费方式从固定座位费改成了按 API 调用量计费，跟直接买 token 一个价。他自己一个月用这些工具烧掉的 token 折合 2180 美元，但个人套餐只要 200 美元，...
推荐理由：这篇不是官方公告，是一篇行业评论，但它抓的点很实在：Anthropic 和 OpenAI 在 2026 年 4 月前后把编程智能体的收费从打折卖席位改成按 API 调用量算钱。我会先打个折——正文没给出具体定价数字或客户迁移数据，所以“找到产品市场契合点”更多是作者基于计费模式转向的判断，不是有财报支撑的结论。但这点本身对从业者有用，因为它直接关系到采购和用量评估。整体属于有观点、有信息缺口、但不虚的评论，放在 featured 档位合理。
Robby Stein 在 Google I/O 上谈了搜索正在从列链接转向直接给答案的 AI 原生模式。AI Mode 会把复杂问题拆成多轮搜索去查，背后跑在 Google 自己的 TPU 上，推理成本不低，但正文没给具体数字。搜索量没降反升，这点他提了但没展开数据。关于答案里引用哪些信息源和链接，有一套选择逻辑，但没细说权重。出版商最关心的流量问题...
推荐理由：这是一篇访谈摘要，不是产品发布，所以我会先打个折。HKR 三个维度都踩中了，但正文没披露具体价格、流量数字或成本数据，判断只能停在“高质量访谈”这个区间。文章把 Google 转向 AI 原生搜索的几个矛盾摆得很清楚：想用多轮对话和 AI Mode 留住用户，又得面对 TPU 成本高和出版商怕被截流的现实。信息够硬，但缺量化验证，所以分数给到 74 是合理的。
Robinhood 宣布允许用户创建独立账户，划拨一笔钱后，让 AI 代理（也就是能自主执行任务的模型）直接买卖股票。Robinhood 自己也在风险提示里写得很直白：AI 交易可能导致全部本金亏光。正文没披露这个 AI 代理具体是 Robinhood 自研还是第三方模型，也没说交易策略由谁提供。
推荐理由：Robinhood 这次不是开放行情数据，而是直接让 AI agent 进场下单。用户给 agent 单开账户、注入指定资金，agent 就能自主买卖股票。我会先打个折：正文没披露风控细节、回撤限制、交易频率上限，也没说 agent 跑在什么模型上、能不能接外部信号。所以“赚很多或赔很多”目前更像产品定位，不是实测结论。但这件事本身信号很强——交易权限从人移交到 agent，合规和客诉风险会成倍放大。
Runway 推出了一个 MCP 服务器，相当于给 AI 助手装了个插件，让 Claude、ChatGPT、Cursor 等工具能在聊天窗口里直接调用 Runway 的模型生成图片和视频。你不用再切换软件，给助手扔一个商品链接、一张参考图或一段文字描述，它就能把成品返回到同一个对话框里。这次接入的模型包括 Gen-4.5、Seedance 2.0、GP...
推荐理由：这条消息的钩子很直接——Runway 的视频能力进了程序员和创作者天天用的对话工具。技术上不是模型突破，而是集成方式变了，MCP 服务器当中间人，让多个模型被一个入口调度。对从业者来说，这比单纯发个新模型更贴近实际工作流，所以 HKR 三项都成立。不过正文没提延迟、并发限制和计费方式，实际体验还得观望。整体算一次产品整合更新，重要性给 76 分，放在 featured 里合理。
Firespawn Studios 在《Null Epoch》第 0 赛季里放了 25 个 AI 智能体，分别跑在 8 个开源模型上，连续运行了 10 天。他们公开了大约 9.3 万条记录的事件数据集，其中约 70% 的动作都附带了模型当时的推理或决策理由。不过，Reddit 原帖的正文内容被网络屏蔽了，目前看不到具体的实验结论和模型表现对比，只能从标...
推荐理由：Firespawn Studios 把 8 个开权重模型丢进 MMO 里当 agent 跑了整整 10 天，攒了 9.3 万条事件数据，这事本身比跑分有意思——因为不是测单次问答，是看模型能不能在持续变化的环境里记住东西、做出连贯决策。我会先打个折：信息来自 Reddit，不是正式论文，实验细节和失败案例正文没展开，所以别当严谨研究来读。但 25 个 agent、8 个模型、10 天的规模，加上数据公开，对想测 agent 长期稳定性和记忆的人是个现成的素材包。
Robinhood 给用户开了个口子：你可以创建一个独立账户，连上一个专用钱包，让 AI 代理（也就是能自己干活的小程序）去读你的持仓、分析行情、出策略、推股票。但下单的钱只能从这个钱包里扣，动不了你主账户里的资金。每笔交易都会推通知，有些单子还得你点一下确认才会执行。正文没披露代理的决策模型具体怎么搭、回测表现如何，也没说风控和止损机制。Robinh...
推荐理由：我会先打个折：Robinhood 不是前沿 AI 实验室，所以这条消息的份量更多在产品落地层面。但它的机制设计很实在——代理能看组合、能分析，但动钱时只能碰你专门划拨的那一小块余额，不是整个账户敞开了让它玩。这点先别太激动，正文没披露代理具体用什么模型、分析能力有多深，但光是“代理+真实资金+预存钱包”这个组合，就足够让做 agent 安全的人盯一阵了。
这篇文章讲的是阿里技术专家吕若凡提出的 Agent Room 模型。核心想法是不再让 AI 智能体各干各的，而是把它们放进一个共享上下文、任务账本、记忆和产物的“房间”里协作。文章用两个软件工程案例做了验证，说明这套系统不是简单地把任务分发给不同模型，而是让它们能基于共享信息做出协作判断。不过正文因为微信环境验证问题没能加载出来，具体的技术细节、实验数...
推荐理由：这是一篇方法论文章，不是模型发布或开源框架，但 Agent Room 的机制和两个研发现场让它有干货。HKR 三项都踩中了，我会给到 76 分，放在 featured 里。
上海创新研究院的LeapQuest和三所大学搞了两个医学AI系统Ophiuchus和MedScope，核心思路是让模型在看图看视频时学会像医生一样先定位关键区域再分析。Ophiuchus-7B在8个医学视觉问答基准上拿了68.0分，比OpenAI-o3的62.2、Gemini 2.5 Pro的61.8和GPT-5的59.9都高。正文没披露具体参数量以外...
推荐理由：我会先打个折：标题里 GPT-5 目前没公开评测数据，更像噱头，但 7B 模型在医学 VQA 上跑赢 o3 这个事实本身够抓人。正文给了 8 个 benchmark 的平均分对比，信息量撑得起 featured。不是通用大模型发布，分数定在 80 合理。
这篇论文给大模型设计了一个类似人类睡眠的机制。当模型处理长文本、上下文窗口快塞满时，它会主动停下来，不再接收新 token，而是利用离线时间对已积累的上下文做多轮递归前向计算，把信息压缩成“快速权重”。之后清空 KV 缓存，相当于整理完记忆再醒来继续干活。测试在细胞自动机、多跳图谱检索和 GSM-Infinite 推理任务上跑过，但正文没披露具体的性能...
推荐理由：我会先打个折，因为正文没给出压缩后的基准测试提升、代码或实际部署证据，所以分数停在 76。但“睡觉”这个说法确实把枯燥的上下文压缩讲得让人想点进去看。核心操作是模型在上下文快满时主动暂停，用多轮离线方式把旧信息压紧，然后清掉 KV 缓存腾地方，思路清楚。如果后续有实测数据，比如长文本任务不掉点、显存省了多少，分数还能往上走。这点先别太激动，等看到具体数字再说。
两年前谷歌的 AI 还在建议人吃石头、往披萨上抹胶水，现在它的聊天机器人 Gemini 月活用户已经冲到 9 亿，跟 OpenAI 自报的 ChatGPT 用户数打平。谷歌没把 Gemini 当独立产品养，而是直接塞进 Gmail、地图、Google.com 这些每天被几十亿人用的服务里，连苹果 Siri 未来的底层技术也换成了它，等于 Gemini ...
推荐理由：HKR三项全中。文章用逆袭主线把谷歌从掉队拉到能打的位置，钩子够强；9亿用户、770亿广告收入、Siri合作这些数字和信息量扎实，不是空谈；对从业者来说，模型竞争格局和分发渠道的变动直接关系工作判断，相关性高。整体是产业分析而非模型发布，放在78-84分档合理。
三星这次放出了三个项目：Meki 是一种给端侧模型用的记忆架构，让手机或 IoT 设备上的小模型能记住上下文、省着用算力；M2RL 是多领域强化学习框架，想让一个模型在不同任务里都能自己学会干活；LiveClawBench 则是专门测物理 AI 的基准，看模型能不能在真实世界里抓取、操作物体。文章还提到三星已经采购了数万张 GPU 来搭 AI 基础设施...
推荐理由：这是一组三星研究院的技术打包发布，不是旗舰模型或产品上线，但胜在信息具体、方向明确。我会先打个折：正文没披露数万张 GPU 的具体型号和部署时间线，也没说 Meki 在端侧实测的延迟和功耗，所以不能当量产信号看。不过，三星把 Memory 架构、多领域 RL 和灵巧手评测一起端出来，等于公开了自己在 Physical AI 上的三条腿走路策略，对关注端侧和机器人方向的从业者来说，比单篇论文更有参考价值。
面壁智能、清华和 OpenBMB 开源了 ForgeTrain，一个完全由 AI 编写、没有人类代码介入的大模型训练框架。他们用这套框架在华为昇腾芯片上预训练了 MiniCPM5-1B，这个模型在 AA 榜单的 2B 参数以下级别里排到了第一。同时开源的还有制造 ForgeTrain 的 Agent Harness 工具链。正文没披露训练成本、耗时和具...
推荐理由：我会先打个折：这不是一个顶配模型发布，而是一个工具链层面的开源动作，所以给 80 分、放 featured 比较合适。故事的核心是“AI 造 AI”——面壁智能说 ForgeTrain 是全球第一个零人类代码介入的生产级训练框架，并且已经在华为昇腾上跑通了 MiniCPM5-1B 的预训练。对从业者来说，这比单纯刷榜有意思，因为它直接关系到训练流程能不能自动化、能不能省人力。不过正文没披露这套 AI 写的代码质量到底怎么样、训练出来的模型跟人手写的框架比有没有性能差距，这点先别太激动。整体看，H、K、R 三条都踩中了，是个扎实的工具链新闻。
这周 AI 圈的钱主要涌向了推理层。Fireworks 正在谈一轮估值 150 亿美元的融资，7 个月内估值涨了 3.75 倍；Baseten 也在以 110 亿美元估值募资，3 个月翻 2.2 倍。这两家都还没正式官宣，数字先别太当真。已经落定的是 OpenRouter 的 1.13 亿美元 C 轮融资，他们 6 个月内周调用量从 5 万亿 toke...
推荐理由：这条消息把三家推理服务商的估值摆在一起看，Fireworks 和 Baseten 还在谈，OpenRouter 已经拿钱且用量涨得很快。我会先打个折，估值数字本身是谈判口径，不代表最终成交价，但能看出资本在往推理层集中砸钱。对从业者来说，这直接关系到未来用谁的 API、成本怎么走，以及这些平台会不会变成新的流量入口。正文没披露具体营收或利润率，所以别急着喊泡沫，但估值确实不低。
Anthropic 在 Code w/ Claude 伦敦活动上宣布了两项 Claude 托管代理的新能力。一个是自托管沙盒，公开测试版，让 Claude 能在你自己的安全环境里跑代码、操作浏览器，不用把敏感数据交给第三方；另一个是 MCP 隧道，研究预览版，相当于给 Claude 开了条加密通道，让它能直接连到你本地或私有网络里的工具和数据源。Spo...
推荐理由：Anthropic 官方产品更新，在伦敦活动上发布了 Claude 托管代理的两项具体能力。我会先打个折：这不是新模型发布，而是开发者工具层面的迭代，所以重要性给到 78。自托管沙箱让代理在隔离环境里跑代码，MCP 隧道则打通了本地工具和云端代理的连接，对实际干活的人比刷榜分数更有用。正文没披露沙箱的安全隔离具体到什么程度，这点先别太激动。
Google 在 2026 I/O 大会上把传统搜索结果页的蓝色链接换成了 AI 代理，直接替用户做决定。用户反弹很快，DuckDuckGo 的 App 安装量跟着涨了 30%，说明不少人开始找别的搜索入口。正文没披露这个 30% 的绝对基数有多大，所以实际规模还不好说。
推荐理由：HKR 三项都踩中了：30% 的安装涨幅是个具体的用户用脚投票信号，直接挂钩 Google AI Search 改版。不过正文没写清楚这个涨幅是多长时间内的、怎么统计的，所以信息有缺口，我会先打个折，放在 featured 里比较合适。
作者提出一个反直觉但关键的工作习惯：让AI干活前，先把成功标准、踩过的坑和固定工具写成一个Skill文档。因为AI没有记忆，每次新对话都是白纸一张，不把经验外化落盘，它下次还会犯同样的错。文章解释了为什么程序员反而容易掉进“只有代码才能复用”的陷阱，并给出Skill的三个要素：描述最终想要什么而不是微操步骤、只记录AI真正犯过的错、提供确定性的工具调用...
推荐理由：这篇文章没讲新模型或产品能力，也没给实验数据，但“先写 Skill”这个动作把 agent 工作流从一次性尝试变成了可积累的资产，对日常用 Claude Code 或类似工具的人有直接参考价值。三个 Skill 要素讲得清楚，复用方式也具体，所以放在 featured 档。
作者王咏刚提出一个反直觉的习惯：别上来就让 AI 直接做事，先把怎么做写成一个可复用的“技能文档”。他用 Outlook 收邮件举例，第一次花半小时把用户名、手机端批准、客户端选择这些坑都记下来，下次 AI 读这个文件就能跳过所有陷阱。核心逻辑是，AI 没有记忆，不把经验外化成文档，它就会反复踩同一个坑。程序员容易觉得只有代码才值得复用，但文章指出，研...
推荐理由：这是一篇工作流教程，不是产品或模型发布。技能文档化的机制和 Outlook 示例够实在，能上 featured；但来源权威性一般，所以定在 72 分。
Anthropic 工程师分享了在 claude.ai、Claude Code 和 Claude Cowork 三款产品中限制 AI 智能体（agent）破坏力的实战经验。文章指出，随着模型能力变强，能接触的系统越多，一旦出错的“爆炸半径”就越大。他们主要靠两种思路来兜底：一是让人盯着（人在回路），但数据显示用户会点掉约 93% 的权限请求，容易产生“...
推荐理由：Anthropic 这次公开了一套针对 Claude 智能体的具体隔离控制方案，比普通的更新说明更有料。HKR 三项都满足，但这不是模型发布或重大能力升级，所以分数放在 78-84 这个区间。