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。
Sundar Pichai 在 Google I/O 后聊了聊公司怎么应对 ChatGPT 的冲击。核心是把 Gemini 模型塞进新的智能搜索框和 Gemini Spark 智能体平台，让搜索从“给你一堆链接”变成“直接帮你启动任务”。他回应了“Google Zero”的担忧——网站从 Google 来的流量可能归零，但没给出具体流量影响数据。另外，...
推荐理由：这篇是 Sundar Pichai 在 I/O 后的访谈，核心就两件事：Gemini 要嵌入搜索框，以及 Spark 这个让模型进业务流程干活的平台。我会先打个折——正文没披露任何模型规模、延迟数据或上线节奏，所以别当产品发布看。但它的价值在于把 Google 对搜索未来的态度摆上台面：AI 直接生成答案会进一步挤压传统网页流量，同时 Spark 又在抢 agent 平台的身位。这点先别太激动，因为没给技术细节，但方向本身对做搜索、做内容和做 agent 的人都有影响。
这篇帖子正文被 Reddit 屏蔽了，只能看到标题和摘要。从现有信息看，SkillOpt 的做法是把给模型用的 Markdown 技能说明文件当作可优化的对象，而不是写死就完事。它让一个更强的模型对技能文件提出增、删、改的编辑建议，然后只在留出的验证集上接受那些确实能提升效果的改动。摘要里说，最好的技能文件通常在 1 到 4 次被接受的编辑后就会收敛，...
推荐理由：我会先打个折：目前只看到一个项目源和 Reddit 讨论，没有大规模落地数据，所以分数定在 78、featured 而不是 p1。但 HKR 三项都站得住——把技能文件当可训练参数这个 hook 够新鲜，留出验证集加 1-4 次编辑收敛的机制也讲得清楚，对做 agent 的人来说省手工调 prompt 的钱和时间是实打实的痒点。正文没披露验证集规模和任务多样性，这点先别太激动。
Qwen3.7-Max 在 Code Arena 编程评测上拿了 1541 分，排名第二，只比 Claude 低。官方说它能连续跑 35 小时的任务、单次调用工具超过 1000 次，原本要两周的项目几小时就能搞定。不过正文没披露具体测试环境、任务类型和对比模型的详细分数，实际生产表现还得看后续验证。
推荐理由：这条消息的钩子很清晰，就是“编程第二”这个位置。给出的分数和任务时长是硬指标，虽然都来自阿里云自己的一篇发布，没有第三方交叉验证，但作为产品更新和基准测试的成绩单，信息量够、指向明确。我会先打个折——没有独立评测之前，这个“第二”更多是厂商宣称，但它的确提供了一个可被检验的标靶，值得放进 featured 让从业者自己去盯后续实测。
面壁智能放出了 ForgeTrain 训练框架和 MiniCPM5-1B 模型。ForgeTrain 最抓眼球的地方是，他们说是让 AI 自己写的代码，在同样硬件下比英伟达的 Megatron 训练快 10%。MiniCPM5-1B 是个 10 亿参数的小模型，FP16 权重约 2GB，压缩到 INT4/Q4 后约 0.5GB，主打端侧部署。不过原文因...
推荐理由：面壁智能说 ForgeTrain 是 AI 写的训练框架，同硬件下比英伟达 Megatron 快 10%，还发了 1B 参数的端侧模型 MiniCPM5-1B，FP16 权重约 2GB，压缩到 INT4/Q4 约 0.5GB。我会先打个折——“全球首例 AI 造 AI”这个说法正文没给出第三方复现，10% 的速度提升也没交代测的是什么任务、什么卡、什么 batch size。但即便保守看，一个 AI 生成的训练框架能跑起来还声称更快，本身就有信息量；1B 模型压到 0.5GB 对手机端部署也够直接。分数定在 80，是因为概念够新、数字够具体，但验证...
这篇 ACL 2026 主会论文提出了 Spatial-Agent，核心思路是在用户用自然语言提问和调用地图工具之间，插入一张“地理流程关系图”（GeoFlow Graph），让大模型先规划出可执行的地理分析步骤，再一步步调用 API。在 MapEval-API 评测集上，搭配 GPT-4o-mini 的 Spatial-Agent 准确率达到 45....
推荐理由：ACL 主会论文，机制和数字都拿得出手，H 和 K 能过。但 GIS 工作流这件事本身圈子小，缺了成本、安全或平台竞争这些能出圈的点，R 就够不着，放在 featured 刚好。
马斯克说，1.5 万亿参数的 Grok V9-Medium 已经训完了，过几天开始做强化学习，计划两到三周后发布。Grok Build 现在支持同时跑 8 个子代理，上下文窗口拉到 25.6 万 token，还加了计划模式、竞技场模式、MCP 和 ACP。不过正文因为微信环境验证失败，具体技术细节和评测数据都没披露，这些功能实际效果怎么样还得等实测。
推荐理由：这条消息的钩子在于 xAI 解散的传闻和 Grok 上新同时出现，戏剧性够。马斯克亲自预告 1.5T 参数的 Grok V9-Medium，还给了两到三周的发布窗口，对盯着模型竞赛的人是个明确的信号。Grok Build 那边放出的 8 个子智能体、256K 上下文、Plan Mode 和 Arena Mode，说明他们在把智能体往实际业务流程里塞，不是只发个 API 就完事。我会先打个折：模型刚训完还没进强化学习，没跑分没对比，性能完全未知，这点先别太激动。但整体信息密度和时效性都够，放在 featured 里合理，给 82 分。
面壁智能放出了两个东西：一个叫 MiniCPM5-1B 的端侧小模型，和一个叫 ForgeTrain 的训练框架。1B 模型在 AA-Index 上拿了 17.9 分，这个分数说明小体量也能有不错的综合能力。更特别的是 ForgeTrain，它的训练代码不是人写的，是让 AI 自动生成的，跑出来的结果跟英伟达的 Megatron 框架对得上，而且在 H...
推荐理由：HKR 三项都踩中了：AI 写训练框架这个钩子够新鲜，不是又一个千篇一律的模型发布；AA-Index 17.9 分和比 Megatron 快 10% 的 H100 数据让信息有骨头；话题又落在开源小模型和端侧部署上，读者会想点开看。不过它毕竟不是旗舰模型发布，所以分数放在 78 这个区间是合适的。
这篇文章本身被微信环境验证挡住了，正文内容没抓到。从标题和现有英文摘要看，昆仑万维发了两个模型：SkyClaw-v1.0 和 SkyClaw-v1.0-lite，主打 Agent 场景，也就是让模型进业务流程干活。他们宣称 SkyClaw-v1.0 的输入成本是 DeepSeek V4 Pro 的 1/24、Sonnet 4.6 的 1/43，这个数字...
推荐理由：这条消息我会先打个折，因为所有性能对比和成本数字都来自厂商自己，没有第三方验证。但它的传播点很清晰：一个国产 Agent 模型宣称能力接近 Claude Opus 4.6，同时把输入价格压到对手的四十分之一，还白送几周试用。对正在被 Token 账单压得喘不过气的团队来说，哪怕只是“声称”，也足够让人点进去看一眼。正文没披露这些基准测试的具体条件和评测机构，所以“逼近 Opus 4.6”先别太激动，但成本对比如果属实，确实挺省钱。
作者在中美两头跑，发现两边的普通人都在被同一种不安笼罩：技术跑太快，红利不一定轮到自己。文章用滴滴司机钻算法空子、美国送餐员抢单的例子开场，指出 AI 在两国都加剧了职场监控、情感孤独和无力感。美国超七成青少年拿聊天机器人当陪伴，中国预计到 2030 年独居人口达 2 亿，AI 伴侣成了孤独的速效解药。科技精英忙着追逐风口和 AGI，普通人却用“社畜”...
推荐理由：这篇不是产品发布或模型论文，是一篇评论，但两个社会数据点和一个中美对照的框架让它有信息量。我会先打个折，因为正文没披露具体调查方法和样本量，数字的可靠性没法验证。不过它把技术趋势和人的孤独感直接挂钩，对从业者理解应用场景有启发，放在 featured 里当一篇有观点的解读是合适的。
Reddit 上一位律师分享了自己用 12 块 32GB 显存的 SXM V100 显卡搭建本地 AI 集群的进展，专门用来起草法律文书。核心模型是 Qwen3.5-122B-A10B，在 4 块 V100 上推理速度大约 50 token/秒。这套流程里还加了一个“验证器”，会在最终文件使用前自动拦截没有真实来源的引用、日期和 Bates 编号（案件...
推荐理由：这是一篇来自Reddit的第一手实验记录，不是厂商通稿。律师自己攒16块V100跑Qwen 122B做法律文书，速度约50 tok/s，还加了引用和日期验证器来拦截幻觉，信息量扎实。我会先打个折：来源是个人帖子，权威性有限，所以放在featured低段而不是p1。但HKR三项全中——故事性强、有可复现数字、切中本地部署和合规痛点，对想自己动手的团队是个不错的参照。
爆料说苹果下一代 Siri 的核心换成了一个定制的谷歌大模型，参数规模 1.2 万亿，比大家猜的 Gemini 3.5 Flash（约 3000 亿参数）大好几倍。复杂任务会交给这个大模型，简单查询还是留在手机上跑。苹果现在最头疼的是日常问题的响应速度，大模型再聪明，回慢了也没人用。另外，下个月 WWDC 可能会官宣 Apple Intelligenc...
推荐理由：这篇就一个 X 上的爆料，给了些架构细节但没附源文件、没提上线时间和功能范围，所以我会先打个折。1.2T 参数这个数字挺具体，但正文没解释是总参数还是激活参数，也没说模型怎么裁出来给手机用。简单查询跑本地、复杂任务走云端这个分工听着合理，不过延迟到底压到多少、在哪些机型上能跑都没交代。这点先别太激动，等有实测或官方确认再往上调。
xAI 把 Grok Build 的测试版开放给了所有 SuperGrok 和 X Premium+ 用户。这次主要给了三个东西：Plan Mode 可以分步骤拆解任务；Imagine 模块能直接生成图片和视频；还有一个命令行工具（CLI），方便你把 Grok 接进自动化流程或者编排器里干活。想试的话去 x.ai/cli 就能开始。
推荐理由：HKR 三项都踩中了：xAI 放出一个付费测试版，功能名目列得清楚。分数卡在 featured 底线，因为正文没写能力边界、没给定价、也没测试数据，我会先打个折——东西看着热闹，但能跑多稳、花多少钱，现在还不知道。
这篇帖子直接点破：小模型搭的智能体方案没成为主流，跟技术能不能跑通关系不大，核心是商业风险和验证成本。作者举了两个例子——Gemma 4 31B 在 tau2-bench 上能跑到 86.4% 的准确率，DeepSeek V4-Flash 的输出 token 价格差不多是 Claude Opus 4.6 的 89 分之一，单看指标和成本都挺能打。但问题...
推荐理由：这篇文章的切入点挺刁钻——小模型 agent 栈没普及，不是性能不行，是验证层掉链子。它拿 Gemma 4 31B 在 tau2-bench 上 86.4% 的成绩和 DeepSeek 低到离谱的输出成本说事，数字本身有说服力。但更值得盯的是那个 7-9B 模型做验证时，一半到三分之二的正确答案推理链其实有缺陷，这个发现直接动摇了用小模型兜底的信心。来源是 Reddit，权威性要打个折，所以分数没给到顶，但话题本身对做 agent 落地的人很解渴。
作者 superSmitty9999 放出了一个概念验证工具 ai-sandbox-manager，用 LXC 模板给 Codex 开了 sudo 权限、浏览器操作、Docker 和共享 GPU 访问，同时加了个钩子阻止 git push，让模型在隔离副本里干活，降低把系统搞崩的风险。正文没披露性能开销和具体延迟数据。
推荐理由：这是个 Reddit 上的个人概念验证，作者把 Codex 塞进 LXC 沙箱，给了 sudo、浏览器和 GPU，还加了防 push 的钩子。思路很实用，解决了“让模型干活又怕它闯祸”的矛盾，但正文没给任何性能数据、稳定性测试或实际跑任务的案例，目前只能当个有趣的工程方案看，离生产环境还有距离。
正文页面被微信环境验证挡住了，看不到具体技术细节。从标题和摘要看，Reasonix 这个工具用了一种“只追加不修改”的循环机制来给 DeepSeek V4 做缓存。在长代码会话场景里，缓存命中率报到了 99.82%，相当于模型每次生成新内容时，前面绝大部分上下文都不用重复计算。一个原本要烧掉 400M token、花 61 美元的任务，用上这套缓存后账...
推荐理由：Reasonix 这个工具把 DeepSeek V4 长会话的缓存命中率拉到 99.82%，账单直接打两折，从 61 美元降到 12 美元。对用 DeepSeek 跑长任务的团队来说，成本降幅很实在。不过正文没披露测试场景的会话长度和任务类型，也没说这个命中率在不同负载下稳不稳，所以先别当通用结论。
这篇博客把智能体拆成了三层：模型（就是大语言模型本身）、脚手架（通过提示词和工具描述来定义模型的行为逻辑）和线束（负责实际跑模型调用、工具调用和控制循环的代码）。作者认为现在行业里这些词被混用得厉害，比如有人把整个智能体叫脚手架，有人把执行层叫线束，这篇就是想给个实用的参照，不是要定死标准。文章还顺带理了上下文工程、策略、技能、子智能体这些常被模糊使用...
推荐理由：Hugging Face 这篇把 agent 拆成三层：模型本身、Scaffolding（定义行为）和 Harness（管工具调用与控制循环）。这个分法解决了一个很实际的痛点——现在聊 agent 的人经常把“怎么调用工具”和“谁在控制循环”搅在一起，文章直接划了条线。我会先打个折：正文没给出具体的实现案例或性能对比，更像概念梳理，所以重要性停在 72 分。对正在搭 agent 架构的从业者来说，这篇能当一张参考图用，但别指望它直接告诉你代码怎么写。
这次攻击同时在 npm、PyPI 和 Crates.io 上投放了 34 个恶意包，目标是偷加密货币、AI 和安全开发者的钱包、SSH 密钥和云凭证。手法不是直接藏恶意代码，而是给流行开源项目提 Pull Request，往里面塞被篡改的 CLAUDE.md 和 .cursorrules 配置文件。开发者把仓库拉到本地后，Claude Code 或 C...
推荐理由：HKR 三项全中。AI 编程助手成了执行恶意指令的载体，34 个恶意包横跨三个主流仓库，手法和规模都有新鲜感。我会先打个折：正文只给了攻击手法和包数量，没披露 IOC、时间线和受害者规模，所以分数卡在 78–84 这个区间，不往上拉。
一位 Reddit 用户分享了怎么在 llama-server 自带的网页界面里，直接用 llama.cpp 的原生工具实现联网资料检索（也就是 web RAG）。他的做法分七步：先开启 get_datetime 和 exec_shell_command 这两个工具，然后让模型通过 firejail 沙箱、一个独立的 Linux 用户以及一个 Alpi...
推荐理由：这是一篇社区教程，不是模型发布或产品更新，所以权威性和覆盖面有限，但实操价值高。H、K、R 三项都成立：动手门槛低、步骤清晰、切中本地部署的痛点。我会先打个折，因为来源是个人帖子，验证强度弱，但信息量足够放进精选。
这篇文章讲的是 Meta 裁员后没走的人日子也不好过。公司开始把一些工程经理重新赶回一线写代码（IC 岗），同时把部分做基础设施和 AI 的工程师调去搞数据标注。文章提到一个关键数字：经理和下属的比例从以前的 1:8 直接拉到了 1:50，说明管理层被大幅压缩。另外还爆了个料，说 Meta 持有数据标注公司 Scale AI 49% 的股份，但正文没展...
推荐理由：这篇不是常规的裁员报道，而是抓了一个更具体的信号：幸存下来的工程师被塞进数据标注岗，工程经理退回一线写代码。我会先打个折，正文没披露转岗规模和持续时间，所以没法判断这是临时缓冲还是长期降级。但经理下属比从 1:8 拉到 1:50 这个数字，加上 Meta 是 Scale AI 大股东，让整件事看起来像在用内部人力对冲外包成本。对从业者来说，这比丢工作还难受——留下来了，干的活却更边缘。
Verkor 的 Design Conductor 用一段 219 个英文单词的规格说明，在 12 小时内自动生成了 VerCore RISC-V CPU 的 ASAP7 7nm GDSII 版图，中间没有工程师介入。跑分结果是 1.48GHz 下 CoreMark 拿到 3261 分。不过先别太激动：这颗芯片还没实际流片验证，而且正文明确说没做缓存，...
推荐理由：我会先打个折：VerCore没流片、没缓存，现在只是跑分和版图层面的演示，离真能用还差验证和量产。但219词出GDSII这个点太直观了，12小时和1.48GHz也让效率对比有了抓手。正文没披露功耗、面积和设计规则检查结果，这些缺口让“独自跑完”的说法要打问号。不过作为自动化流程的阶段性成果，数字够硬、场景够刺激，给79分合理。