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 发了 Claude Opus 5.5，这是新 5.5 系列的第一个模型。官方说它在大多数任务上能追平之前的旗舰 Fable 5.1，但运行成本比 Opus 5 低了 40%，速度也快了约 30%。这次发布很少见地把写作改进放在了显眼位置：模型会把关键信息放在最前面，也更听你的风格指令，长对话读起来没那么累。Latent Space ...
推荐理由：Anthropic 发了新旗舰系列的第一个模型，声称性能持平 Fable 5.1 但便宜 40%，还把写作体验改进摆上台面——这对 Claude 重度用户是直接可操作的升级信号。没给 90 分以上是因为目前只有官方说法和 Latent Space 的初步观察，缺独立验证，先别太激动。
Anthropic 毫无预兆地放出 Opus 5.5，在终端操作和编程任务上跑分领先，但 max 档输出 token 量是 GPT-6 Astra 的三倍多。群友分析发现 high 档是性价比甜区：比 medium 多花 36% 的钱，智能指数涨 3 分，再往上边际成本陡增。两小时后 OpenAI 上线 Sol 和 Luna，Luna 输入价格打到每百...
推荐理由：Anthropic Opus 5.5 无预警发布，OpenAI 两小时后用 Sol 和 Luna 回击，一天内三次模型更新。日报提供了用户实测的 effort tier 性价比拆解和 prompt 迁移经验，信息密度高。扣分点：正文没展开 Sol/Luna 的具体跑分对比，但整体信号足够强，维持 featured。
OpenAI 在 GPT-6 家族里加了两个新模型：Sol 和 Luna。Sol 定位是干复杂编程和专业任务的，Luna 则负责速度快、量大的日常活儿。最直接的变化是价格——API 调用费比上一代 GPT-5.6 的推广价砍了一半，其中 Luna 的输出价格实际降了 58%，从每百万 token 1.2 美元降到 0.5 美元。性能上，Sol 在 Au...
推荐理由：OpenAI 一次放出两个新模型，还把价格砍到上一代推广价的一半，这个动作本身就值得上头条。Sol 的 Aura 分数和 Luna 的 0.5 美元输出价都是硬数字，能直接拿来判断性价比。我会先打个折——正文没给全量基准表，所以性能这块只能看单点，但价格信号已经足够强，做产品和做研究的人都会关注。
一项新研究把编程智能体的外层控制软件拆成了任务规划、上下文管理和动作接口三个独立开关，挨个测试。最扎眼的结果是：把预设的文件读写工具全撤掉、换成纯命令行后，Nemotron-3 550B 在代码修复任务上的成功率涨了 3.6 个百分点，单任务估算成本从 2.33 美元砍到 1.11 美元；但 Mistral-Medium-3.5-128B 的成功率却从...
推荐理由：这篇论文做了一个很干净的对照实验：把智能体的外层控制软件拆成任务规划、上下文管理和动作接口三个开关，单独拧动看效果。最反直觉的发现是，把预设的文件读写工具全撤掉、换成纯命令行后，Nemotron-3 550B 在代码修复任务上成功率涨了 3.6 个百分点，单任务成本从 2.33 美元砍到 1.11 美元；但 Mistral-Medium-3.5-128B 的成功率却直接掉了一截。这种同一开关、两个模型走向完全相反的结果，比单纯刷榜有信息量得多。正文没披露实验的统计显著性检验，这点先别太激动，但成本数字和成功率变化幅度已经足够让做工程的人重新审视自己...
Anthropic 发了新模型 Claude Opus 5.5，性能对标 Fable 5.1。价格降了不少：输入每百万 token 4 美元，输出 20 美元，缓存读取直接打四折到 0.2 美元。输出速度比上一代快 30% 以上，还有个 Fast 模式能再快 2.5 倍，但 token 价格翻倍。系统卡里提到一个安全演习：给模型一套模拟的公共包仓库登录...
推荐理由：Anthropic 旗舰模型更新，降价提速的幅度够实在，系统卡里那个安全演习的料也够猛。小遗憾是正文没列出 Opus 5 的原价做对比，Fast 模式翻倍定价也没展开说清楚。
Arena 放出了 OpenAI 两个新模型 GPT-6 Sol 和 GPT-6 Luna 的测试入口，目前还没公布评分。你可以直接去 Arena 让它们跑真实的智能体任务，然后投票，结果会进排行榜。正文没提模型规模、发布时间和定价，所以这些先别猜。
推荐理由：GPT-6 首次公开出现，两个变体在 Arena 上跑智能体任务，悬念和信号都很强。扣分是因为正文没提模型规模、发布时间和定价，目前只是一个测试入口，信息偏薄，所以分数我会先打个折。
OpenAI 在 GPT-6 系列里加了两个更省钱的模型：Sol 和 Luna。API 价格全部对折，Sol 输入/输出每百万 token 收 2/10 美元，Luna 只要 0.10/0.50 美元。Sol 在 AutomationBench 上开足马力拿到 33.2% 的分数，但每次任务成本只有 Claude Opus 5 的 9%；在 Agent...
推荐理由：OpenAI 官方发新模型，API 价格砍半，Sol 在 agent 基准上的成本只有竞品 9%，对整个行业的成本结构冲击很大。H、K、R 全中，定价和基准数据都给了。扣 3 分是因为正文没把 Sol 和 Luna 的能力差距说透，只知道 Sol 更强但贵，Luna 更省但弱，具体弱在哪没展开。
Arena 把 Claude Opus 5.5 放上了 Agent Arena，让模型直接干长链条的活——可以自己上网搜资料、读写文件、敲命令行。排行榜不只看输赢，用的是因果追踪，看它比平均水平强多少。正文没具体说 Battle Mode 怎么打，也没给任务例子，所以实际有多能打还得等实测。
推荐理由：Opus 5.5 上 Agent Arena 是本周最值得盯的第三方评测信号。因果追踪的排行榜设计比原始胜率多一层信息，但正文没给具体任务例子，也没说 Battle Mode 规则，实际能打程度还得等社区跑完再看——这点先别太激动。
Anthropic 在 OpenRouter 上放出了 Claude Opus 5.5，这是 5.5 系列的第一个模型。跟 Opus 5 和 Fable 5.1 比，它在让模型自己动手写代码、处理知识类任务和操作电脑这些场景上表现更好。上下文窗口还是 1M token，没缩水。价格方面，每百万输入 token 收 4 美元，输出收 20 美元，比 Op...
推荐理由：Anthropic 把 Claude Opus 5.5 放上 OpenRouter，是 5.5 系列首发，主打智能体编码、知识任务和电脑操作三项提升，对比对象是 Opus 5 和 Fable 5.1。上下文窗口保持 1M token，定价每百万输入 4 美元、输出 20 美元，比 Opus 5 便宜。三个维度都踩中了：时效性上这是当天消息，知识增量有具体对比和场景，相关性直接打中 Claude 生态里的开发者和 agent 用户。没给更高分是因为目前只有平台上线信息，缺技术报告和实测数据，实际提升幅度还得等第三方验证。
小米发了 MiMo-V2.6 系列，Pro 版在 Artificial Analysis 的智能指数上拿了 46 分，排开源模型第一。训练成本 300 万美元，按每次任务 0.13 美元算，性价比踩在了前沿线上。Flash 版主打效率，UltraSpeed 版输出速度拉到了 20 倍。技术报告讲了他们怎么在三个方向上堆强化学习的算力：一是用全异步架构把...
推荐理由：小米的 MiMo-V2.6-Pro 在 Artificial Analysis 开源模型榜上拿了第一，训练只花了 300 万美元，单次任务成本 0.13 美元，性价比踩在了前沿线上。Flash 版和 UltraSpeed 版分别补了效率和速度的位，技术报告还讲了全异步强化学习架构怎么堆算力。正文没提具体评测细节和实际业务场景验证，分数先按现有信息给。
过去几天 AI 编程圈出了三件事。ZCode 被发现在后台把整个项目连同 Git 历史打包加密，排队往云端传，快照里 .git 对象占了 86.6%，但官方说数据会立即销毁，目前没有第三方验证。HarnessTax 的评测把同一个模型 Claude Fable 5 装进不同框架跑题，官方 Claude Code 和极简框架 Pi 成功率几乎一样（97....
推荐理由：三条 AI 编程新闻绑在一起讲，每条都带一个能记住的数字。ZCode 上传 Git 历史是硬安全事件，有 ferstar 的取证报告和社区复现支撑；HarnessTax 评测暴露了框架包装对模型能力的干扰；微软的架构案例给出了一个省钱路线。HKR 全中，安全、知识和共鸣都到位。
Tim Dettmers 的 dlab 这周会开源一整套工具，目标是让前沿 AI 能在本地硬件上跑起来。他们放出了一个能自己优化 Metal 内核的智能体，把 Qwen 3.6 35B-A3B 模型压到每个权重只占 1.5 比特，在 Mac 上跑出了每秒 450 个 token 的速度。核心观点是，现在做研究的基本单位不再是单篇论文，而是一套能互相配合...
推荐理由：Tim Dettmers 在量化领域是核心人物，这次不是发论文而是直接甩工具链，数字也具体（1.5 比特、450 tok/s），可复现路径摆出来了。我会先打个折：目前只是博客预告，实际兼容性和稳定性要等代码放出来才知道，但信息量和话题性都够上 featured。
亚马逊以违反服务条款为由，禁止 Meta 的 AI 助手 Muse 在其平台上帮用户搜商品、比价和下单。具体违反了哪条条款，亚马逊没说。Muse 原本能替用户完成从搜索到结账的全流程，现在这些功能在亚马逊上全废了。这事把平台和 AI 公司之间的矛盾摆上了台面：当 AI 替人买东西时，流量和交易到底算谁的，规则还没定。
推荐理由：亚马逊封 Meta Muse，是平台和 AI agent 抢交易入口的第一次正面冲突，H、K、R 全中。但亚马逊没明说违反了哪条条款，信息有缺口，所以分数没打更高。
美国官员和研究人员发现，伊朗、中国以及以色列的私营公司正在用DeepSeek这类中国的开源模型，搭建能自己注册账号、发帖、评论的AI机器人，在Instagram、Facebook、X和TikTok上冒充真人带节奏。伊朗的行动冒充普通美国人，吸引了近8万粉丝；以色列公司IntelEye声称是在做安全测试，但买了1万个账号并启用了约1000个。Meta确认...
推荐理由：纽约时报独家报道，有具体数字和具名行为体，是开源大模型被用于自主影响力行动的第一个扎实信源。HKR三项都打满：画面感强、新事实密集、对安全从业者冲击大。没给更高分是因为目前只有Meta一方确认，缺少独立验证，而且中国这边的参与程度正文没展开说，只是提了用中国开源模型。
Dan McKinley 在演讲里说，整天跟大模型来回改提示词是条死胡同。他做面向消费者的 agent 时发现，哪怕用了结构化输出，模型还是会在一小部分请求里发疯，比如把标题字段塞满废话直到爆掉。他试出来的一个离谱解法是把字段名从“title”改成“heading”，暂时管用，但随时可能失效。他的核心观点是，提示词本身靠不住，得靠 pass^k 测试和...
推荐理由：Dan McKinley 拿自己搭消费者 agent 的实战经验说话，案例具体、判断尖锐。但这是个人演讲，不是正式论文，正文也没披露 pass^k 测试的通过率和规模，所以我会先打个折。
阶跃星辰推出了 Step 5 Preview，一个总参数量 6000 亿、每次推理激活 270 亿参数的混合专家模型。它支持 100 万 token 的上下文窗口和图像输入，主要瞄准让模型进业务流程干活的场景。在 DeepSWE v1.1 编程测试里拿了 67.7 分，超过了 Kimi K3 和 GLM-5.3，但落后于 GPT-6 Astra 和 C...
推荐理由：Step 5 Preview 是阶跃星辰的 6000 亿参数混合专家模型，在 DeepSWE v1.1 编程测试上拿了 67.7 分，小胜 Kimi K3 和 GLM-5.3，但还落后 GPT-6 Astra 和 Claude Opus 5 约 6-7 分。给了 78 分，因为这是国内模型在 agent 编程方向一次有具体数字的推进，但还没到改写行业格局的程度。我会先打个折：正文没提推理延迟和实际部署成本，100 万 token 上下文在实际业务流程里表现如何也未知，所以分数没给更高。
Z.ai 复盘了用 GLM-5.3 驱动的 Infra Agent 在国产芯片集群上部署推理服务的经历。核心发现是：只给 agent 一个端到端性能总分，它就会陷入盲猜循环，根本不知道代码坏在哪。工程师把验收和诊断拆开，用数值差异比对、执行时间线追踪和局部微基准测试搭了一套分层反馈体系，让 agent 能顺着线索定位到具体代码路径。文章用三个真实故障案...
推荐理由：Z.ai 用 GLM-5.3 在国产芯片上部署推理服务的复盘，把 agent 自动化卡壳的根因归结为反馈信号太粗糙，并给出了一套分层诊断的解法。概念新鲜、痛点尖锐，三个真实故障案例让方法论落地。分数没给更高是因为正文对部分技术细节（比如微基准测试的具体指标）展开不够，但整体对 agent 工程实践者很有参考价值。
Ben Swerdlow 让 19 个模型在《星际争霸：母巢之战》里互相对打，结果没有哪个模型能玩到新手以上的水平。Codex Astra 的 xhigh 版本以 18 胜 0 负排第一，但它靠的不是运营，而是早期派一个探机去骚扰对手工人，对面模型会花几十秒思考怎么处理，直接瘫痪。Grok 4.6 表现最差，xhigh 版本在 43 分钟里只发出了 6...
推荐理由：Ben Swerdlow 搞了个《母巢之战》模型对战测试，19 个模型互打，没一个能赢新手。Codex Astra 的 xhigh 版 18 胜 0 负排第一，但赢法不是靠运营，而是早期派一个探机去骚扰农民，对面模型会花几十秒想对策，直接卡死。Grok 4.6 最拉胯，xhigh 版 43 分钟里只发出 6 个有效动作。这个测试把模型在实时环境里的反应延迟和决策瘫痪暴露得很直观，数据也扎实，胜率、APM、单局成本都有。我会先打个折，因为这只是一个人做的非正式 benchmark，样本量和环境控制有限，但信号很强，值得从业者看一眼。
Meta 把它的 AI 助手 Muse 搬上了 Mac。跟手机版一样，它能读取你的文件、信息、日历、笔记和邮件，然后直接在原生应用里替你操作。权限是你自己按需打开的，涉及敏感操作时它会先问你一声。不过正文没提它背后用的是什么模型、反应快不快、能不能离线跑，所以目前只能把它当成一个能调用系统权限的聊天助手，离完全自主操控电脑还差得远。
推荐理由：Meta 把 Muse 搬上了 Mac，能读文件、日历、邮件，还能在原生应用里替你动手，算是桌面 agent 赛道又多一个玩家。但文章只讲了功能，没交代背后模型、响应速度和离线情况，所以目前只能当个能调系统权限的聊天助手看，离真正自主操控电脑还差一截。
开发者 ferstar 逆向分析了 Z.ai 的桌面编程助手 ZCode，发现只要登录，它就会把整个工作区——包括完整的 .git 历史、LFS 缓存、reflog 和全局配置——打包加密，然后传到阿里云 OSS。一个 345MB 的商业项目被压成了 313MB 的加密包，其中 .git 目录占了 86.6%。更关键的是加密方式：它用信封加密，对称密钥...
推荐理由：这是一次有实锤证据的安全披露，不是猜测。逆向分析把上传内容、加密方式和密钥归属都讲清楚了，对用 AI 编程助手的人来说是直接的风险警报。没给更高分是因为目前只涉及 ZCode 这一款产品，影响面还没扩大到整个 GLM 生态，但证据本身够硬，值得让开发者立刻检查自己有没有在用。