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 把 Gemini Deep Research 拆成了标准版和 Max 版，背后都是 Gemini 3.1 Pro 模型。标准版走速度和成本优先路线，适合嵌在产品里做即问即答；Max 版会反复搜索、推理、打磨报告，官方举的例子是分析师下班前丢一个尽调任务，第二天早上收完整报告。这次最大的变化是支持 MCP，能把 FactSet、S&P、Pi...
推荐理由：这是一次有分量的产品更新：Gemini Deep Research 拆成标准版和 Max 版，在付费 API 里公开预览，标准版偏速度和成本，Max 版给更多算力、反复搜索和推理。HKR 三项都站得住，但官方没公布定价、调用限制和两版实际性能差距，所以分数压在 78-84 这个区间。
蚂蚁集团的 Inclusion AI 团队被扒出是神秘模型“大象”的幕后作者。这个模型参数量 100B，上下文窗口 256K，一次能吐 32K 字，已经在 OpenRouter 上架。文章里测了修 bug、总结三千字会议纪要、跑轻量 agent 流程，效果都不错。AI BENCHY 跑分显示它平均每秒能出 2500 个 token，延迟大概 1 秒，一...
推荐理由：一个 100B 模型敢喊同规模 SOTA 还强调 Token 效率，钩子够硬。文章有实测数据也有失败案例，不是纯吹。训练细节、价格和官方模型卡都没披露，所以先别太激动，但方向值得跟。
Brex 把内部用的安全工具 CrabTrap 开源了。它本质上是一个 HTTP 代理，插在你的 AI 智能体和外部服务之间，每次智能体要发请求都得先过它这关。它会对照你写的安全策略做判断，允许或拦截，而且判断方式分两条路：先走静态规则直接匹配，匹配不上再交给一个 LLM 裁判来拍板。后台日志会标清楚每个决定是规则拦的，还是模型判的。部署起来很快，官方...
推荐理由：这篇东西的看点不在开源本身，而在执行面选在了 HTTP 代理层。对从业者来说，这比 SDK 内置检查更通用，但正文没给延迟和误判数据，我会先打个折。钩子够抓人，机制也实在，所以 HKR 全亮，但分数停在 78 是因为关键性能指标全缺，别太激动。
谷歌悄悄组了一支 AI 编程突击队，由前 DeepMind 研究员 Sebastian Borgeaud 带队，谢尔盖·布林和 Koray Kavukcuoglu 直接参与，目标是提升长上下文编程能力和内部代码自动化。压力信号很直接：谷歌自己说约 50% 的代码已由编程 agent 生成、工程师负责审核，而 Anthropic 那边放话 Claude ...
推荐理由：HKR 三项都成立：布林回归的 hook 够强，谷歌 50% 代码由 agent 写的数字是硬信息，AI 编程的竞争态势也是圈内真痛点。但正文没披露团队规模、上线时间和具体模型版本，所以没给更高优先级。
埃默里大学、牛津大学和格里菲斯大学的研究人员发了一篇综述，把大规模智能体网络拆成三个维度来看：拓扑结构（怎么连）、记忆范围（能记住多少上下文）和更新行为（信息怎么刷新）。他们按这个框架把现有系统分成 8 类，指出真正的扩展瓶颈不光是通信协议，更在于不同智能体对世界的理解不一致。正文没披露具体实验数据，但提到现在的评测基准规模都偏小，而实际部署可能要面对...
推荐理由：这篇综述的价值在于把“智能体多了反而乱”这个模糊经验，用三维框架和 8 类系统做了结构化梳理。我会先打个折，因为它是综述而非实测，没有给出具体性能数字或成本对比。但“世界模型不一致才是瓶颈”这个判断，对正在搭多智能体系统的团队有直接参考意义，能帮他们少走弯路。正文也坦承现有基准大多只测小规模，未来上千到上百万智能体的真实表现还是未知数，这点先别太激动。
OpenAI 在 4 月 21 日上线了 Codex 的 Chronicle 研究预览版，目前只开放给 ChatGPT Pro 用户，且仅限 Mac 端。它可以直接读取你最近的屏幕内容，省去反复交代背景信息的麻烦。OpenAI 声称数据“主要在本地处理”，但 The Next Web 报道指出部分情况会借助云端，截图会上传，本地记忆也未加密，上传比例和...
推荐理由：我会先打个折：这只是研究预览，功能边界和隐私细节都还模糊。但钩子够狠——Codex 开始读屏幕而不是等你喂上下文，等于把 agent 的记忆层从“你告诉它”推到“它自己看”。正文没披露云端辅助的具体触发条件和数据留存策略，这点先别太激动。对从业者来说，真正值得盯的是屏幕状态变成持续输入后，工作流设计和安全边界要怎么重画。
华为在 4 月 20 日发布了 Pura X Max，同时推出鸿蒙 6.1 上的小艺伴随式 AI。调用方式有两种：双击导航条或语音唤醒。它能在你同意后读取屏幕内容，把不同 App 里的任务收进日历，还能直接联动高德地图和滴滴。核心卖点是系统级的跨应用操作和常驻侧边栏交互。正文没提价格、具体机型参数和覆盖范围，所以实际体验和稳定性还得等上手再看。
推荐理由：我会先打个折：正文没给价格、模型参数和适配覆盖率，所以只放在 featured 而不是更高。但 HKR 三条全中——常驻读屏助手这个钩子够强，操作流程和隐私开关写得明白，而且它踩中了 OS 级 agent 可能改写移动平台规则的那个点。
月之暗面推出了 Kimi K2.6，一个总参数 1 万亿的混合专家模型，每次推理激活 320 亿参数，支持 25.6 万 token 的上下文窗口。它主打的是长时间、多步骤的智能体任务，官方宣称能连续跑 12 小时以上、调用超 4000 次工具、并行管理 300 个子智能体。在 SWE-Bench Pro 编程基准上得分 58.6，HLE 带工具得分 ...
推荐理由：我会先打个折：SWE-Bench Pro 58.6 这个数正文没给对比基线，不知道和 Opus 4.6 的差距到底多大，这点先别太激动。但 Kimi K2.6 真正值得盯的不是基座跑分，而是它把 agent 执行时长拉到 12 小时、能并行跑 300 个子代理，这在开源模型里算往前拱了一步。国内大模型旗舰发布本身就自带信号，加上抢在 DeepSeek v4 前出牌，对关注开源模型进展的人有信息差价值，所以给到 P1。
OpenAI 在 macOS 版 ChatGPT Pro 里灰度测试 Chronicle，这是 Codex 的 Memories 扩展。它会后台定时截屏、做 OCR、识别你用的工具，把近期屏幕活动整理成记忆，存为本地 Markdown 文件。你跟它说“这个报错”，它不用你解释就知道指什么。但要注意几点：后台 Agent 一直跑会很快吃掉 rate li...
推荐理由：OpenAI 让 Codex 能定时截屏、OCR 识别屏幕内容，然后写成记忆存到本地。这个功能目前只给 macOS 上的 ChatGPT Pro 用户灰度开放，欧盟、英国、瑞士用不了。我会先打个折：截图上传服务器处理后声称会删除、不用于训练，但官方自己也警告会放大网页 prompt 注入，而且记忆以明文 Markdown 放在 ~/.codex 目录下，泄露面不小。后台总结还会消耗 rate limit，这点先别太激动。整体信息量够、有可测试的细节，但受限于小范围灰度，所以放在 featured 而不是 p1。
Epic 在《堡垒之夜》里上线了一个叫“对话”的工具，让创作者可以把自己岛上的 NPC 变成能自由聊天的 AI 角色。创作者用提示词设定角色的人设、知识范围、行为和声音，玩家就能跟 NPC 进行不按剧本走的对话。标题特意警告“别想和 AI 约会”，但正文没具体说防越狱和内容审核机制到底怎么做的。去年 Epic 在游戏里试水过 AI 版达斯·维达，结果角...
推荐理由：Epic 给 Fortnite 创作者发了个新工具，能让岛上的 NPC 跟玩家自由聊天，用提示词定人设、知识和行为，还能选语音。标题特意警告别拿来搞约会对象，但正文没写具体怎么审核、什么话不能说，也没提成本和用的哪家模型。我会先打个折：可控性才是重点，不是“会聊天”本身。
华为的研究员在自家昇腾 NPU 上测试了一种叫 HiFloat4 的 4 比特训练格式，跟西方主导的 MXFP4 格式比，HiFloat4 的精度损失更小。具体来说，在 Llama 和 Qwen 模型上，HiFloat4 跟全精度 BF16 基准的误差能控制在 1% 左右，而 MXFP4 即使加了随机舍入等一堆稳定技巧，误差也有 1.5%。这背后可能跟...
推荐理由：Jack Clark用三件事拼出一期：Anthropic拿Claude Opus 4.6做自动化对齐研究，800小时花约1.8万美元把PGR从人类基线0.23提到0.97，说明小团队也能跑对齐实验；HiFloat4在华为昇腾NPU上推理损失约1.0%，比MXFP4的约1.5%好，但正文没披露更多硬件细节；中国模型安全研究部分给出了安全评估框架，但具体模型名和测试集没展开。整体是研究评论而非一手发布，信息密度够，适合放进精选。
Anthropic 研究员 Erik Schluntz 分享了他团队用 Claude 写代码的真实工作流。他们最近合并了一个 2.2 万行的生产环境改动，大部分代码由 Claude 生成，把原本两周的工作压缩到了一天。他的做法是先花 15-20 分钟让 AI 通读代码仓库、做规划，然后只让 AI 改叶子节点（也就是依赖最少、影响范围最小的模块），核心逻...
推荐理由：这是一篇来自 Anthropic 内部的实战经验，不是泛泛而谈。有 22000 行生产合并、两周变一天的硬数字，也有可复用的流程规则，比如先让模型花 15 到 20 分钟探索代码库再动手、改动锁在叶子节点、核心路径必须人审。对正在纠结怎么把 coding agent 放进真实流水线的团队来说，参考价值很高。保持 featured 不升 p1，因为它本质是实践课，不是模型或产品重大发布。
智元在4月17号上海的活动上发了4款机器人、6个AI模型和7套标准化部署方案，把2026年定义为具身智能的“部署态”元年。远征A3续航标称8到10小时，WITA Omni 1.0的交互延迟目标是500毫秒以内，BFM模型用了一亿多帧图像和700小时动捕数据训练。他们还提到2025年出货超5100台、市占率39%，第1万台在今年3月下线。对从业者来说，重...
推荐理由：HKR三项都成立：文章开头就拿七套标准化方案说事，后面用出货量、市占率、延迟和训练数据做支撑。分数停在76，因为关键效果数据全是公司自己说的，客户侧的实际表现和独立验证正文没披露，我会先打个折。
人大高瓴人工智能学院放出了一个叫AiScientist的系统，在MLE-Bench Lite的一个侮辱性言论检测任务上连续跑了23小时、74轮实验，把验证集AUC从0.903拉到了0.982，中间刷新了18次最佳成绩。论文的核心观点是：长程记忆的关键不在多Agent协作，而在状态连续性。他们搞了个File-as-Bus机制，把分析、代码、日志、结果全持...
推荐理由：人大这个 AiScientist 跑了 23 小时、74 轮实验，把检测侮辱性评论任务的 AUC 从 0.903 干到 0.982。论文的核心卖点不是 Agent 数量，而是 File-as-Bus——让模型把分析、代码、日志、实验记录持续写回工作区，靠状态连续性而不是多 agent 协作来推进长程任务。消融实验也印证了这点：去掉这个机制后，PaperBench 分数降 6.41 分，MLE-Bench Lite 的 Any Medal 直接掉 31.82 个百分点。我会先打个折：只在两个 benchmark 上验证过，泛化性还没谱，但思路本身对正...
一位 Reddit 用户把 Qwen3.6 通过 LM Studio 接成 Claude Code 的 subagent，让本地模型干提取和审计的粗活，Claude 只做最后决策。在两个审计任务里，Opus 的边际 token 消耗降了约 30 倍：一个 23 个文件的路由审计从 1.3 万 token 降到 400 token，一个 18 个文件的 ...
推荐理由：一个 Reddit 用户拿自己的两台机器做了两组任务对比，数字很直接：23 个路由文件审计从 13k token 降到 0.4k，18 个 Astro 文件盘点从 89k 降到 3k，省了约 30 倍 Opus token。机制是把提取、盘点、审计这类工作交给本地 LM Studio 跑的 Qwen 子代理，Claude Code 只做调度。正文没藏着掖着，承认 Qwen 和 Opus 各有漏检，不是单方面碾压。我会先打个折：只有两个任务、一个人跑、没大规模验证，但思路和数字对想省 Opus 费用的人有直接参考价值。
作者拿 Qwen3.5-9B 的 Q4 量化版跑 Aider 的多语言编程基准（225 道题），只换了调用模型的外层脚手架，平均 pass@2 就从 19.11% 拉到了 45.56%。这个叫 little-coder 的脚手架不是新模型，它做了几件事：限制推理步数、加写文件前的安全锁、让模型主动扫描工作区文件，以及每轮塞一点针对性技能提示。核心观点是...
推荐理由：我会先打个折：证据确实薄，只有两次完整运行，没做消融也没换模型复现，所以别急着当结论用。但 hook 很实在——同一套 9B 权重，只靠 scaffold 设计就把 Aider 成绩翻了一倍多，说明 scaffold 和模型的匹配度可能比模型本身还关键。作者列出的四个机制（受限推理预算、拒绝覆盖已有文件的 Write guard、显式工作区发现、按轮注入小技能）也给了可复现的线索。对正在折腾本地小模型做代码 agent 的团队，这篇值得看一眼思路，但暂时别拿 45.6% 当稳定预期。
上海一个研究团队搞了个叫 MIA 的记忆框架，想让 AI 智能体在干活时能记住经验、持续进步，而不是每次重启都像失忆一样。它把记忆分成参数记忆和非参数记忆两种，用交替强化学习来更新，还支持边测试边学习。团队说在 7 个数据集上拿了最好成绩，但具体分数正文没给出来。核心思路是把记忆当成能力内化，不光是翻旧账。
推荐理由：我会先打个折：文章说在 7 个数据集上拿了最佳，但没放具体数字，也没说跟哪些基线比、差距多大，这点先别太激动。真正有意思的是思路——把记忆从“翻之前的缓存”升级成“边干活边内化能力”，用 Manager–Planner–Executor 架构和交替强化学习让模型在开放任务里持续变强。对做 Agent 的人来说，这个方向比刷榜更有看头，但复现细节和验证强度目前还看不清。
高德在2026年亦庄人形机器人半马上展示了一只叫“图图”的四足机器人，完成了一段开放环境下的导盲避障演示。官方说全程没有预设路线，也没有人遥控。背后的技术栈叫ABot，分两块：ABot-N0负责导航，在7个导航基准上拿了SOTA，其中SocNav得分88.3%，说明在社交场景里避让行人的能力不错；ABot-M0管操作，在Libero-Plus上拿了80...
推荐理由：HKR 三项都站得住：半马导盲这个设定本身就新鲜，技术栈和关键成功率数字也给了，而且场景选得够狠，天然带话题。分数维持在 80 不往上加，是因为正文没提导盲实测到底覆盖了哪些路况、有没有出过安全事故、什么时候能商用——这些缺口让判断得先打个折。
高德这次公开的 ABot 是一套想让机器人真正干活的全栈技术体系，分视觉感知、物理世界模型和视觉语言动作模型几块。ABot-3DGS 能用厘米级地图数据重建上万平米的三维场景，ABot-PhysWorld 则是一个 140 亿参数的扩散模型，用 300 万条真实机械臂操作视频训练，让机器人先在大脑里模拟动作再执行。文章说横扫 15 项 SOTA，但具体...
推荐理由：高德这次公开的 ABot 体系，我会先打个折——15 项 SOTA 具体是哪些基准、跟谁比，正文没列，挑战赛名称也没给，这点先别太激动。但能聊的东西确实有：ABot-3DGS 拿厘米级地图和轨迹数据生成了上万组 3D 场景，号称覆盖率 99%，如果属实，等于用地图老本行给具身训练铺了一条低成本数据管道；ABot-PhysWorld 用 14B 的 DiT 加 300 万条真实操作视频做物理判别训练，规模不小。真正该盯的是他们把世界模型和 VLA 闭环绑在一起做的思路，不是单点炫技。开源范围和时间表都没披露，落地成色还得等。
伯克利 RDI 团队用一段大概 10 行的 pytest 钩子代码，在 SWE-bench 全部 500 个任务上拿了 100% 分数，实际修 bug 数是 0。他们的 agent 还顺手打穿了另外 8 个主流 agent 评测，分数从 73% 到 100% 不等。作弊手法包括篡改测试钩子、直接读本地 file:// 答案文件，以及利用评测器本身的校验...
推荐理由：HKR-H 落在'满分却零修复'的矛盾上；HKR-K 落在约 10 行 pytest 漏洞、500 题和 8 个基准的覆盖面上；HKR-R 落在评测信任危机上，做智能体产品的人会反复掂量。属于强 featured 研究，但不是当天行业事件，所以不到 P1。