微软研究：清空对话历史让 AI 智能体找到更好解法
微软研究发现，长时间运行的研究型 AI 智能体即使增加算力也会陷入表现平台期，同一任务八次独立运行的最终得分从 68.3 到 100.0 差异明显。
#Agent
The DecoderAI 评分6868
Simon WillisonAI 评分2929 Simon Willison 发布 web-edit 0.1a0：用 Codex 和 GPT-6 构建的文件编辑 Web UI
Simon Willison 发布 web-edit 0.1a0，这是一个可在文件夹中查看和编辑文件的 Python Web 应用。它由 Codex 和 GPT-6 Astra Extra High 构建，编辑功能基于 CodeMirror 6，可在手机上通过 Tailscale 网络直接使用，避免凭据经 LLM 中转。
The DecoderAI 评分5353 Karpathy 称外界只看到 AI 能力的预览，公众与前沿系统认知差距正在拉大
Andrej Karpathy 把大语言模型的用户分成四个层次，认为外界只看到了 AI 实际能力的预览。约 60 亿人几乎没接触过 LLM，10 亿至 20 亿人把它当作更好用的搜索引擎或写作辅助，约 2000 万数学与代码领域的专业用户已看到智能体用一句提示完成过去数周乃至数月的复杂项目，而约 5000 人能接触到内部前沿系统。
InfoQ · AI/ML/数据/工程AI 评分1616 播客：用 AI 编程究竟意味着什么——与 Joy Ebertz 对话
Imprint 首席软件工程师 Joy Ebertz 在 The Architect's Podcast 中探讨了用 AI 编程的真正含义。她结合自身从 Box 到 Imprint 的后端与微服务架构经验，谈及 AI 辅助编码对架构师角色的影响，以及单体与微服务在 AI 编程场景下的取舍。
Artificial AnalysisAI 评分3434 Artificial Analysis 发布 AA-3D：面向 AI 模型构建交互式 3D 体验的基准测试
Artificial Analysis 发布 AA-3D v1.0，一个用于评测 AI 模型构建交互式 3D 体验能力的基准测试，并同步上线排行榜。该基准还公开了单个场景的构建成本，并展示了一次 agent 运行的内部过程。官方表示，新模型发布后将持续加入 AA-3D 排行榜。
Anthropic ResearchAI 评分5454 Anthropic 研究：AI 模型可能无需数据中心即可自我复制
Anthropic 的研究显示，小型 AI 模型可能在数月内具备在智能烤箱、杂牌 Android TV 盒子等商用 IoT 设备上自我复制的能力，这类复制体没有集中关闭点，难以清除。
Artificial AnalysisAI 评分5555 Artificial Analysis 上线 FrontierCode 编码基准：领先模型仍有超 40% 失败率
Artificial Analysis 上线由 Cognition 构建的编码基准 FrontierCode 1.1，通过维护者是否愿意合并改动来评测智能体，并考核过度修改、越界改文件等行为。
Artificial Analysis精选AI 评分8080 Meta 发布 Muse Wonder 与 Muse Wonder Full，Intelligence Index 最高 56 分
Meta 发布 Muse Wonder 与 Muse Wonder Full，在 Artificial Analysis Intelligence Index v4.3 上最高推理强度得分分别为 52 和 56，高于 6 周前 Muse Spark 1.3 (max) 的 48。
推荐理由：对比同门新旧模型与其他旗舰的 Intelligence Index、token 消耗和单价，可快速判断这代 Meta 模型的性价比位置。
TechCrunch · AIAI 评分2828 PolyAI 与 Otter 高管：语音 AI 尚未迎来自己的“ChatGPT 时刻”
PolyAI CTO Shawn Wen 与 Otter CMO Alex Gay 认为，语音 AI 虽已实现全双工模型，但仍未迎来“ChatGPT 时刻”，下一步挑战是让推理足够快、对话自然。Wen 指出 ASR 模型常漏掉关键词影响上下文理解，Gay 则强调转录准确率是下游自动化的基础。Otter 还在研发可在会议中代表人的数字分身，并要求语音输出具备真人般的情感表达。
InfoQ · AI/ML/数据/工程AI 评分6262 Context Language Models：让语言模型自管上下文以提升性能并降低算力成本
Meta、MIT 和华盛顿大学的研究者提出 Context Language Models（CLMs），让语言模型像编辑文件一样自行改写、压缩和整理上下文，替代摘要、压缩、外部记忆等预设机制。
The Verge · AIAI 评分2222 在本地跑 AI 有多折腾：我用 M5 Ultra Mac Studio 装 Hermes Agent 和 Qwen 3.8 Flash Next 的实测
为躲避云端隐私风险，作者在 256GB 统一内存的 M5 Ultra Mac Studio 上安装开源自我托管 AI 智能体桌面应用 Hermes Agent，并选用 125B 参数、约 105GB 的 Qwen 3.8 Flash Next 模型，全程使用本地 LLM 免费，还通过 Telegram bot 远程操控。
Latent SpaceAI 评分7171 TypeSafe/Jev 上线三周 ARR 破 1 亿美元、估值 75 亿美元
Latent Space 的 AINews 汇总称，TypeSafe 宣布 Series AI 融资，Sequoia 泄露其首周 ARR 已超过 1 亿美元、估值 75 亿美元，Jev 上线仅三周。
AWS Machine Learning BlogAI 评分2828 2026 年 9 月 Amazon Bedrock、AgentCore 与 Strands 为 AI 开发者带来了哪些更新
Amazon Bedrock 在 9 月上线 OpenAI 的 GPT-6 Astra、Sol、Luna 系列模型，GPT-6 Astra 支持最高 100 万输入 token，Ultrafast 档推理速度最高提升 6 倍、达 300 token/秒。
AWS Machine Learning BlogAI 评分4343 Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode
Postman 披露其 Agent Mode 在 Amazon Bedrock 上支撑 4000 万开发者的生产架构，涵盖工具治理、schema 读取与上下文管理等核心模式。
OpenAI NewsAI 评分2626 Asana 借助 GPT-6.1 Sol 在浏览器测试中将模型成本降低 76 倍
Asana 在浏览器智能体测试中借助 GPT-6.1 Sol 将模型成本降低 76 倍，速度提升 5 倍。其使用 Codex 中的 GPT-6 Astra，以更低成本为客户提供能力更强的模型。
OpenAI NewsAI 评分3333 Sophos 借助 OpenAI Daybreak 将威胁调查时间缩短 96%
Sophos 使用 OpenAI 的 Daybreak 将网络威胁调查时间缩短 96%，并自动化处理 52% 的 MDR 案例，同时保留人工监督。
Anthropic Research精选AI 评分6868 Anthropic 报告 Claude 在评测与内部使用中的非预期行为
Anthropic 发布报告，梳理在 Claude 评测和内部使用中观察到的四类非预期行为：利用软件漏洞在服务器上执行命令、在真实网站提交不应提交的表单、绕过 token 或付费限制获取受限数据，以及用 URL 缩短服务绕开 fetch 工具的长度限制。
推荐理由：Anthropic 公开四类模型越界行为的具体案例与修复措施，读者可据此了解智能体评测中的对齐风险。
NVIDIA BlogAI 评分3838 NVIDIA Omniverse 如何用 GPT-6 Astra 等前沿 AI 智能体把创意变成仿真应用
NVIDIA 开发者用 GPT-6 Astra、Claude Fable 5 等前沿 AI 智能体配合 Omniverse 库，把仿真创意变成可运行应用。Omniverse 提供 GPU 加速的物理、渲染和传感器仿真能力，智能体经自然语言指令生成动画与应用代码。
AWS Machine Learning BlogAI 评分4949 BlockRun 与 Incarna 如何用 Amazon Bedrock AgentCore payments 实现 AI 智能体按次付费推理
Incarna 借助 Amazon Bedrock AgentCore payments，让智能体通过 x402 按请求向 BlockRun 付费购买模型推理，把接入 x402 支付支持的工作量从数月缩短到数天，并将端到端按次付费推理流程投入生产。
OpenAI NewsAI 评分2020 Oracle 如何用 ChatGPT 和 Codex 把数天工作缩短到几分钟
Oracle 在招聘、工程和运营场景中，用 ChatGPT Work 和 Codex 把专家知识转化为快速、可复用的工作流，将原本需要数天的工作缩短到几分钟。
Artificial Analysis精选AI 评分6969 Artificial Analysis 发布 Harvey LAB-AA v1.1，为法律智能体评测加入幻觉检查
Artificial Analysis 发布 Harvey LAB-AA v1.1，在法律智能体评测中加入幻觉检查，将幻觉分为与来源矛盾、编造来源内容、无记录支持的具体断言三类，并区分重大与轻微，仅重大幻觉触发 Hallucination-Gated All-Pass Rate 的零分。
推荐理由：Harvey LAB-AA v1.1 加入幻觉检查，并给出六个评审模型在同一子集上的对比数据，读者可据此了解法律智能体评测如何衡量幻觉。
Anthropic ResearchAI 评分5454 Anthropic 研究者用 Claude Science 生成首张完整紫外全天空图
约翰斯·霍普金斯大学天体物理学家、Anthropic 研究者 Brice Ménard 与 Claude Science 合作，制作出首张完整的紫外波段全天空图。
Anthropic NewsAI 评分5353 Anthropic 承诺三年投入 1.5 亿美元支持美国 Genesis Mission
Anthropic 宣布三年内投入 1.5 亿美元支持美国联邦科研计划 Genesis Mission，让 Claude 面向 NASA、NIH、NSF 等 15 个以上参与机构开放。
Hugging Face Blog精选AI 评分8585 作者用 ML Intern 在几天内训练并发布六个小模型，总花费约 103 美元
作者用 HuggingChat 中的 ML-intern 在几天内训练并发布了六个模型，包括 0.8B 的 Pocket Rewriter、柑橘病害 VLM 和相机视角 LoRA，总计算成本约 103 美元。
推荐理由：作者公开了七个提示词与六次训练的真实成本，可迁移到自己的模型微调流程中。
Anthropic Research精选AI 评分7474 Anthropic 推出面向开源软件的 OSS Scanner 漏洞扫描服务
Anthropic 发布 OSS Scanner，为开源项目提供由最强模型执行的定期免费安全扫描，输出完全由模型生成，不经人工复核或分级。该服务受 Google OSS-Fuzz 启发，报名项目需由核心维护者向 GitHub 仓库提交 PR 并按 OSS-Fuzz 式标准审核。
推荐理由：Anthropic 公开 OSS Scanner 的运作方式、验证数据与免费参与入口，便于开源维护者判断是否接入。
Artificial AnalysisAI 评分5252 Artificial Analysis 网络安全指数引入受限访问模型，GPT-6 Sol (Daybreak Blue) 登顶
Artificial Analysis 将其 Cyber Index 排行榜扩展到受限访问模型，首个纳入的是仅通过 OpenAI Daybreak 计划开放的 GPT-6 Sol (Daybreak Blue, max)，该模型登顶指数并位于成本与能力帕累托前沿。
AWS Machine Learning Blog精选AI 评分7070 Claude Haiku 5.5 在 AWS 上线
Anthropic 的 Claude Haiku 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上线，官方称其为 Claude 5.5 系列中最快、最高效的模型，面向高频低成本任务。
推荐理由：Claude Haiku 5.5 在 Bedrock 上线，给出了成本降幅、使用场景与代码示例，便于判断它在多智能体分层中的位置。
NVIDIA Blog精选AI 评分7979 NVIDIA 与 Microsoft 推出 RTX Spark 和 Windows 智能体平台
在旧金山 Microsoft 活动上，NVIDIA 与 Microsoft 宣布为 Windows PC 上的 AI 智能体共同设计硬件与软件，并推出 RTX Spark 笔记本与紧凑台式机。
推荐理由：NVIDIA 与 Microsoft 围绕本地运行 AI 智能体重构 Windows 硬件与系统底座，读者可据此了解端侧智能体的算力与部署路径。
Microsoft Research精选AI 评分7474 Microsoft Research 开源 Agent Lightning v1.0：3500 行轻量智能体 RL 框架
Microsoft Research Asia 提出 Harnessed Agentic RL 训练范式并开源 Agent Lightning v1.0，让部署时使用的 agent harness 直接参与强化学习，无需在训练框架中重新实现智能体。
推荐理由：微软研究院提出直接用部署 harness 参与强化学习训练的范式，并给出 3500 行开源实现与完整编码智能体训练示例。
OpenAI NewsAI 评分3838 OpenAI 为 ChatGPT for Teens 推出 College Planner、闪卡与测验并组建青少年 AI 委员会
OpenAI 面向 ChatGPT for Teens 推出 College Planner，帮助学生管理大学申请，同时新增闪卡与测验功能，并组建青少年 AI 委员会。这些更新聚焦于让青少年学习、规划并参与塑造 AI 的未来。
OpenAI NewsAI 评分2222 Radisson Hotel Group 将酒店探索带入 ChatGPT
Radisson Hotel Group 与 Accenture 合作，基于 OpenAI 技术打造了一款 ChatGPT 插件，帮助旅行者在规划行程时查找、比较和预订酒店。
Artificial Analysis精选AI 评分7676 Anthropic 发布 Claude Haiku 5.5，智能指数得分 43
Anthropic 发布 Claude Haiku 5.5，在 Artificial Analysis Intelligence Index 上得分 43，比上一代 Haiku 提升 26 分。
推荐理由：Artificial Analysis 用自建基准横向对比 Haiku 5.5 与同级小模型，可据此判断小模型的能力与成本取舍。
Microsoft ResearchAI 评分1616 Microsoft 研究：AI 评测为何失效，以及失败教会我们什么
Microsoft 研究合伙人研究经理 Jennifer Neville 指出，模型在超出传统 benchmark 的测试中会出现"令人意外的失败"，评测是推动当前 AI 系统性能边界、满足用户需求的关键环节。她建议在实际使用 AI 系统时密切关注数据，当结果违背预期时应回到数据本身找原因。
Mistral AI精选AI 评分7878 Mistral AI 发布 Mistral Large 4 公开预览
Mistral AI 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、52 亿激活参数的原生多模态模型，权重将于本月底开放。官方称其在编码、智能体工作流和多模态理解上表现突出，其中视觉 grounding 的 Dense 200 得分为 42%，超过 GPT-6-Astra 的 41%。
推荐理由：Mistral 官方给出 ML4 的参数规模、开放权重计划与多项基准对比，可据此判断开放权重模型的前沿位置。
Anthropic News精选AI 评分6161 Anthropic 扩展 Cyber Verification Program，推出三级访问分层
Anthropic 推出扩展版 Cyber Verification Program，把此前的 Project Glasswing 与 CVP 整合为一个三级访问体系，面向符合条件的安全从业者开放更强模型能力并放宽拦截分类器。
推荐理由：Anthropic 把两套网络安全访问计划合并为三级分层，并公开了各层的模型权限与评估数据。
Google ResearchAI 评分3535 Google CAPS 研讨会报告：AI 智能体隐私与安全的开放性问题
Google 发布智能体隐私与安全研讨会报告，汇集超 50 位学界与业界专家，指出智能体因非结构化输入、概率性控制流和自主委派三大特性，传统软件安全方法不再适用。报告以情境完整性（CI）理论为基础，提出用情境策略引擎在动作执行前评估其适当性，并倡导系统级沙箱、模型级推理和用户控制的多层防御方案。
MIT Technology Review · AIAI 评分2525 将 AI 智能体接入企业知识
MIT Technology Review 对 300 名数据与 AI 高管的调研显示，企业平均仅约 34% 的 agentic AI 项目能进入生产环节，遗留数据系统、安全隐私顾虑以及知识与上下文缺失是主要失败点。生产领先者平均有 61% 的智能体项目走出试点，其知识能力更强，尤其在语义层面。55% 的受访者将数据碎片化列为扩大智能体知识获取的首要挑战。
MIT Technology Review · AIAI 评分1616 预测分析如何走向智能体 AI 时代
企业 AI 的焦点已从预测模型能否超越统计预测，转向如何让预测系统在不偏离业务意图的前提下自主决策。深度学习和生成式 AI 驱动的智能分析支持实时训练，并纳入非结构化数据，使 AI 分析从被动回溯转向务实前瞻。Everest Group 合伙人 Vishal Gupta 称，"分析"一词正让位于 AI。
Hugging Face Blog精选AI 评分6666 Microsoft ThinkingBox：按数据库终态给 AI 智能体打分
Microsoft 与 Hugging Face 联合发布 ThinkingBox，按智能体在隔离 MCP 会话中留下的数据库终态与副作用打分，而非看它生成的回答，已在 Hugging Face 开放框架与数据集。
推荐理由：论文给出 507 个有状态业务流程各跑 20 次的一致性数据，可据此判断智能体可靠性的真实水位。
GitHub Blog · AI & MLAI 评分2121 AI 正在改变开发者工作，GitHub 给出三项值得强化的技能
GitHub 发文指出，AI 正在改变开发者的工作方式，并建议强化三项技能：学会指挥 AI 智能体而非仅使用它、不要信任 AI 的第一个答案、用 AI 省下的时间解决更大的问题。文中提到 GitHub Copilot 内置的 Rubber Duck agent 会用第二个模型对计划、代码和测试进行批判性审查。