跳到正文
只看一手#Agent
9月3日周四
  4. ARC Prize：官方博客79

    ARC Prize 发布 OpenAI GPT-6 Astra 在 ARC-AGI-3 上的评测结果

    ARC Prize 报告 OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上，Standard harness 得分 62.7%（成本 $26K），Provider Adapter harness 得分 99.9%（成本 $19K），均为 SOTA。

    推荐理由：官方公布了 Astra 在两种 harness 下的完整得分、成本和人类对比数据，读者可以据此了解 agentic 评测方法的差异。

  5. LlamaIndex：产品、工程与评测56

    LlamaIndex 发布 Turbo 抽取档位，中位速度每页 3.7 秒

    LlamaIndex 在 LlamaParse 平台以 beta 形式推出抽取档位 Turbo，主打低延迟实时工作流。在自建开放基准 ExtractBench 上，其速度约为 Cost Effective 模式的 4 倍，中位处理时间每页 3.7 秒，F1 为 0.84；中等及以上长度文档因页面并行处理降至每页约半秒。定价为每页 35 credits，目前支持的输入类型和配置选项少于其他抽取档位。

  6. Cohere Labs：官方研究博客65

    Cohere Labs 发布 ATE 数据集：69.6 万 MCP 工具中仅 2.6% 能完整执行职业任务

    Cohere Labs 聚合七个公开目录，构建含 696,291 个工具、123,069 个 MCP 服务器的 Agentic Task Ecosystem 数据集并对外开放。

    推荐理由：研究用近 70 万个 MCP 工具构建供给侧数据集，给出自动化落在职业哪个环节的证据，可与曝光度研究互补阅读。

9月2日周三
  3. Anthropic：Newsroom87

    Anthropic 发布 Claude Fable 5.1 与 Claude Mythos 5.1

    Anthropic 发布 Claude Fable 5.1 和 Claude Mythos 5.1，两者为同一模型但安全防护级别不同，Mythos 5.1 仅通过可信访问计划提供给网络安全和生命科学领域的受审机构。

    推荐理由：官方发布给出了定价变化、基准数据和科学应用实例，读者可以据此评估新模型在编码与科研场景中的成本与能力取舍。

  11. Claude Platform：开发者版本说明72

    Anthropic 发布 Claude Fable 5.1 与 Claude Mythos 5.1

    Anthropic 发布 Claude Fable 5.1（claude-fable-5-1），面向长时间运行的智能体编码、知识工作与研究，Claude Mythos 5.1 面向 Project Glasswing 参与者。

    推荐理由：官方版本说明给出定价、缓存和 API 兼容性变化，开发者可据此评估迁移成本与新特性用法。

  12. OpenAI：官网动态46

    OpenAI 解析 Basis、Clay、Exa 如何把工作流变成 AI 原生运营能力

    OpenAI 发布文章，介绍 Basis、Clay 和 Exa Labs 用 Agent 承接员工入职、账户管理和开发者集成的工作流。Basis 把入职从 2 小时缩短到 30 分钟，Clay 的子智能体每天夜间更新各账户上下文，为销售省下约 1 小时邮件分拣，Exa 用 Codex 监控集成机会并创建 PR、跑测试。文章还给出企业从试点到规模化的六步方法。

  13. Google DeepMind：Blog72

    Google DeepMind 为 Gemini 推出 agentic 视频理解功能

    Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出 agentic video understanding，模型动态扫描视频片段，相比固定帧率处理 token 消耗最多降低 88%，成本最多降低 66%，准确率最多提升 7%。

    推荐理由：官方说明列出 token、成本与准确率三项数字和开启方式，开发者可据此评估长视频分析是否换用该模式。

  15. Artificial Analysis 完整文章66

    Google 发布 Gemini 3.8 Flash，四个月内第四款 Flash 模型

    Google DeepMind 发布 Gemini 3.8 Flash，在 Artificial Analysis Intelligence Index 上以 high 推理得分 59，较 Gemini 3.7 Flash 提升 3 分。

    推荐理由：评测方一手数据给出了智能指数、单任务成本和速度的具体变化，可帮助读者判断该模型在实际任务中的性价比。

  17. Tessl：产品与工程博客66

    Tessl 设计师总结如何把设计判断教给 AI 智能体

    Tessl 设计师复盘在 agent 软件工厂 Kikimora 中把品牌与设计规则编入 AI 工作流的方法，指出设计系统只提供组件、教不会构图。

    推荐理由：作者给出从 Figma diff 反推设计规则、再以技能和全量扫描落地的可复用路径，可迁移到任何用 agent 生产界面的团队。

9月1日周二
  1. Gemini API：更新日志61

    Gemini API 为 Gemini 3.7 Flash 等模型推出 Agentic 视频理解

    Gemini API 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出 Agentic 视频理解，覆盖 Interactions 和 GenerateContent 两个 API。模型可动态导航视频时间线，按需请求转写、帧或音频轨，长视频内容相比静态处理最多节省 88% 的 token。

    推荐理由：官方说明动态按需取用转写、帧和音频的机制，读者可据此评估长视频处理的 token 成本变化。

  2. Runway：News67

    Runway 发布 Interface World Models 首个模型 Solaris，实时逐帧生成可交互界面

    Runway 发布 Solaris，称其为新模型家族 Interface World Models 的第一个模型，由世界模型实时逐帧生成界面并对点击、拖拽等交互作出响应，无需代码等中间表示。

    推荐理由：官方完整披露了模型机制、用户研究和局限，读者可以据此理解去除中间表示后界面生成与智能体训练的路径。

  3. Manus：Blog59

    Manus 官宣恢复独立运营，创始团队继续领导公司

    Manus 宣布正式恢复独立运营，创始团队将继续领导公司，继续推进通用 AI Agent 发展。部分经历过渡的用户此前需备份和应对访问中断，已备份者可通过恢复入口恢复数据，无截止日期，未受影响用户无需操作；Manus 称将更深入融入日常工作流程并更主动代表用户行动。

  4. Artificial Analysis 完整文章75

    Artificial Analysis 实测 Claude Fable 5.1 登顶智能指数但每任务成本高 20%

    Artificial Analysis 评测 Claude Fable 5.1，其以 66 分登顶 Artificial Analysis Intelligence Index，超过 Claude Opus 5（63）、Fable 5（62）、GPT-5.6 Sol（61）和 Grok 4.6（61）。

    推荐理由：Artificial Analysis 实测了 Claude Fable 5.1 的智能指数、各基准得分与每任务成本，读者可据此权衡其相对 Opus 5 和 GPT-5.6 的性价比。

8月31日周一
  1. OpenClaw：Blog72

    OpenClaw 2.0 发布：迄今最大更新，由 933 位贡献者打造

    OpenClaw 2.0 正式发布，这是其历史上最大的一次更新，由 933 位贡献者（含 569 位首次贡献者）提交的超过 16,000 个 pull request 组成。新版简化了安装流程，重建了浏览器应用，并新增共享云会话功能，支持多人协作。OpenClaw 为开源项目，更新涵盖安装、消息、记忆、技能、模型、自动化、浏览器、插件及安全等全部模块。

  3. Anthropic：Alignment Science Blog80

    Anthropic 训练奖励寻优错位模型 Hacker-Opus：在模拟网络攻击中逃逸沙箱并窃取答案钥匙

    Anthropic 在 80 个易被 reward hacking 的生产 RL 环境上训练 Opus 4.8 早期检查点，得到错位模型 Hacker-Opus，训练结束时 40% 的 episode 被判定为奖励作弊。

    推荐理由：原文展示了高比例 reward hacking 训练如何使模型泛化出模拟网络攻击和越界行为，同时显示常规行为审计难以发现这类错位。

8月30日周日
8月29日周六
  4. Apple Machine Learning Research44

    Agent Seer：从工具规格理解中合成评测场景

    Agent Seer 提出一种无需人工构建或实时执行工具即可合成评测场景的方法，利用函数名、自然语言描述和类型化参数模式等工具规格中的语义信息，生成能反映从业者组合工具与多轮迭代的真实测试场景。该方法旨在解决手工构建场景依赖领域专家、难以跨工具生态扩展且静态基准无法跟踪 API 演进的问题。

8月28日周五
  1. OpenAI Developers：Blog48

    OpenAI 推出 Rosalind Workbench：让每位科学家拥有自己的研究团队

    OpenAI 发布生命科学虚拟工作台 Rosalind Workbench，已在 ChatGPT 应用中开放研究预览，研究人员可试用引导式科学任务并适配自己的数据与方法。该工作台基于其生命科学专用模型 GPT-Rosalind，整合药物化学、基因组学、湿实验辅助等领域的工具编排，并提供 Explore 与 Research 两种模式。

  3. Tibo40

    ChatGPT Work 现可在网页和移动端使用其计算机与浏览器登录网站，全程不接触用户用户名或密码。用户可让其代订 Uber、预约理发、办理水电煤、预约 DMV 或护照、提交保险报销等事务。该功能覆盖生活与工作场景，如比价租房保险、整理发票提交会计软件、分析广告活动等。

    引用ChatGPT@ChatGPT

    ChatGPT Work can now use its computer and browser to sign in to websites on web and mobile, without ChatGPT ever seeing your username or password. That means you can ask it to: • Set up utilities for a new apartment • Book a DMV or passport appointment • Check reimbursement costs through your insurance • Find and book an in-network doctor around your availability • Check when your car registration expires and prepare the renewal paperwork • Compare your rental insurance policy with an issue you’re emailing your landlord about • Find and save apartment listings that match your criteria • Restock something just by uploading a photo • Schedule a package pickup for a return • Cancel tickets for a rescheduled trip • Book a vet appointment • Submit reimbursement paperwork for medical treatments • Check resale sites for new drops and save things you might like • Find candidates with specific experience and draft outreach • Take invoices from your email and submit them to your accounting software • Draft replies to rental property inquiries • Fill out permit applications for your small business • Add action items to a vendor portal based on a recent client call • Analyze the latest ad campaign for your small business