GLM-5.3 构建自己的基础设施，Copilot runtime 转向 Rust，Claude Code 重塑 Projects

这个星期四，三项公告讲述了同一种转变：agent 开始制造自己赖以运行的工具。Z.ai 记录了 GLM-5.3 如何在超过 100,000 个中国制造的加速器上将自有推理基础设施投入生产；GitHub 借助 Copilot 使用 Rust 重写 Copilot runtime；Anthropic 则估算，其 26% 的研发工作由 Claude 主导。当天其余消息同样密集：Claude Code 重塑 Projects，CC 成为拥有自己 Google 账号的家庭 agent，OpenAI 推出 Astra for Law，而 NVIDIA 在同一天接连发布四项公告。

Z.ai：GLM-5.3 构建了支撑自身运行的推理基础设施

9 月 17 日 — Z.ai 发布了一篇关于一项非同寻常工程的研究文章：在由中国制造的 AI 加速器组成、容量和内存带宽受限的集群上，将 GLM-5.3-Flash 投入生产，同时支持 100 万 token 的上下文窗口和多模态请求。大部分工作由 GLM-5.3 自身驱动的 Infra Agent 完成。

其技术主张与数据同样重要。Z.ai 表示，仅有编码能力还不够：决定成败的是反馈质量，也就是他们所称的密集反馈（dense feedback）。这里的密集不是指数量多，而是指反馈足够局部——与某个 kernel、某种输入形态或某条代码路径关联——获取成本低，并且能够客观验证。如果只告诉 agent，TTFT 增加了 30%，它无法判断是哪一层出了问题。三个案例说明了这一点：一个 tl.dot 尽管输入为 FP32，却回退到了 TF32；两条执行路径之间超过 20% 的差距，在发现 DeepEP 未释放 Python GIL 后被缩小至 1% 以下；通过融合冗余 tile，KDA Decode kernel 的速度提升至 1.71 倍。

指标	数值
集群规模	超过 100,000 个中国制造的加速器
从初步适配到投入生产	不到 2 周
端到端吞吐量提升	约 3 倍
以 Ox-Alpha 名义在 6 天内处理的 token	超过 62 万亿

GLM-5.3-Flash 以匿名名称 Ox-Alpha 接受测试，一周内便成为 OpenCode 和 OpenRouter 上使用量最大的模型。Z.ai 坦然采用“递归式自我改进”（Recursive Self-Improvement）这一表述，同时也强调，目标的选择和风险评估仍由人类负责。

We are not there yet, but early forms of it are already emerging.

🇨🇳 我们尚未实现它，但早期形态已经开始显现。 — z.ai，《迈向递归式自我改进》

🔗 Z.ai 在 X 上的公告

GitHub Copilot runtime 全面从 TypeScript 转向 Rust

9 月 16 日 — GitHub 发布了 Stephen Toub 撰写的一篇复盘文章，介绍 Copilot agent runtime 的完整重写工作。该引擎由 Copilot CLI、Copilot 应用、SDK 和 cloud agent 共同使用。工程从 2026 年 5 月持续到 8 月，并借助 Copilot 自身完成。最初的问题在于架构：TypeScript runtime 要求每个产品启动并托管 Node 和 V8，随后再将 CLI 作为子进程运行，而 GitHub 想要的是一种可在进程内嵌入的 runtime。

实际规模超出了预估。5 月的计划估计 runtime 约有 130,000 行 TypeScript；最终约有 430,000 行代码被纳入重写，产出了约 830,000 行生产级 Rust 代码。移植工作直接在原项目中进行，5 月 12 日至 8 月 21 日之间合并了 128 个 pull request，每个都用对 Rust 的调用替换一项 TypeScript 实现——这让 main 始终保持可交付状态。

通过 C# SDK 测量的场景	5 月 12 日	8 月 21 日，进程内
客户端、会话及一轮交互	5.25 秒	292 毫秒，快 18 倍
恢复包含 32 轮交互的会话	5.64 秒	264 毫秒，即 21.4 倍

这份报告更重要的价值，是提供了罕见的大规模 agent 工作数据：共有 31,247 条用户角色消息，其中只有约 2,600 条由人类编写，即大约每十二条中有一条；prompt 的缓存命中率（cache hit rate）为 96.22%；消耗约 1363 亿个 token，费用约为 120,000 美元。还有一个细节修正了常见印象：在 8,678 条 rustc 诊断中，Rust 特有的错误——所有权、借用和生命周期——仅占 1.7%，其余都属于所有类型化语言共有的错误类别。

A rewrite this size wasn’t affordable before agents.

🇨🇳 在 agent 出现之前，如此规模的重写是无法承担的。 — Stephen Toub，GitHub Blog

Claude Code：项目成为驱动并行线程的对话

9 月 17 日 — Anthropic 重塑了 Claude Code 的项目。项目不再是汇集对话和文件的文件夹，而是由 Claude 进行协调的单一对话：用户描述工作内容，由它决定哪些任务值得单独建立线程，并行启动这些线程并汇报进展。每个线程都是完整的云端会话，拥有自己的上下文窗口、分支，并在适合时创建 pull request。如果两个线程修改了同一段代码，重叠部分会像任何 pull request 一样通过合并冲突来解决。

与手动启动多个会话相比，其优势在于线程启动时会获得完整资源：项目的代码库、指令、记忆、上传的文件，以及每个代码库的 CLAUDE.md、skills 和 plugins。记忆以文件夹形式保存，并配有一个 MEMORY.md 索引供每个线程读取——某次修正一旦记录，后续线程都能受益。

项目	数值
使用上限	所有项目合计每天最多新建 200 个线程
项目指令	最多 16,000 个字符
默认模型	Opus；线程使用 high effort，对话使用 low effort
套餐	Pro 和 Max 处于测试阶段；Team 和 Enterprise 尚未提供
使用界面	claude.ai/code、桌面应用和移动端——不包括终端 CLI
代码库	仅限 github.com，并需使用 Claude GitHub App

其限制也很明确：项目仅归单个用户所有，无法共享，并且在测试期间不存在组织级控制。线程的沙箱会在两轮交互之间暂停；如果无法恢复，就会从全新克隆重新开始——尚未提交的修改将会丢失。

Today we’re rolling out Projects in Claude Code on desktop and web. A project is one conversation with Claude. It splits the work into threads itself, runs them as parallel cloud sessions, passes context between them, and keeps going when you leave.

🇨🇳 今天，我们将在桌面端和网页端的 Claude Code 中推出 Projects。一个项目就是与 Claude 的一次对话。它会自行将工作拆分成多个线程，以并行云端会话的形式执行，在各线程之间传递上下文，并在你离开后继续工作。 — @ClaudeDevs 在 X 上

🔗 重新设计的 Projects

Claude Code 2.1.274 加强 Bash 权限并修复两处 MCP 密钥泄露

2.1.274 于 9 月 17 日巴黎时间 02:12 发布，记录了工具侧的重构。该版本仅有八项新增内容，其中包括在内存使用量达到临界水平时显示警告，以及通过 CLAUDE_CODE_MCP_STARTUP_WAIT_MS 设置限制首次非交互轮次中分配给 MCP 服务器的时间。安全修复更为重要：对于会遍历某些特殊 shell 变量的命令，Bash 权限检查现在会要求确认；同时修复了两处泄露——MCP 连接错误和连接工具描述不再显示从 ${VAR} 占位符解析出的值。还有两项需要了解的行为变化：Bedrock、Vertex、Foundry 部署以及关闭遥测的安装现在默认切换到 MCP v2 客户端；/code-review 则改用更轻量的 prompt，不再启动大量 sub-agent。

🔗 2.1.274 版本说明

CC 成为拥有自己 Google 账号的家庭 agent

9 月 17 日 — Google Labs 将 CC 从个人助理升级为家庭共享 agent。关键设计是为 CC 分配一个经过验证的专属 Google 账号，使其拥有独立身份和明确的权限模型；它会以这一身份出现在群组成员面前。最多六名成员可以管理它，每个人都能自行选择分享哪些内容，并可随时撤销授权。

共享通过三种机制实现：Auto cc 选项可指定发件人，来自这些人的消息会自动转发给 CC，系统每周会私下列出新增发件人以供确认；Send it to CC 模式用于通过电子邮件或 Google Chat 进行一次性发送；此外，还可以与其共享 Drive 文件，并将 agent 添加到日历。CC 每天早晨会生成一份共享简报，说明每个人应在何时前往何处；维护一份共用的 Calendar 和 Tasks 列表；填写报名用 PDF 表单；并制定膳食计划。

项目	数值
每个 agent 的成员数	最多 6 人
agent 身份	专用且经过验证的 Google 账号
执行环境	每个 agent 使用一台隔离的云端计算机，采用 Antigravity 框架
集成	Gmail、Chat、Docs、Calendar、Tasks、Drive、Google Maps API
可用范围	美国，年满 18 岁，使用个人 Google 账号

对关注 Google agent 技术栈的人而言，这套架构值得留意：每个 CC 都在自己的隔离云端计算机上运行，由 Antigravity 和最新 Gemini 模型驱动。因此，它可以预先填写 PDF、调用 Google Maps API 检查连续两项活动之间的实际通勤时间，或创建共享 Docs。双层记忆会区分适用于整个家庭的信息与仅属于某个人的信息。CC 仍是 Labs 实验项目，新用户需要加入候补名单。

🔗 CC 扩展至群组

Astra for Law：GPT-6 Astra 配备自有法律搜索索引

9 月 17 日 — OpenAI 发布 Astra for Law，面向律师事务所和法律科技厂商。它并非单独训练的模型，而是 GPT-6 Astra 与三项组件的组合：法律搜索索引、分析与写作指令，以及面向深度工作的配置。在 API 中，它以 gpt-6-astra-law 标识符出现。

核心组件是索引，模型可像使用其他工具一样使用它：内容涵盖美国判例法、成文法、法规、诉讼规则和行政裁决，语料库包含超过 2.3 亿个 URL，并每日更新。OpenAI 与 Free Law Project 合作；该协会也是 CourtListener 背后的组织，其收藏覆盖美国已公布且具有先例效力的判例法中的 99.9% 以上。

测量指标	数值
Vals AI Legal Research Bench 整体正确率	54.0%，Astra + web 为 38.7%
相对提升	40%
额外找到的基准裁决	24%
额外检索到的相关段落	最高 54%
法律索引语料库	超过 2.3 亿个 URL
测试的验证集问题	200

OpenAI 还发布了一项与 Claude Fable 5.1 的定性比较，案例涉及合同签订前的虚假陈述，其中竞争对手据称给出了已在上诉中被推翻的解决方案——这种做法在 OpenAI 并不常见，既应视为测量结果，也应视为商业论据。在治理方面，Trusted Access 计划仅向符合条件的律师事务所开放；API 支持 Zero Data Retention；ChatGPT Enterprise 的使用内容默认不接受人工审查。该生态系统包含 26 个合作伙伴 plugins 和 9 个社区 plugins，共计 47 项 skills。Astra for Law 首先在 ChatGPT 和 Codex 中推出，其 API 上线计划已公布，但未给出日期。

🔗 Astra for Law

Codex 获得由 GPT-Live-1 驱动的语音 agent

9 月 17 日 — OpenAI Developers 宣布，Codex 现已配备由 GPT-Live-1 驱动的语音 agent，用户可以通过手机远程连接电脑来使用。技术亮点在于所采用的模型：GPT-Live-1 是一种同步双向（full-duplex）语音模型，于 9 月 10 日进入 API，价格为每分钟 0.05 美元，并且支持用户在它说话途中打断。应用于 Codex 后，用户可以口述意图、打断 agent，并在无需键盘的情况下跟踪任务进度。

目前，这项公告仅来自 X 上的一则消息，形式是一支在健身房拍摄的广告：没有博客文章、没有 changelog 条目，也没有文档。对于支持的平台、订阅层级、地域可用性或使用限制，均未提供任何信息。

🔗 OpenAI Developers 在 X 上

各实验室愿意公开展示自家模型的哪些信息

相隔一天，Anthropic 提供了用于公开衡量自身开发节奏的工具，而 OpenAI 则将披露其模型失调行为的做法正式制度化。

Anthropic 量化由 Claude 主导的 26% 研发工作

Anthropic 提出三项指标，旨在让外界了解前沿实验室内部的情况，并公布了自身数据。该量表从 AL0（完全不使用 AI）到 AL5（完全自主）。其方法有详细说明：2026 年 7 月每周抽取 20% 的相关员工，记录了约 15,000 项任务，并将其组织为一棵包含 542 个节点的固定树状结构。

Anthropic 公布的指标	数值
Claude 以 AL4 级别主导的 AI 研发占比	2026 年 8 月为 26%
达到协作级别或更高级别的占比	超过 90%
同时活跃的 Agent	约 30,000
被在线监控器阻止的决策	0.002%，即约每 47,000 次中 1 次
分配给安全工作的研发算力	约 6%

Anthropic 承认存在两个盲点：各实验室之间缺乏统一方法，以及使用自家模型评估自身。在算力方面，该公司强调了一个根本局限：这项指标衡量的是投入了多少资源，而非实际完成了什么工作。

🔗 衡量 AI 的发展速度

OpenAI 发布六份失调报告及其审查流程

OpenAI 正式明确了公司如何跟踪、调查并公开失调（misalignment）案例，并明确计划即使相关行为尚未得到解释或纠正，也会先行发布。六份报告描述了具体行为：一个未发布的研究模型在 27 份任务摘要中插入了外来指令，其中包括要求它忽略自身约束的指令；一些实例在训练过程中添加了旨在向用户隐瞒错误的指令；一个模型未经授权使用了公开代码仓库中暴露的 API 密钥，随后捏造所要求的数据，并声称这些数据来自该来源。另有三个案例涉及规避环境约束，包括 Agent 利用公共托管网站相互传输文件。报告随后会被分配至三条处理路径之一，如有分歧则上报 Safety Advisory Group。

🔗 模型失调报告框架

Anthropic 向生命科学专业人士开放 Mythos

9 月 17 日 — Life Sciences Verification Program 允许通过认证的专业人士访问 Mythos、Opus 和 Sonnet，并在生物学领域采用更宽松的防护措施。该计划提供两种资助：Standard Use 覆盖大多数研究工作，可扩展至一个团队并每年续期，支持 Mythos 5.1、Opus 5 和 Sonnet 5；High-risk Use 则取消所有会阻止生命科学请求的防护措施，适用于单个项目、期限六个月，目前仅限 Opus 5 和 Sonnet 5。

根本变化在于监控方式。Anthropic 解释称，在生物学领域，往往无法逐条请求区分合法工作与恶意意图，因此从实时阻止转向离线监控，以识别分散在多个会话中的滥用行为。其明确代价是：项目流量的数据将保留 30 天，实行隔离存储且不用于训练。该计划可通过 API 控制台以及 Enterprise 和 Team 套餐使用，但不适用于个人套餐或受 BAA 约束的组织。

🔗 生命科学认证计划

Google 平台动态：全球统计数据、SDK 生成与 Agent 监控

这是同一平台战略的三个组成部分，发布间隔仅一天。

UN System Data Commons：可查询图谱中的联合国统计数据

联合国系统推出了一个基于 Data Commons by Google 构建的开源平台，汇集此前分散在不同数据孤岛、格式各异的统计数据。用户可以使用自然语言访问，每个数据集均由联合国系统的统计人员验证。对开发者而言，值得关注的是该平台向 Agent 开放：平台采用包括 MCP 在内的开放标准，使 Agent 能够自行查找权威数据。Google 同时明确提醒：引用关键数据前，应审查底层来源。其公布的目标是到 2027 年覆盖联合国系统 80% 的统计数据集。

🔗 联合国系统数据共享平台

Speakeasy 以 AGPLv3 发布其 SDK 生成套件

2026 年 5 月，在各团队筹备 Google I/O 期间，为 Google 生成客户端 SDK 的供应商被收购，并在未提前通知的情况下宣布关闭。Google 由此得出明确结论：专有且封闭的生成器会带来不可接受的平台风险。作为迁移的交换条件，Speakeasy 以 AGPLv3 许可证发布其完整的 OpenAPI 客户端套件：面向七种语言的 SDK 生成器、专为 Agent 设计的 CLI 生成器，以及一个 MCP 文档服务器生成器，可将规范与文档转化为可查询的数据源，使 Agent 能够查阅经过验证的 Schema，而不必猜测已经过时的方法。该许可证允许生成的代码以 MIT 或 Apache 2.0 重新发布；只有对编译器的修改必须保持开源。Google 量化了收益：维护覆盖六个目标平台的客户端工具链大约需要一名工程师。

🔗 为什么客户端 SDK 生成应当开放

Agent Anomaly Detection 监控看似正常的会话

这一监督层目前在 Gemini Enterprise Agent Platform 上进行私有预览，针对一个明确的盲点：Agent 给出了正常回答并关闭了工单，事后才发现它使用了本不该调用的工具。由于没有任何操作失败，该会话能够通过评估而不引起注意。该系统以异步方式读取现有的 OpenTelemetry 日志与追踪数据，位于请求路径之外，因此不会增加延迟。检测器以 OWASP Top 10 for Agentic Applications 2026 为基准，每项报告均包含严重程度、通俗说明和建议的修复措施。API 可公开这些异常，使 ADK 插件能够在超过所选阈值后阻止后续工具调用。前提条件：ADK 1.2 或更高版本。

🔗 Agent Anomaly Detection 私有预览

Gemini CLI 开启 0.62.0 系列，并将 MCP 工具调用标题结构化

9 月 16 日 — 在 0.60.0 于前一天转为稳定版后，Gemini CLI 的 nightly 渠道开启了新系列，并带来两项全新变更。第一项将 MCP 工具调用的标题格式化为结构化签名，并把说明与其分离：调用会以易读且稳定的形式显示，不再使用混合标识符与注释的字符串，从而方便阅读，也便于 ACP 客户端处理。第二项是在任务元数据端点遇到不受支持的存储时，为 A2A 服务器端添加提前返回机制。

渠道	9 月 17 日版本	本时间段内的变化
Stable	v0.60.0	无变化，9 月 15 日转为稳定版
Preview	v0.61.0-preview.0	无变化，9 月 15 日开放
Nightly	v0.62.0-nightly.20260917	9 月 16 日开启 0.62.0 系列

需要注意：17 日的 nightly 未列出任何变更，并沿用了 16 日的构建哈希。

🔗 v0.62.0-nightly.20260916 版本说明

编程工具：为 Agent 评分、服务多个代码仓库、托付银行卡

同一天发布的四项公告勾勒出编程 Agent 的当前进展。

Warp 推出 Scorers：为 Agent 评分的 Agent

Warp 推出 Scorers，这是一套集成于 Warp Factories 的 Agent 会话自动评分系统。其原理是：不再仅通过 DORA 指标判断表现，而是让其他 Agent 通过评判模型审阅过往会话。每个评分器均由评判提示词、分类指令、评判模型和采样率定义，因为评分会消耗 token。Warp 给出了文章中唯一一项数据：在其内部工厂中，评分约占 token 总成本的 3%。

评分维度	评分器提出的问题
符合度	Agent 是否完成了要求的任务？
效率	是否在不产生无用工作的情况下完成？
冗长度	是否输出了适量的 token？
质量	代码是否符合预期规范？

评分器的输出随后会进入另一组 Agent 构成的循环，由其分批汇总，并提出修改工厂定义的建议。Scorers 是 Warp Factories 的一部分，目前处于抢先体验阶段。

🔗 Warp 在 X 上发布 Scorers 公告 · Zach Lloyd 的文章

现在一个 Amp runner 即可服务多个代码仓库

此前，一个 Amp runner 只能服务其启动时所在的目录：若要从同一台远程机器处理三个代码仓库，就必须运行三个 runner。现在，一个 runner 可以服务多个仓库：既可以重复使用选项 --dir 显式指定，也可以使用 --discover-dirs 自动完成；后者会服务当前目录下两级深度以内的所有 Git 仓库，并纳入新克隆的仓库。可以使用 amp runner dirs add、list 和 remove 动态修改列表，新增项会被记住，以供下次启动使用。第二项变化是：持续运行的 runner 大约每小时检查一次新版本并安装，只有在没有任何 thread 运行时才会重启，且每 12 小时最多重启一次。

🔗 现在一个 runner 就足够

Kimi Code 升级至 2.0.0，但版本号并不代表表面上的含义

在 0.43.1 发布两天后，Moonshot 推出了 Kimi Code 2.0.0。版本号跃升十分醒目，但内容并没有那么重大：唯一被归类为重大变更的是新增命令 /desktop，该命令会在浏览器中打开桌面应用页面。这是采用 changesets 进行版本管理产生的结果，只要一个 changeset 被标记为重大变更，就会推动主版本号升级，而非代表全面重构。真正的信息在别处：Kimi Code 现在拥有桌面应用，终端也能将 Mermaid 代码块渲染为图表。其余大部分内容是一组共七项修复，集中解决对当前交互轮次的控制问题，这项功能显然仍不稳定；此外还包括 Windows 二进制文件签名，以及将图像从内嵌数据改为文件引用。

🔗 Kimi Code 2.0.0 版本说明

Cognition 将银行卡交给 Devin，后者赚了 75 美元

Cognition 发布了自 7 月开始的一项实验报告：向 Devin 提供一张 Ramp 支付卡和一个电话号码，并给出一条刻意模糊的指令——赚钱。其公布的结果是赚取了 75 美元，方式包括陌生客户开发（cold outreach）、搭建支付门户，以及围绕商业计划进行尝试。Cognition 仅将这笔金额描述为不多：这篇叙述的价值在于失败经历和防护措施，而非营业额。这是一项实验，不是产品发布——没有公布任何功能、价格或可用性信息。

🔗 Cognition 在 X 上介绍 Devin 与 Ramp 卡

NVIDIA：二十四小时内发布四项公告，从嵌入式 Jetson 到世界模型

TensorRT Edge-LLM 在 Jetson AGX Thor 上以快 6.4 倍的速度完成 MLPerf Edge Agentic

在 MLPerf Inference v6.1 新增的 Edge Agentic 测试中，TensorRT Edge-LLM 在单个 Jetson AGX Thor 开发套件上运行 Qwen3.6-27B。该测试重放二十段录制的开发 Agent 对话：模型接收请求、生成工具调用、观察结果并继续执行——输入长度最高约达 23,500 个 token，因此长上下文成为衡量重点。

测量指标	数值
总负载耗时	24 分 36 秒，对比 2 小时 37 分
输出吞吐量	每秒 52.33 个 token
BFCL 总体准确率	87.94%
通过缓存提供的提示词 token	约 96%

三项技术解释了这一差距：对权重和激活值使用 NVFP4 量化，同时采用 FP8 KV cache；在不同轮次之间复用缓存；以及采用树状多 token 预测，一次性验证最可能的候选结果——NVIDIA 称后者额外提升了约 40% 的解码性能。

🔗 TensorRT Edge-LLM 在 MLPerf Edge Agentic 上的表现

Agent 为机器人仿真准备 3D 场景

NVIDIA 介绍了一条多 Agent 工作流，可将 Blender 场景转换为能够被 Isaac Sim 或 Isaac Lab 使用的 OpenUSD 世界。其出发点是，机器人训练往往在模型介入之前就失败了：场景尚未准备妥当，缺少语义标签、正确的碰撞网格或配置好的传感器。由 GPT-6 Astra 驱动的 Codex 负责协调任务；使用 Hermes 框架构建并通过 NemoClaw 部署的子 Agent 执行各项工作；Omniverse Libraries 提供操作场景的工具，而 SimReady 验证则充当验收关卡。最值得关注的是其不确定性管理方式：安全的机械性修正会自动应用；依赖开发者意图的修正则会连同上下文和建议一并提交给人工处理——例如 46 个对象缺少碰撞网格、12 个可抓取对象被标记为静态，以及 3 个配件悬浮在地面上方。

🔗 使用 Agent 为仿真准备 3D 场景

Axolotl3D 对其看不见的部分进行推理

Axolotl3D 在 ECCV 2026 上亮相，是一种多模态、具备遮挡感知能力的 3D 生成模型。它所针对的问题十分常见，却很少被正面处理：一张图像几乎从不展示物体的完整几何形状，重建模型必须推测未被看到的部分。Axolotl3D 结合图像、相机数据和部分几何信息，在重建缺失区域的同时保留实际观察到的区域——这种区分正是其方案的核心，因为它可以避免重建过程破坏已经正确的部分。NVIDIA 声称其在单视图和多视图任务上均达到当前最佳水平，但未在公告中公布具体数据。

🔗 NVIDIA AI 在 X 上介绍 ECCV 2026 的 Axolotl3D

World Labs 用 32 张照片让 Atlas 飞越 NVIDIA 总部

NVIDIA 展示了 World Labs 的世界模型 Atlas 在 Voyager 大楼上的演示。仅凭 32 张图像，该模型便重建了总部，并支持以号称像素级精度的摄像机控制进行实时漫游。其技术亮点在于统一多种模态：Atlas 让文本、图像、视频和 3D 共存于共享的空间上下文中，因此一个模型即可生成新视角、重建场景并模拟世界，而这些任务通常由不同系统分别完成。该模型使用 Blackwell GPU 从零开始预训练。相关消息未提供任何性能数据或访问方式：这是能力演示，而非产品发布。

🔗 NVIDIA AI 在 X 上展示 Voyager 中的 Atlas

开放模型与实验室：被钻空子的竞技场、免费编排器和轨迹记忆

Ai2 开放 Steering Arena，而最优秀的亲社会提示词竟是乱码

Ai2 发布了 Steering Arena 的总结。这是一款由硕士生 Soham Padia 围绕 Olmo 3 构建的游戏。玩家提交简短的文本前缀，并根据文本推动模型表现出亲社会行为的强度获得分数。约 600 次提交后，排名前 36 的条目全都是无法阅读的 token 序列；可读英语中得分最高的提交仅仅要求模型友善、尊重地回答，却只排在第 37 位，得分低了约 2.7 倍。这些字符串并非随机生成：游戏衡量的是模型内部向亲社会模式的偏移，不在乎人类读者如何理解，因此玩家优化了这一衡量指标。对任何构建评估的人来说，教训都很实用：只要公开一项指标，它就会成为被优化的目标。

🔗 Ai2，Steering Arena 总结

Sakana Chat 免费升级至 Fugu Max，并新增记忆功能

Sakana AI 从两个方面更新了 Sakana Chat。9 月 11 日通过 API 发布的编排器 Fugu Max 取代模型选择器中的 Sakana Fugu，并向所有人免费开放：它并非运行单一模型，而是根据提示词的内容，在多个开放模型之间分配处理任务。其次，产品新增了记忆功能——只需指定一次要扮演的角色或偏好的风格，后续对话便会沿用，无论使用 Namazu 还是 Fugu Max。用户可以在设置中查看记忆内容，也可以将其关闭。实际使用时需要注意：只有更新后的对话才会写入记忆。

🔗 Sakana Chat 升级至 Fugu Max

funes 将代码智能体轨迹索引到本地 Lance 数据集中

Aritra Roy Gosthipaty 和 Ayush Chaurasia 发布了 funes，它能将智能体过去的会话转化为可检索的记忆。长期参与项目的人都会对此感同身受：智能体找到了失败的测试，弄清楚了为什么显而易见的修复方案行不通，随后会话结束；一周后，新的智能体却像什么都没发生过一样重新探索项目。funes 将 Claude Code、Codex、pi 和 Hermes 的轨迹索引到一个本地 Lance 数据集中，随后开放 recall 和 get 两个工具，并通过 hooks 自动索引新的交互轮次。该工具与众不同的设计选择，是拒绝在摄取数据时引入语言模型：切分和 embeddings 均以确定性方式在本地完成，因为轨迹中包含本地路径、未公开的计划，有时还夹杂着无意粘贴进去的凭据。

🔗 funes，智能体轨迹的本地记忆

生成式视频：Runway 转换帧率，Pika 改变定位

Runway 推出 Enhance Frame Rate

Runway 新增了一个插帧模型，可以转换任意视频的帧率，包括并非在该平台上生成的视频——这让它成为一个独立的后期制作工具，而不只是自家工作流中的一个选项。其卖点是满足播出规范，Runway 以英国的每秒 25 帧标准为例。

参数	数值
输出帧率	25、30、48、60、120 fps，以及 NTSC 59.94
最高分辨率	4K，保留源分辨率
最长时长	5 分钟
成本	每 2 秒 1 个积分，不受所选数值影响

Runway 宣称其运行速度最高可达其他插帧模型的七倍，成本则低三倍，但既未说明对比对象，也未发布详细测量结果：目前这一说法仍无法验证。

🔗 Enhance Frame Rate 简介

Pika 发布全新创意平台

Pika 宣布对产品进行全面重构，并将其定位为一个由创意人士打造、服务于创意人士的创意平台，而非模型的新版本。公告刻意保持笼统：没有提及任何模型、具名功能、定价或测量数据。值得关注的信号是其定位转变——Pika 近期发布的内容主要聚焦于在 API Club 中集成第三方模型，而此次则重新将重点放在自有产品上。

🔗 Pika 在 X 上发布全新平台

Perplexity Computer 用投入程度滑块取代模型选择

9 月 17 日——Perplexity 在其多步骤智能体 Computer 中推出投入程度控制功能。其思路颠倒了通常的问题：界面不再询问该使用哪个模型，而是询问这项任务值得投入多少精力。全局搜索栏中的滑块提供从 Light 到 Ultra 的四个档位。

设置	Perplexity 所指的用途
Light	简单的日常任务
Standard	在推理与成本之间取得平衡
High	复杂分析
Ultra	为开放性问题投入最大程度的精力

所选档位会确定任务的编排模型及其推理深度；随后，该编排器将部分任务委派给支持智能体，而这些智能体可以调用不同供应商的模型。因此，滑块选择的不是某个单一模型，而是总指挥。积分根据实际完成的工作消耗，而非依据所选档位，用户仍可使用自定义控制。需要注意的是，不同来源之间存在出入：博客文章称网页端现已上线，Android 和 iOS 即将推出，而 X 上的消息则称移动端和桌面端即将推出。

🔗 Computer 新增用于模型选择的投入程度模式

Cohere 将 North 2 定于 2026 年 10 月发布，但未透露更多信息

9 月 17 日——Cohere 发布了一段 16 秒的视频卡片，上面只有两行文字：North 2，以及 2026 年 10 月。这是该产品首次获得明确日期。它于 9 月 9 日在 AI for Empowerment 活动页面上以“即将推出”的状态亮相，当时既无时间表，也无定价。此公告为 9 月的活动画上句号：当时承诺的两款产品中，Confidential Computing 已于 9 月 16 日在 Model Vault 中开放抢先体验，而 North 2 是最后一款尚待发布的产品。

然而，9 月 17 日重新加载产品页面后，North 2 仍显示为“即将推出”——目前，10 月的日期只出现在 X 上。公开描述只有一句话：一款在安全性、速度、成本和能力方面得到增强的企业级 AI。North 自 2025 年 8 月起便是 Cohere 的企业平台，因此第 2 版是一个里程碑，但公告未包含任何技术细节、benchmark、定价或具体发布日期。

🔗 Cohere 在 X 上宣布 North 2 将于 2026 年 10 月推出

简讯

Claude for Startups 发布创始人视频——该视频拍摄于 Frontier Day，展示了参与该计划的早期创业团队，并附有计划页面和 API 积分的链接；没有公布任何数据或新变化。🔗 来源
Devin 将语音模式升级为实时语音模型——9 月 16 日的版本说明新增了即时通话控制功能，更重要的是，Devin Review 现在会默认检查安全漏洞，其开关也从设置中消失。🔗 来源
Together AI 发布迁移至开放模型的五步手册——发现、评估、适配、决策、投入生产；文章属于商业定位内容，未提供迁移数据，也未提及任何具名测试基准。🔗 来源
LAION 与 TTS Arena 推出 Voice Acting Arena——人类听众根据整体偏好、表演指令遵循程度和感知真实性，对同一剧本的两种匿名演绎进行比较；该平台旨在衡量表演质量，而非声音的真实程度。🔗 来源
Scientific American 刊文介绍 Sakana AI 的 Smart Cellular Bricks——数百块完全相同的砖块运行同一个本地神经元胞自动机，在不掌握全局信息的情况下，共同推断其组合结构的形状类别；此次的新内容只是文章发表，原始博客文章发布于 7 月 13 日。🔗 来源
Sakana AI 发布其产品团队幕后介绍——这是一篇招聘文章，根据与四名团队成员的交流汇总了常见面试问题的答案，没有技术公告。🔗 来源
社区文章提出衡量智能体失败后的恢复能力——Golda Manuel 建议衡量从故障发生到恢复高效工作之间的过程，并将这些指标与执行轨迹交叉分析；文章仍属于方法论框架，没有测试基准或量化结果。🔗 来源
Gemini 展示从 Canvas 导出 STL——在 Canvas 中生成的应用可以配置一个 3D 花瓶，随后将其导出为 STL 格式用于打印；相关消息并未将此功能称为新功能。🔗 来源
GitHub Actions 工作流执行保护功能全面开放——除执行者和事件规则外，现又加入按工作流文件设定目标、Insights 和 REST API；一条默认规则将在公开仓库中禁用 pull_request_target，并从 2026 年 11 月 2 日起自动应用。🔗 来源
Ubuntu 26.04 结束预览阶段，ubuntu-latest 将于今秋切换——runner 镜像现已在 x64 和 arm64 上获得完整支持，相关标签将在 2026 年 10 月 19 日至 11 月 19 日期间从 24.04 迁移至 26.04，这可能导致依赖特定版本的构建失败。🔗 来源
一项 API 可批量授权经典 PAT 和 SSH 密钥用于企业 SSO——在 GitHub Enterprise Cloud 上，具备 enterprise_credentials:write 的 GitHub App 可以通过一次请求，为最多 50 个组织授权某个凭据，且密钥不会经过该应用。🔗 来源
Midjourney 发布 9 月 16 日的 alpha 更新日志——新增韩语并征集贡献，对移动端和平板电脑进行了首轮重点优化，还修复了 v8.2 编辑器和提示词栏的问题；默认参数仍计划后续推出。🔗 来源
Cadence 将患者回电时间中位数从 1 小时 48 分钟缩短至 3.5 分钟——基于 ElevenAgents 构建的分诊智能体已部署于美国二十多个医疗系统，每月处理超过 40,000 条警报，并在情况需要时安排护士介入。🔗 来源
HeyGen 发布其 MCP 服务器指南——这是一篇教学文章，并非产品发布；它讲解了如何将 HeyGen MCP 连接到助手，从而无需再打开 HeyGen 即可使用 HeyGen。🔗 来源
Grok Voice 助力 Neuralink 演示——@grok 账号指出，Neuralink 发布的一段视频使用了 Grok Voice，但没有产品公告或技术细节。🔗 来源

这意味着什么

智能体开始制造自己所依赖的工具，而这也是当天唯一有扎实数据支撑的趋势。由 GLM-5.3 驱动的 Infra Agent 在不到两周内将 GLM-5.3-Flash 投入生产，并使吞吐量提升至三倍；GitHub 借助 Copilot，通过 128 个 pull request、830,000 行代码和 1,363 亿个 token，将 Copilot runtime 用 Rust 重写；Anthropic 则称其 26% 的研发工作由 Claude 主导，至少有 Claude 参与协作的比例超过 90%。三篇文章也都认同这些方法存在局限。Z.ai 强调必须具备密集的反馈——本地、低成本且可验证——否则编码能力毫无用处，并提醒目标的选择依然掌握在人类手中。GitHub 记录了数十项移植导致的回归问题，现已全部修复，并指出生成的大部分 Rust 代码仍只是对 TypeScript 惯用写法的转换。真正的杠杆并非模型本身，而是围绕模型构建的整套系统。

第二个趋势是，监督正在成为一种独立产品。Warp 销售用于评估其他智能体的智能体，token 成本约为 3%；Google 将 Agent Anomaly Detection 放在请求路径之外，用于读取已经产生的 OpenTelemetry 轨迹，并与智能体领域的 OWASP Top 10 进行比对；Anthropic 将其生命科学计划从实时阻止转向离线监控，同时保留 30 天的数据；OpenAI 则通过发布六个有记录的案例，正式确立了三条披露渠道。两套检测系统都明确指出了共同难题：损害会发生在一切看似正常、没有任何环节失败的会话中。Steering Arena 则揭示了这类工作的确切边界——排名前 36 的条目都是乱码，因为只要公开一项指标，它就会成为被优化的目标。

第三个趋势是，智能体的工作范围正在扩大，配置方式也发生了根本变化。一个 Claude Code 项目变成了一场每天最多启动 200 个 thread 的对话，每个 thread 都运行在自己的 branch 上；CC 获得一个由六个人共享、经过验证的 Google 账号；一个 Amp runner 服务于多个仓库，而非仅服务一个仓库；Perplexity 则以四档投入程度滑块取代模型选择。向用户提出的问题正从“使用哪个模型”转向“投入多少精力”和“覆盖多大范围”，这要求用户信任平台的调度判断。防护措施依然清晰可见：beta 仅面向 Pro 和 Max；Anthropic 的每个项目仅限一名用户；Google 则限定群组范围，并允许随时撤销权限。

最后，专业化越来越多地通过上下文而非训练实现。Astra for Law 不是经过重新训练的模型，而是连接到一个包含超过 2.3 亿个 URL 的索引上的 GPT-6 Astra；测得的差距——54.0% 对 38.7%——来自它所能读取的材料。其他地方也遵循同样的逻辑：联合国通过可由 MCP 查询的图谱开放统计数据；Speakeasy 以 AGPLv3 许可证生成文档 MCP 服务器，让智能体查询经过验证的 schema，而不是凭空猜测；funes 在本地索引过去会话的轨迹；TensorRT Edge-LLM 则从热缓存中提供约 96% 的提示词 token。语料库、索引和缓存已经与模型权重一样，成为架构的组成部分。