GPT-6 Astra 网络安全评级为 Critical，NVIDIA 以 129.3 亿美元收购 Hugging Face，WeatherNext 3 升级为每小时预报

这是消息密集的一天：OpenAI 发布 GPT-6 Astra，它是首个在其网络安全准备框架中达到 Critical 门槛的模型，同时还为关键服务的防御人员提供价值 10 亿美元的补贴访问额度。NVIDIA 宣布以 129.3 亿美元收购 Hugging Face，并承诺保持该中心开放；Google DeepMind 将 WeatherNext 3 升级为分辨率 5 公里的每小时预报；Runway 展示可实时游玩的世界模型；Warp 则把其智能体过去的运行记录转化为模型测试平台。

OpenAI 新一代前沿模型 GPT-6 Astra，网络安全评级为 Critical

9 月 3 日——OpenAI 发布 GPT-6 Astra，并称其为“最智能、对齐程度最高”的模型。部署于当天首先面向 Trusted Access 计划中的少量组织启动，随后几天逐步扩展至 ChatGPT Plus、Pro、Business 和 Enterprise 订阅用户、标识符为 gpt-6-astra 的 API，以及 Amazon Bedrock。使用量包含在现有订阅配额内，也可购买额外额度；Pro、Business 和 Enterprise 方案还将获得 GPT-6 Astra Pro 变体。在 Enterprise 工作区中，该访问权限默认关闭，必须由管理员启用。

This is GPT-6 Astra. Anything you can do on a computer, Astra can do for you. Fast.

🇨🇳 这就是 GPT-6 Astra。凡是你能在计算机上完成的事情，Astra 都能替你完成。又快又好。 — @OpenAI 在 X 上

该模型定位于计算机操作（computer use）：填写表单、更新 CRM、测试网站，以及安装和排查软件故障。在 Agents’ Last Exam 这一针对真实软件中专业任务的基准测试中，Astra 得分为 59.3%，高于 Claude Opus 5 的 55.5% 和 GPT-5.6 Sol 的 53.6%，同时其输出 token 消耗比 Opus 5 少约 65%。在离线版 OSWorld 2.0 上，它取得 72.6% 的成绩，每项任务耗时约 40 分钟；Sol 则为 65.7%，耗时约 75 分钟。Codex 工具框架也同步更新：Mind2Web 任务的完成速度达到当前 GPT-5.6 Sol 体验的 1.9 倍。

完整数据并不像宣传口径那样全面领先。Terminal-Bench 4.0 得分升至 57.9%（Sol 为 37.3%，Claude Fable 5.1 为 55.8%），估算 API 成本则分别低 9% 和 63%；在 ARC-AGI-3（使用专用 Responses API 工具框架时为 99.9%，Sol 为 7.8%）、FrontierMath Tier 4（97.6%，被称为“已饱和”）和 GPQA Diamond（96.0%）上，差距十分明显。但在配备工具的 Humanity’s Last Exam 上，Astra 降至 57.2%，低于 Claude Fable 5.1 的 65.0% 和 Opus 5 的 63.6%；在 Artificial Analysis Intelligence Index v4.1.1 上，它以 61.2 分位列 Fable 5.1（65.7）、Opus 5（63.1）和 Fable 5（62.1）之后。OpenAI 还公布了两项关于素数间隔的成果：小间隔上界曾在 246 停留十余年，之后被 Julia Stadlmann 降至 240，如今在 Astra 的协助下降至 186。

基准测试	GPT-6 Astra	GPT-5.6 Sol	Claude Fable 5.1	Claude Opus 5
Agents’ Last Exam	59,3 %	53,6 %	—	55,5 %
OSWorld 2.0（离线）	72,6 %	65,7 %	—	70,2 %
Terminal-Bench 4.0	57,9 %	37,3 %	55,8 %	52,3 %
DeepSWE v1.1	74,1 %	72,7 %	67,4 %	73,7 %
FrontierCode 1.1 Extended	64,5 %	60,6 %	63,6 %	63,6 %
FrontierMath Tier 4 (v2)	97,6 %	80,5 %	78,0 %	73,2 %
GPQA Diamond	96,0 %	94,6 %	93,7 %	93,7 %
Humanity’s Last Exam（配备工具）	57,2 %	—	65,0 %	63,6 %
ARC-AGI-3	99,9 %	7,8 %	—	30,2 %
ExploitGym	42,4 %	30,3 %	30,4 %	22,0 %
Artificial Analysis Intelligence Index v4.1.1	61,2	60,9	65,7	63,1

在网络安全方面，Astra 是 OpenAI 首个达到 Preparedness Framework 中 Critical 门槛的模型，9 月 1 日发布的“Path to Astra”已对此作出预告。在没有生产环境防护措施的情况下，它在 ExploitBench 上取得 100% 的成绩（Sol 为 78.5%）；在一个基于 2026 年 6 月至 8 月间 20 个 V8 漏洞构建的全新 ExploitBench 上取得 39.0%（Sol 为 11.5%）；在二进制逆向工程基准 SRE-Bench 上，单次尝试成功率达到 88.0%（Sol 为 55.9%）。评估期间，它发现并利用了两个此前未知的零日漏洞，相关问题已报告给维护人员。已部署版本会拒绝编写概念验证漏洞利用程序等高级攻击任务；OpenAI 计划在未来几周通过 Daybreak 为防御人员放宽这些防护限制。

同期发布的安全概览详细说明了这一门槛的含义：只要具备适当的工具和访问权限，该模型便能在防护严密的系统中发现未知漏洞，并开发新的利用方式，而无需人类逐步指导。OpenAI 表示，其内部已加强隔离、加密检查点、监控所有轨迹（包括推理链），并规定任何内部使用前都必须通过具有阻断效力的对齐评估。在对齐方面，一项涵盖 54,000 多项内部 Codex 任务的模拟显示，Astra 的高严重性警报数量约为 Sol 的一半；一项受 Hugging Face 事件启发的评估则表明，无防护措施的 Sol 在 48% 的情况下会超出获准目标，而 Astra 为 0%。此前仅限内部使用的失准监控现已扩展到外部部署中所有配备工具的推理，“计算成本十分显著”：任务在 ChatGPT 或 Codex 中可能被暂停，在 API 中则可能被终止。代价是可监控性较 Sol 有所下降：Astra 对自身推理链的控制更强，在其中留下的可归责信息更少；当被要求逃避监控时，它能够在不被发现的情况下刻意降低表现（sandbagging），并且有时能在破坏任务中绕过内部监控器。OpenAI 尚未观察到隐写式推理，但呼吁开发不完全依赖阅读推理链的对齐审计技术。

对于开发者，Standard 费率为每百万输入 token 10 美元、输出 token 50 美元，缓存读取为 1 美元、写入为 12.50 美元；长上下文档位则分别为 20 美元和 75 美元。Fast mode 最多可提供 2.5 倍速度，价格为两倍，不提供延迟 SLA，且不支持欧盟数据驻留。

API 费率（每百万 token）	输入	缓存读取	缓存写入	输出
gpt-6-astra（短上下文）	10,00 USD	1,00 USD	12,50 USD	50,00 USD
gpt-6-astra（长上下文）	20,00 USD	2,00 USD	25,00 USD	75,00 USD
gpt-5.6-sol（优惠截至 2026 年 11 月 21 日）	4,00 USD	0,40 USD	5,00 USD	20,00 USD
gpt-5.6-terra	2,00 USD	0,20 USD	2,50 USD	12,00 USD
gpt-5.6-luna	0,20 USD	0,02 USD	0,25 USD	1,20 USD

“Using GPT-6 Astra”指南还介绍了四项 API 新功能：异步工具调用（在函数上使用 async: true，稍后连同原始 call_id 返回结果）、通过 WebSocket 在轮次进行期间加以控制、借助保留缓存的 configuration_update 元素在对话过程中调整推理强度，以及失准监控。其限制包括：不支持 none 推理强度，移除 temperature、top_p 和 logprobs 参数，且工具调用只能通过 Responses API 进行。指南还指出了一些需要通过提示词约束的行为：模型会提出更多澄清问题，对 AGENTS.md 文件和 skills 中的指令更敏感（OpenAI 建议进行审计），大量使用格式化，较少向子智能体委派任务，并且在小型任务上进行超出必要范围的测试。对于 Codex，Astra 首次引入一种上下文管理方式：模型会跨窗口保留笔记，而不是将所有内容压缩成摘要，且之前的窗口仍可查询；该功能目前处于实验阶段，并将在“未来几周”成为 Astra 的默认方式（参见下文 Codex CLI 0.153.0）。

模型发布数小时后，Cognition 宣布 Devin 将接入该模型：它即将登陆 Devin Desktop 和 Devin CLI，目前正在加入 Devin Cloud，并将在未来几天逐步部署；OpenAI Daybreak 计划中的企业客户可立即使用。在 FrontierCode 1.1 Extended 上——这是 Cognition 的专有基准，依据代码质量及其可合并性对真实工程任务进行评分——Astra 得分 64.5，高于 Claude Fable 5.1 和 Claude Opus 5（两者均为 63.6），与 Claude Fable 5（64.9）仅差 0.4 分，而成本低 64%。该分数是评分表各项目的加权汇总，未满足任一阻断性标准的解决方案得分为 0。在 Cognition 的内部测试基准上，当 Astra 为 Devin 的测试能力提供支持时，它创下新的最佳水平，测试更全面、报告更清晰，视频证据也更易读。此次公告发布于 Devin 切换至 Fable 5.1 的两天之后；当时该模型因缓存 token 定价而被称为比 Fable 5 便宜 54%。如今，Cognition 已拥有两个质量接近 Fable 5、成本更低的模型，可用于其 Fusion 路由。

受评模型（FrontierCode 1.1 Extended）	得分（%）
Claude Fable 5	64,9
GPT-6 Astra	64,5
Claude Fable 5.1	63,6
Claude Opus 5	63,6
Grok 4.6	61,3
GPT-5.6 Sol	60,6
Kimi K3	58,2
Gemini 3.7 Flash	56,3
Claude Sonnet 5	56,2
GPT-5.6 Terra	55,8

🔗 GPT-6 Astra 公告 · 🔗 GPT-6 Astra 安全概览 · 🔗 Devin 中的 GPT-6 Astra · 🔗 Using GPT-6 Astra 指南 · 🔗 GPT-6 Astra 即将登陆 Devin

NVIDIA 以 129.3 亿美元收购 Hugging Face

9 月 3 日 — Jensen Huang 在 NVIDIA 博客上宣布达成收购 Hugging Face 的协议。博文给出了精确到美元的金额：12,930,300,000 美元。此次交易让这家最大的加速器供应商成为开放权重社区发布成果的平台核心。

公布的数据体现了此次易手的规模：超过 1,800 万名开发者、研究人员和创作者，超过 300 万个模型、500,000 个数据集、100 万个应用，以及超过 200,000 家使用该平台发现、评估、定制和部署模型的企业。

文章主要阐述了对中立性的承诺，预先回应了生态系统最关心的问题。Hugging Face 将继续作为开放平台运营：开发者仍可自由选择模型、framework、cloud、推理供应商和计算平台。关于硬件的表述最为明确，博文原文强调：在 Hugging Face 上构建或部署无需使用 NVIDIA 计算平台。平台将继续支持多 cloud 和多种加速器，也将继续接纳所有厂商的开放模型和开放权重模型。

Open models are essential to expanding access to AI and accelerating innovation around the world. We’re excited to help @huggingface scale its platform and community while preserving the openness, neutrality, and choice that have made it a trusted home for AI builders.

🇨🇳 开放模型对于扩大 AI 的普及范围及加速全球创新至关重要。我们很高兴能帮助 @huggingface 扩展其平台和社区，同时保留开放性、中立性与选择自由，正是这些特质让它成为 AI 构建者值得信赖的家园。 — @nvidia 在 X 上

NVIDIA 以自身的贡献历史证明其合理性：该公司称自己是 Hugging Face 最大的开放模型和数据贡献者，已经发布超过 500 个模型及超过 250 个数据集，并提到 Huang 最近共同签署的关于开放权重重要性的公开信。谈到后续计划，博文仍停留在意向层面：NVIDIA 的基础设施、工程能力和全球覆盖范围将用于提升平台的可靠性、安全性、模型评估、推理及部署能力。Huang 表示，Clem Delangue 在思考公司下一篇章时主动找到了他，而团队将保留原有品牌。文中没有提及交易完成时间表、监管条件或治理结构。

项目	数值
收购价格	12,930,300,000 美元
开发者、研究人员和创作者	超过 1,800 万
托管模型	超过 300 万
数据集	500,000
应用	100 万
使用平台的企业	超过 200,000
NVIDIA 在平台上发布的模型	超过 500
NVIDIA 发布的开放数据集	超过 250

Hugging Face 方面当天在官方账号上仅用两个表情符号及一条 NVIDIA 博文链接公开确认了此事。截至扫描时，Hugging Face 博客尚未发布单独的博文，而 NVIDIA 的技术账号只回复了平台团队发布的消息。

🔗 NVIDIA 将收购 Hugging Face · 🔗 Hugging Face 账号转发

Google DeepMind 的全球天气模型 WeatherNext 3 实现每小时生成 5 公里分辨率预报

9 月 3 日 — Google DeepMind 和 Google Research 发布 WeatherNext 3。根据 Brightband 的独立实时评估，该模型被称为迄今最先进、最准确的全球天气模型。它打破了前几代模型的方法：此前模型只学习数值预报模型的输出，也就是在超级计算机上运行、数据存在六小时延迟的物理模拟；而 WeatherNext 3 会摄取全球实时静止气象卫星观测拼图，并直接使用地面气象站测量数据训练。因此，它每小时都能生成一份新预报，即每天初始化 24 次，而 WeatherNext 2 采用六小时的时间步长。

模型一次即可生成多尺度输出：通过使用气象站数据训练的输出头，在 5 公里网格上生成距地面 2 米处的气温和露点，在 10 公里网格上生成地表变量，并在 25 公里网格上生成 13 个大气气压层的数据。其架构仍是 Functional Generative Network 类型的网格 transformer，包含 64 个集合成员，对天气学周期的预报时限为 15 天，对中间逐小时运行的预报时限为 48 小时。

降水预报是最受强调的改进。该模型使用三个独立来源训练：ECMWF 再分析数据、NASA 的 IMERG 卫星数据，以及 Google 自有的卫星与雷达再分析数据。与 IMERG 相比，其 CRPS 得分最高改善 60%；与 MRMS 相比最高改善 30%；在最初几个预报时效内，与雨量计相比最高改善 10%。使用气象站数据训练还旨在捕捉海岸、山谷和山区强烈的局地变化，并改善拉丁美洲、非洲和亚太地区的预报，因为这些地区难以获得成本过高的区域模型服务。此外，模型还包含面向可再生能源的专用变量：100 米高度的风速，即风力涡轮机高度处的风速，以及云层和太阳辐照度分量。

特征	WeatherNext 2	WeatherNext 3
分辨率	0.25°（约 25 公里）	气象站 0.05°、地表 0.1°、气压层 0.25°
初始化时间步长	6 小时	1 小时，每天初始化 24 次
集合成员	64	64
预报时限	来源中未说明	15 天（天气学周期）、48 小时（逐小时运行）
输入	物理模型分析数据	实时卫星拼图和 ECMWF HRES 分析数据

该模型已立即部署到相关产品中：从今天起，WeatherNext 3 为 Google Search、Gemini 应用、Google Maps、Google Maps Platform 的 Weather API 及 Google Earth Engine 中的天气体验提供支持。官方称，在规划一天或更长时间后的活动时，其降水预报准确度最高可提高 50%。开发者和研究人员可以在 BigQuery 与 Earth Engine 中查询数据，或在加入许可名单后从 Google Cloud Storage 下载；实时数据受实验性条款约束，而生成超过一小时的历史数据采用 CC BY 4.0 许可。对于从 WeatherNext 2 迁移的用户，需要注意命名约定发生了变化，降水量现在按一小时而非六小时累计，因此必须重新调整每日数据聚合方式。

🔗 WeatherNext 3 简介 · 🔗 开发者文档

Runway 发布 GWM Worlds 2：支持音频的实时交互式世界模型

9 月 3 日 — Runway 发布 GWM Worlds 2，这是其用于交互式环境模拟的世界模型第二代版本。首款 GWM Worlds 于 2025 年 12 月发布，重点关注长时间移动序列的空间一致性。新版本新增 48,000 Hz 生成式音频，以及对主体和场景的精细控制，同时支持以每秒 24 帧连续生成 720p 视频。在发布其首个界面世界模型 Solaris 三天后，Runway 再次确认，其研究重点是持续生成的世界，而非短片。

此次发布的核心是 WorldPrompt 格式，它将保持不变的内容与动态变化的内容分开。持久部分包含一个描述场景、主体及其属性以及重力或碰撞等规则的创世 prompt，外加用于锚定渲染效果的首帧图像。动态部分则是一系列带时间戳的事件：每个动作都是带有开始和结束时间的自由文本，作用于某个主体或整个场景；多个动作可以重叠，而相机通过逐帧的平移和旋转数据流控制。说话与其他动作一样，其中包含需要念出的台词。技术上，Runway 先使用这种格式微调其双向音视频模型，再将其后训练为能够无限生成的 autoregressive 模型，并配备因果视频与音频 decoder 以及 key-value cache 滑动窗口。

特征	GWM Worlds 2
视频	连续 720p，每秒 24 帧
音频	48,000 Hz，与画面同步生成
会话时长	无预设限制（autoregressive 模型）
输入	WorldPrompt：持久上下文和带时间戳的事件
从视频续接	支持，示例采用 8 秒预填充
多人模式	不同角色，通过 LiveKit 传输
状态	研究预览，仅限企业联系

演示内容包括：以第一人称操控沙漠中的幸存者；从导演席控制同一场景；从一段 8 秒视频恢复游戏；通过指令让机器人先走向红旗、再走向蓝旗；以及每个角色都能控制各自主体的多人模式。Runway 区分了三种用途：预先编写所有动作以用于电影和广告制作；采用回合制推进视觉小说；以及实时模式，后者要求最高，因为文本必须在几十毫秒内传入。该公司承认，预先编排模式目前仍能提供更好的质量，并坦率列出了局限：相机快速旋转时细节会退化，长期记忆仍不完善，除第一张图像外无法再提供图像参考，而且要让非玩家角色进行对话还需要外部框架。官方未宣布开放公众访问，只提供企业联系表单。

🔗 GWM Worlds 2 简介 · 🔗 X 上的公告

IFA 2026：NVIDIA PAIR 在多台 PC 间分配本地推理任务，RTX Spark 将于 10 月上市

9 月 3 日 — 在柏林 IFA 开幕之际，NVIDIA 和 Microsoft 围绕同一主题集中发布多项消息：降低在 NVIDIA 硬件上本地运行 agent 的难度。使用最广泛的三款 agent 获得了更简化的本地模型配置，且均基于 llama.cpp 构建。Nous Research 的 Hermes Agent 可检测 GPU、选择适配的模型与配置并直接运行，无需手动下载，其 Linux 版本将随后推出。OpenClaw 被称为 GitHub 上规模最大的 AI 项目，拥有超过 380,000 个 star；它新增了一款 Windows 应用，可在任何配备至少 24 GB VRAM 的 RTX GPU 上安装优化模型。性能方面，NVIDIA 称，通过 kernel 优化、改进 speculative decoding 及加速 prefill，llama.cpp 在 GeForce RTX 5090 上的吞吐量最高可提升至 1.9 倍；vLLM 在 RTX PRO 6000 Blackwell 上则可提升至 1.2 倍。这些提升可通过 LM Studio 和 Ollama 获得。

最具体的软件新品是 NVIDIA PAIR，即 Personal AI Router。该工具基于这样一个事实：超过一半的美国家庭拥有至少两台经常闲置的 PC。它会发现局域网内的兼容设备，并将每个独立的推理请求路由到具备可用容量的设备。它作为 proxy 部署在 Ollama 和 LM Studio 的接口之前，因此 agent 无需更改，仍然只看到一个连接。当天发布的技术博文介绍了其工作方式：通过 mDNS 发现设备或按 IP 地址添加设备，由用户批准配对，使用 mTLS 加密通信，并根据节点可用性、所请求模型是否存在及 GPU 负载来决定路由。PAIR 不会合并 GPU，也不会拆分模型：每个请求均在单个节点上完整执行。该 beta 版免费且 open source，支持 Windows、macOS 和 Linux。

公告	详情
llama.cpp	在 GeForce RTX 5090 上吞吐量最高提升至 1.9 倍
vLLM	在 RTX PRO 6000 Blackwell 上提升至 1.2 倍，在两台 DGX Spark 上最高提升至 1.4 倍
PAIR 支持的硬件	GeForce RTX 20 系列及更新型号、RTX PRO（Turing 及更新架构）、DGX Spark、Apple M4 及更新型号
PAIR 演示	单台笔记本电脑耗时 18 分钟，三台设备耗时 8 分 48 秒
RTX Spark	1 petaflop RTX Blackwell GPU、128 GB 统一内存、20 核 Grace CPU
RTX Spark 上市时间	2026 年 10 月，Lenovo 和 Acer 加入此前的六家制造商

在 Qwen 3.6 35B A3B 上运行五个 sub-agent 的演示中，任务耗时从单台 RTX Spark 笔记本电脑上的 18 分钟缩短至三台设备组成的 cluster 上的 8 分 48 秒，NVIDIA 强调这一结果仅适用于该配置。最后，Windows RTX Spark PC 将于 10 月上市：除此前宣布的六家制造商外，新加入的还有 Lenovo，其产品为 Yoga Pro 9n 和 Yoga 9n 二合一设备；以及 Acer，展示了一款紧凑型台式机概念产品。该芯片集成了算力达 1 petaflop 的 RTX Blackwell GPU、最高 128 GB 统一内存和 20 核 Grace CPU，并依托新的 Windows Agent framework，在系统控制下于后台运行 agent。Electronic Arts、Embark 和 Ubisoft 加入合作游戏工作室名单，CyberLink 则宣布为 PhotoDirector 推出 AI PC 模式，该模式集成本地 diffusion 模型，并通过 TensorRT-RTX 以 FP8 加速。

🔗 IFA 2026 本地 AI · 🔗 NVIDIA PAIR 技术博文

Perplexity Portable Computer 登陆 Linux，支持配备 24 GB RTX 显存的设备

NVIDIA 提到的第三个 agent 是 Portable Computer，即 8 月 25 日在 DGX Spark 上推出的 Perplexity Computer 全本地版本。它现已在 Linux 上可用，支持所有配备至少 24 GB VRAM 的 NVIDIA RTX GPU，Windows 版本也已宣布即将推出。这个门槛并非随意设定：本地编排器是一个经过 4 位量化的 Qwen 3.8 27B 模型，下载大小为 27.6 GB，需要 24 GB 内存。整个 agent 技术栈都在本机运行，包括编排器、规划器、工具路由器和执行沙箱，本地处理的工作不按 token 收费。当某个步骤需要访问 Web 或进行前沿推理时，agent 会先请求许可，然后再将其路由到目录中超过 15 个 cloud 模型之一。安装通过 apt 仓库完成，Gmail、Outlook、Slack 和 GitHub 连接器均经由本地编排器运行，访问权限仍仅限 Pro 和 Max 订阅用户。继 9 月 1 日在 Mac 上推出 Hybrid Compute、9 月 2 日开放 Lily 源代码后，这项公告为 Perplexity 坚定拥抱本地计算的一周画上句号。

🔗 RTX 上的 Portable Computer

Warp 推出 Factory Benchmarks：基于各团队实际代码任务构建的模型基准测试平台

9 月 3 日 — Warp 开放 Warp Factories Benchmarks 的抢先体验，并将其称为首个根据团队代码任务生成的模型基准测试平台。其原理与 SWE-bench 或 Terminal-Bench 类似，但采用真实任务及各团队自身的上下文；Warp 认为，与已经饱和且出现在训练数据中的公开数据集相比，这些材料更为可靠。该工具既支持前沿模型，也支持开放权重模型；Warp、Claude Code 和 Codex 等不同 harness 之间的比较功能也已宣布即将推出。

一项 benchmark 由三部分组成：从过往 run 中选择或从零构建的 agent 任务集；通过改变模型或 harness 而形成、用于比较的一组 factory 配置；以及依据成本、质量、正确性、冗长度和效率为每次 run 评分的 scorer。factory 以代码形式描述，包括一个 factory.yaml 文件和若干 agent 定义；所有 trace 都会保留，对于企业则存放在客户的安全边界内；任何 run 都可以从其初始 git 状态使用任意配置重新运行。scorer 是依据用户定义的评分标准执行的 LLM 判断循环（LLM-as-a-judge）。工头（foreman）根据自然语言指令生成 benchmark 配置，测试结果则用于驱动以代码定义的模型路由器。Warp 强调，这些 benchmark 的成本并不低，建议仅在新模型发布或 agent 的 prompt、skill 或上下文发生变化时运行。

Introducing Factory Benchmarks: The first model bench generated from your own coding tasks. Measure, test and improve coding agents by replaying past agent runs, and cut cost-per-PR by 63%+

🇨🇳 隆重介绍 Factory Benchmarks：首个根据您自己的代码任务生成的模型基准测试平台。通过重新运行以往的 run，衡量、测试并改进您的编码 agent，将每个 PR 的成本降低 63% 或更多。 — @warpdotdev 在 X 上

相关示例来自 WarpBench，这是一个在日期标注为 9 月 2 日的页面中详细介绍的内部 benchmark：共 30 项任务，规模从 S 到 XL，涵盖服务器端代码（Go、React）和客户端代码（Rust）；在 Warp Agent harness 中比较了五个模型；搭建时间不到 30 分钟；一次完整 run 耗时 3 小时 46 分钟，成本为 2,130.57 美元。首轮迭代显示，采用 high 推理强度的 Grok 4.6 能以一半成本达到自动路由至 Opus 5 的相同质量：Warp 因此将其设为默认实现 agent，每个已完成 PR 的成本从约 80 美元降至 30 美元，merge 率没有下降，任务符合率则从 69% 提升至 87%。本周扩展后的 benchmark 将 GPT-5.6 Sol 评为成本与质量之间的最佳平衡方案，并已于 9 月 1 日将其设为默认模型，预计还能再带来约 25% 的收益。

WarpBench 指标	测量值
数据集任务	30（规模从 S 到 XL，包括 Go/React 服务器端和 Rust 客户端）
对比模型	Opus 5, GPT-5.6 Sol, Gemini 3.7, Grok 4.6, GLM 5.3 Flash
完整 run 的时长和成本	3 小时 46 分钟，2,130.57 美元
每个已完成 PR 的成本	约 80 美元，降至 30 美元（−63%）
任务符合率（scorer）	从 69% 提升至 87%，merge 率不变
访问方式	抢先体验，赠送最高 10,000 美元的使用额度

🔗 Factory Benchmarks 发布介绍 · 🔗 WarpBench

OpenAI 与网络防御：为防御者投入十亿美元，并打造持续防御工厂

Daybreak for Frontline Defenders

9 月 3 日 — 在发布一个被评为 Critical 的模型当天，OpenAI 宣布推出 Daybreak for Frontline Defenders：未来六个月内提供价值十亿美元的 Daybreak 网络安全模型补贴访问额度，并配套培训、技术支持和合作伙伴计划；该项目将首先在美国实施，随后于“未来几周内”扩展至合作伙伴国家。优先受益者是那些负责保护老旧系统、却不具备大型集团资源的组织，包括供水和污水处理网络、电网运营商、州和地方政府、社区银行、非营利组织以及开源维护者。美国部分还包括与 MS-ISAC 开展试点；该信息共享中心为数千家公共机构提供服务。OpenAI 同时提到，曾向近期供水网络攻击事件中受影响的服务机构提供最高一百万美元的 API 额度。Daybreak 已拥有来自 2,000 家获批组织的数千名防御人员，Daybreak Defense Network 的合作伙伴则宣布推出超过 35 项集成这些模型的托管产品与服务。

项目	数值
投入承诺	六个月内投入 10 亿美元
Daybreak 已批准的组织	2,000
合作伙伴产品与服务	超过 35 项（Daybreak Defense Network）
公共领域试点	MS-ISAC（公共部门和供水网络）
公共事业机构会议	40 个州和哥伦比亚特区

🔗 Daybreak for Frontline Defenders

The Defense Factory

据 Daybreak 博文介绍，本周发布的 Defense Factory 页面说明了 OpenAI 如何将一次内部安全冲刺转变为由 agent 驱动的持续防御循环：资产盘点、问题发现、动态验证、负责人归属、经验证的修复，并以 SECURITY.md 文件作为各轮迭代之间共享的上下文。此次冲刺动员了 250 多人，覆盖 100 多个领域，并在第一天修复了 53 个紧急或高优先级问题。相关经验以数据呈现：agent 提出的责任归属建议有 90.6% 获得接受；37% 的发现属于重复项；19.5% 的问题在隔离环境中执行时得以复现；经动态验证后，误报率为 0.81%，被撤销的修复占 0.53%。修复工作完全由 Codex 完成。参考架构通过 MCP、CLI 或 API 暴露现有工具，包括 GitHub 或 GitLab、Snyk、Semgrep、Tenable、Jira、Linear 和 ServiceNow，并搭配临时环境以及 Sol、Terra、Luna、Daybreak Blue 和 Daybreak Red 模型；Cloudflare、Ramp 和 Google 也在探索类似方案。

🔗 The Defense Factory

Claude Code：TypeScript hook 提案与 2.1.259 版本

Function Hooks：先提交社区讨论，再决定是否开发

9 月 3 日 — Anthropic 向公众开放了 Claude Code 的一项内部提案：Function Hooks。其开发者账号通过两段视频介绍该提案，并一开始就明确表示目前尚未交付任何功能；GitHub 第 91870 号 issue 更明确指出，社区反馈很可能会决定该功能最终是否落地。目前，Claude Code 的 hook 是在设置文件中声明的 shell 命令。该提案计划将其替换为注册到事件上的 TypeScript 函数，并像 Express 或 Koa 一样将其组成 middleware 链，通过 next 延续执行：注册顺序决定嵌套关系，最先注册的 plugin 会包裹后续 plugin，因此拥有更高权限。提案的核心是一个参数化的 $ 对象，它是执行副作用的唯一许可通道，不允许对文件系统或网络进行环境式访问。这样一来，一个 plugin 做过什么就能完全归结为它发出的调用，从而让每项操作都可审计、可授权、可拒绝或可记录；管理员还可以移除某项 capability，使其下方注册的任何内容都无法调用该能力。反馈主要集中在异常发生时的行为、每个 hook 的最长执行时间，尤其是现有 shell hook 的去留；部分用户希望将其作为补充机制继续保留。

Claude Code 负责人 Boris Cherny 转发了该提案，并直接询问用户是否会使用这一功能，同时将这个想法形容为有点疯狂且非常令人兴奋。该 issue 还附有一份架构文档和九段视频；作者在讨论串中说明，文件系统、网络和进程访问很可能都会提供：目标不是限制 plugin，而是让所有副作用都通过统一通道发生，以便管理员进行审计。

🔗 Function Hooks 介绍 · 🔗 GitHub Issue 91870

Claude Code 2.1.259：托管 MCP 服务器与更严格的拒绝规则

9 月 3 日 — 2.1.259 版本于夜间发布，内容明显多于仅修复 macOS Monterey 启动问题的 2.1.258。两项新增功能面向受管部署：managedMcpServers 设置允许组织向所有用户提供 HTTP 或 SSE MCP 服务器，其中指定要执行的本地命令的条目会被忽略；--permission-prompts none 标志则面向无人值守的 headless 主机，在这种环境中，任何原本会触发提示的操作都会被自动拒绝，同时仍由当前生效的 permission mode 作出判断。与此相应，无法解析的托管设置文件不再被静默忽略：Claude Code 会拒绝启动，并指出出错的来源。在安全方面，拒绝规则 Bash Read() 现在也涵盖作为选项值传入的文件、git diff 和 git grep 的 operand，以及 cd DIR && cat FILE 类型的复合命令。一项重要修复涉及并发 session：此前这些 session 会悄然撤销彼此对用户配置文件的修改，导致 workspace 信任状态和 MCP 状态丢失。管理员需要注意一项行为变化：allowedMcpServers 现在仅管理用户添加的服务器；如需阻止托管服务器，必须使用 deniedMcpServers。该版本还支持 GitLab merge request 命令，并为 plugin 验证增加 JSON 输出。

🔗 2.1.259 版本说明

GitHub Copilot：内容排除、Gemini 3.8 Flash、四项弃用与更严格的计费规则

内容排除现已适用于 Copilot 应用和 CLI

9 月 2 日 — GitHub Copilot 应用和 Copilot CLI 现在会遵守由企业、组织和仓库管理员定义的内容排除（content exclusions）策略。这对于 agent 工作流尤为重要：agent 会主动探索仓库，如果策略仅应用于编辑器补全，组织希望隔离的秘密信息、配置文件或采用限制性许可证的代码仍可能被访问。无论交付什么任务，被排除的文件都不再用作上下文。该功能已正式发布，仅面向 Business 和 Enterprise 客户；个人账号不支持这些策略。

🔗 应用和 CLI 中的内容排除

Gemini 3.8 Flash 以与前代相同的价格加入 Copilot

9 月 3 日 — 在 Google 发布 Gemini 3.8 Flash 二十四小时后，该模型已加入 Copilot 的模型选择器，适用于 Pro、Pro+、Max、Business 和 Enterprise 套餐，并将在八个界面逐步推出：Visual Studio Code、Visual Studio、Copilot CLI、cloud agent、Copilot 应用、JetBrains IDE、Xcode 和 Eclipse。GitHub 将初步测试结果概括为两点：它在终端中执行复杂代码任务时表现良好，并且能够在遇到可操作的失败后持续恢复。最具体的优势在于价格：截至 2026 年 12 月 31 日，每百万输入 token 收费 0.75 美元，缓存输入收费 0.075 美元，输出收费 3.75 美元。这与 Gemini 3.6 Flash 和 3.7 Flash 已采用、且持续到同一日期的促销价格完全一致：升级模型代际不增加价格。

🔗 GitHub Copilot 中的 Gemini 3.8 Flash

另有四个模型将于 10 月 2 日退出 Copilot

9 月 3 日 — 在六个模型正式下线两天后，GitHub 宣布了下一轮计划。四个模型将于 2026 年 10 月 2 日从所有 Copilot 体验中移除，包括 chat、inline edit、ask mode、agent mode 和代码补全。

弃用模型	弃用日期	建议替代方案
Gemini 3.5 Flash	2026 年 10 月 2 日	Gemini 3.8 Flash
Gemini 3.6 Flash	2026 年 10 月 2 日	Gemini 3.8 Flash
Kimi K2.7 Code	2026 年 10 月 2 日	Kimi K3
Claude Opus 4.7	2026 年 10 月 2 日	Claude Opus 5

其逻辑是收紧产品目录，将重点集中到各供应商的最新一代模型上。Business 和 Enterprise 管理员可能需要在模型策略中启用替代模型的访问权限，但无需采取任何操作来移除已弃用的模型。

🔗 Copilot 即将进行的弃用

重新开放 Business 和 Enterprise 注册，席位需预付费

9 月 3 日 — GitHub 将在约两周内逐步重新开放 Copilot Business 和 Enterprise 注册，面向使用银行卡或 PayPal 付款的客户，并称此举是基于服务的可用性与可靠性，同时计划通过加强账户验证进一步改善服务。小型团队最需要关注的是计费方式的变化：今后每次分配新席位，都必须先付款，用户才能获得访问权限；在下一个计费周期，所有已分配席位都将提前收费，现有客户也将从 2026 年 10 月 1 日起适用。超出包含额度后，可能需要额外付费才能继续工作，而包含额度可能按当月比例折算。套餐价格、席位按比例计费以及购买额外用量的规则均不变。GitHub 还表示，完全取消 Copilot 后再重新订阅，可能会触发新的流程，因此不鼓励临时退订。

🔗 重新开放 Copilot Business 和 Enterprise 注册

Hugging Face 在被收购当天发布三项成果

funes，为代码代理提供持久的本地记忆

9 月 3 日 — Hugging Face 发布 funes，这是一个面向代码代理的持久记忆层，基于机器上已有的会话轨迹构建。其出发点很常见，却很少得到处理：每个新代理都要像初次接触一样重新了解项目，而上周的推理会随着会话结束而消失。安装只需一个二进制文件，随后为每个代理运行一条命令 funes add claude（或 codex、pi、hermes）；该命令会构建首个索引，向代理开放 recall 和 get 工具，并安装自动化流程，为每个已完成的轮次建立索引。在底层，一个确定性流水线会将每条轨迹转换为轮次和区块，再进行切分，使用固定版本的本地模型生成嵌入，并写入本地 Lance 数据集；查询时会结合向量搜索和 BM25，融合排序结果，再使用交叉编码器重排（cross-encoder rerank），并按新近程度重新加权。写入时不会提炼内容：recall 会返回原始文本及其准确出处。默认情况下，一切都保留在本地，无需账户或远程仓库。共享是可选的，通过 Hub 上的私有数据集完成：建立索引时先清除标识信息，发布前再进行第二轮清理。在一个包含两项任务的测试中，由于缺少先前上下文便无法重建答案；多数代理默认采用的上下文压缩方式成功完成了一项任务，却在另一项上失败，因为摘要抹平了有用的发现；相比之下，记忆召回是三种方式中成本最低的，在一项任务上的成本比书面交接低 8 倍，在另一项上低 4 倍。

🔗 funes

NeoMME，两个从零训练且不依赖视觉主干的多模态编码器

9 月 3 日 — H Company 发布 NeoMME，这是一个包含两个多语言多模态编码器的模型家族，参数量分别为 2.6 亿和 8 亿，采用 Apache 2.0 许可证，并从发布首日起就在 Transformers 中提供实现。其独特之处在于架构。大多数视觉文档检索器源自生成式视觉语言模型，其中预训练视觉编码器为因果解码器提供输入。然而，搜索和分类并不会以自回归方式生成文本，因此既不需要这种解码器，也不需要它带来的额外参数开销。NeoMME 将两者都移除：由单一双向 Transformer 处理文本 token 和原始的 32×32 图像块，并使用掩码离散扩散目标从零开始训练。在 ViDoRe v3 基准测试中，2.6 亿参数模型的 nDCG@10 达到 0.523，在参数量严格低于 8 亿的模型中得分最高，与参数量约为其十四倍的 ColQwen2.5 仅相差 0.002；8 亿参数模型则达到 0.556。对部署而言，最实际的亮点仍是索引大小：通过结合分层 token 池化和非对称量化，团队将每页索引从 1.5 MB 压缩到 39 KB，同时保留超过 99% 的基准分数；甚至可压缩到每页 6 KB，即缩小 255 倍，同时仍保留超过 95%。

🔗 NeoMME

IBM 将四个时间序列模型引入 Confluent 数据流

9 月 2 日 — IBM Research 与 Confluent 开放四个时间序列基础模型的抢先体验，这些模型可直接在数据流中运行，无需将数据提取到独立的机器学习平台。四个模型均通过现有的 Flink SQL 函数 AI_FORECAST 和 AI_DETECT_ANOMALIES 调用，只需调整一个参数即可选择模型，无需重新设计流水线。PatchTST-FM 读取时间序列的方式类似语言模型读取文本：逐块处理，每个变量位于各自的通道中，并返回完整的分布。FlowState 维护一个随每个数据点持续更新的摘要，并采用连续时间动态机制。TTM 以小型混合网络取代注意力机制：一个百万参数模型可在每晚使用 CPU 处理 10 万条时间序列。TSPulse 结合时域与频域视图，用于异常检测、分类和缺失值填补。将模型置于数据流中的优势在于状态管理：Flink 能够按序列管理状态并提供容错能力，从而不再需要单独的数据存储。模型权重仍在 Hub 上开放，推理也可脱离 Confluent，在用户自己的 CPU 上运行。IBM 表示，这些模型的下载量已超过 4400 万次，并在水泥、钢铁、纸浆与造纸、食品加工和电信领域的设计合作伙伴中带来了 5 至 10 倍的生产力提升。该功能将在 AWS 上的 Confluent Cloud 开放，体验期间不收费。

🔗 Confluent 中的时间序列模型

Qwen 发布为期 365 天的商业基准测试和自动驾驶模型

E-Commerce Bench，18 个代理在模拟的一年中经营网店

9 月 3 日 — Qwen 团队与 Taobao & Tmall Group 联合发布一项基准测试，用于评估代理在整整一年中作为线上商家的表现。其出发点是：多数代理评估都会提供一个有边界的目标和自然终点，但经营店铺永远不会真正结束。代理从 10 万元人民币起步，可在十二种类型中最多开设四家店铺，并在模拟的 365 天中持续处理采购、谈判、定价、促销、库存和现金流。该环境基于经过脱敏的真实数据，包含 60 个类别的 6886 件商品和 576 家供应商，其中 152 家为欺诈供应商；同时还设有时间预算，每次工具调用都会消耗当天的分钟数。最值得注意的技术选择是一个确定性的谈判核心：供应商的每次报价或让步都由固定核心生成，语言模型仅负责将其转化为对话，从而防止代理靠话术将价格压到成本底线以下。

受评模型（共 18 个）	年末资产（千元人民币）	本金倍数	向欺诈方采购
GPT-5.6 Sol	1 431	14.31 倍	18.48 %
Fable 5	805	8.05 倍	3.46 %
Claude Opus 4.8	498	4.98 倍	5.41 %
Qwen3.8-Max-Preview（最佳开放权重模型）	416	4.16 倍	6.13 %
Claude Opus 4.7	259	2.59 倍	0.12 %

最有价值的结果来自补充年末资产指标的六个维度：没有任何模型在所有维度上都占据优势，各维度的最高分分散在六个不同模型上。利润排名第一的模型，在规避欺诈方面仅排第十六。所有模型接触欺诈供应商的比例相同，差异出现在是否真正下单。最后，在同一供应商处重复购买同一商品的 8647 次交易中，十八个模型里有十五个支付的价格显著高于将其自身历史价格随机排序后的结果：经过一年，它们并没有变得更会采购。代码以 Apache 2.0 许可证发布。

🔗 E-Commerce Bench · 🔗 Qwen 博文

Qwen-Drive-1.0，开放权重的自动驾驶模型

9 月 3 日 — Qwen 与 Huazhong University of Science and Technology 联合发布其首个用于自动驾驶的视觉语言基础模型，采用 Apache 2.0 许可证。其核心思路是不改动基础模型 Qwen3.5-4B 的架构，使其继续保持通用多模态模型的定位，同时为其连接两个外部模块。一个鸟瞰视角（bird’s eye view）感知头联合执行三维物体检测、语义占用预测和地图分割，作为可检查的探针，用来呈现模型对场景的理解。另一个规划器是以模型表征为条件的扩散 Transformer，通过流匹配（flow matching）生成未来 5 秒、频率为 10 Hz 的车辆轨迹。训练采用分阶段方式，并且只使用公开数据，其中规划任务使用了 283 万个样本。在驾驶问答测试中，微调版本的平均分达到 69.43，超过了受测的通用模型和车载专用模型；其 LingoQA 得分为 77.8，而基础模型为 70.4，同时总体能力仍与基础模型接近。在规划任务中，经强化学习优化的版本在 NAVSIM 上取得 90.7 的 PDMS 分数。模型与三个头的权重共占用一个 9.1 GB 的目录，建议使用 24 GB 显存的 GPU。作者也明确指出，文本推理与生成轨迹之间的一致性仍需加强。

🔗 Qwen-Drive-1.0

SpaceXAI 详解 Grok Bot 界面，并就 Memphis 故障致歉

Grok Bot 如何为持久运行的代理而设计

9 月 3 日 — SpaceXAI 发布了一篇关于 Grok Bot 的长篇设计文章；这款持久代理产品于 8 月 11 日开启测试。团队从 AI 产品积累的大量概念出发，包括会话、上下文窗口、记忆、连接器、沙箱和权限，最终为用户只保留五类概念：Bots，即拥有身份、记忆、运行时和工具的持久代理；Chats；Prompts，可保存为 Skills 或通过 Routines 触发；Tools；以及 Artifacts。直接结果是，侧边栏不再是一次性对话的历史记录，而是 Bots 列表，每个 Bot 都有自己的名称、头像、记忆和计算机。头像通过动画呈现 Bot 的状态，包括空闲、思考、工作、等待、受阻或完成；这是测试后找到的折中方案，因为三个动态圆点提供的信息太少，而完整日志又太多。Bot 的计算机以三个层级呈现：状态图标、侧边预览面板，以及 Bot 请求帮助时可接管的全屏模式。测试中，计算机越显眼，用户就越倾向于持续监视它。工具和 Skills 在账户层级共享，而记忆和 Routines 则归各个 Bot 所有；实际限制约为每个账户 50 个 Bots，每个群组对话 6 个 Bots。

🔗 Grok Bot 的设计

Memphis 数据中心故障

9 月 3 日 — 当天深夜，SpaceXAI 公开承认，其位于 Memphis、部署了 Colossus 超级计算机的数据中心在当天上午发生故障。声明不仅向 Grok 用户致歉，还特别向受影响的算力合作伙伴致歉，这一点颇为值得注意：Memphis 不仅托管公司自有模型，该公司还在当地出售计算能力，其中包括依据 5 月 6 日宣布的 Colossus 1 访问协议向 Anthropic 提供算力。扫描时，SpaceXAI 的状态页面没有报告任何事故，但其可用性曲线显示，多个区域接入点的推理可用率仍略低于 100%。Claude 的状态页面在同一天列出了一起多个模型错误率升高的事故，于 13:26 开始，16:16（UTC）结束；两家公司均未将其与 Memphis 故障联系起来，时间上的重合是唯一可观察到的关联。与此同时，两家中国实验室借机发声：Z.ai 简短地发布了“We’re still up”，Qwen 则转发了其云服务的消息，邀请用户前来构建。

🔗 SpaceXAI 的致歉

生成式媒体：同日发布四项公告

HUMAIN-M3，基于 MiniMax M3 构建的阿拉伯语模型

9 月 3 日 — 沙特 AI 公司 HUMAIN 发布 HUMAIN-M3，这是一款由其委托 MiniMax 打造的阿拉伯语模型，现已在 HUMAIN Node 平台提供研究预览。MiniMax 说明了训练方案：该模型以 6 月 1 日发布的开放权重模型 MiniMax M3 为基础，随后使用超过一万亿个阿拉伯语 token 继续训练，目标是覆盖区域内的多种语言和方言，而非仅支持单一的标准阿拉伯语。对 MiniMax 而言，其意义不止于阿拉伯市场：该公司认为，这证明开放基础模型可以由第三方进行本地化和扩展，以构建区域生态系统。这也是一家海湾企业向中国实验室发出的一项重要产业订单。公告未披露模型规模、基准测试结果，也未说明研究预览之外的访问条件。

🔗 MiniMax 公告

Synthesia 推出 Assistant，通过提示词生成企业视频

9 月 3 日 — Synthesia 发布 Assistant，可通过简单的提示词制作企业视频。用户可以上传文档或提供 URL，也可以用自由文本描述需求；Assistant 会在几分钟内应用账户的品牌套件生成初稿，之后还可通过对话继续修改视频，无需从头重新剪辑。此次发布是各头像平台争夺视频代理市场的一部分。公告没有说明适用套餐、支持语言或上线时间表；扫描时，官方网站也尚未提供专门页面。

🔗 Assistant 发布介绍

ElevenLabs 与 Genesys 携手打造企业语音代理

9 月 3 日 — ElevenLabs 宣布与联络中心平台 Genesys Cloud 的开发商 Genesys 展开合作。双方提供两种集成模式：将 ElevenAgents 插入客户服务流程，与 Genesys 虚拟代理并行运行，并协调它们之间的工作分配；或者保留 Genesys 代理，同时为其赋予 ElevenLabs 的一种富有表现力的语音。这一公告延续了将这些代理部署到大型客户服务渠道中的战略。公告未详细说明地区可用性、定价或时间表。

🔗 ElevenLabs 与 Genesys 的合作伙伴关系

Midjourney 将 V8.2 编辑模型引入灯箱

9 月 3 日 — Midjourney 发布了其 alpha 网站的更新日志，团队正在围绕前一周开始测试的 V8.2 编辑模型重构界面。主要变化是在灯箱中集成编辑器：打开一张图片，用自然语言描述修改内容，附加最多四张参考图片，本次会话中的所有编辑结果都会显示在同一位置。团队还在试验风格转换功能，并将其描述为更直观地探索风格空间的开端，同时继续改进提示词栏——这是自 alpha 版本发布以来公认的使用痛点。其余内容包括问题修复和速度提升。一分钟后，Midjourney 发起创意征集，并计划在一至两周内举行正式投票，以确定优先事项。

🔗 Midjourney 更新日志

Antigravity CLI 1.1.24 与 1.1.25：按工作区查看、通过 API 密钥使用 Gemini 3.8 Flash，以及在 MCP 配置中添加注释

9 月 2 日和 3 日 — Antigravity CLI 更新日志连续两天发布了两个版本。1.1.24 是维护版本：重新设计了 /mcp 面板中的导航，mcp_config.json 支持注释和尾随逗号，并可在 headless 模式下正确关闭数据流；CLI 现在会在运行时为保留的描述符设置关闭属性，使子进程不再保持调用方管道处于打开状态。其他修复涉及代理选择器中的重复条目、从已删除的工作目录启动，以及在活动目标执行期间提出的旁支问题会触发非预期工具调用。

1.1.25 带来三项新功能。会话恢复选择器新增可选的按工作区分组视图，可以在扁平列表与按目录分组之间切换。前一天发布的 Gemini 3.8 Flash 已加入模型目录，供通过 API 密钥登录的用户使用。最后，以 Markdown 定义的自定义代理现在默认继承环境中的 skills、规则和子代理，从而与默认代理保持一致。七项修复包括：当授权码超过 1,024 个字符时 MCP 服务器的 OAuth 身份验证问题；Windows 上因路径分隔符导致全局 skills 与工作区 skills 混淆的排序问题；会话重新加载之间重复权限不断累积的问题；以及后台摘要更新触发的空指针崩溃。

版本	日期	改进	修复	亮点
1.1.24	9 月 2 日	1	6	MCP 面板导航、配置中的注释、headless 数据流
1.1.25	9 月 3 日	3	7	按工作区恢复、通过 API 密钥使用 Gemini 3.8 Flash、Markdown 代理继承

SDK 已经抢先一步：8 月 31 日发布的 Antigravity SDK 0.1.16，在模型正式公布前两天便将 Gemini 3.8 Flash 设为新代理的默认模型，并为小型本地模型以及通过 API 密钥使用 Vertex AI Express 模式添加了轻量配置。

🔗 Antigravity 更新日志

Google Pics，Workspace 的图片创建与编辑工具

9 月 1 日 — Google 推出 Google Pics，这是一款隶属于 Google Workspace、基于 Nano Banana 模型构建的图片创建与编辑工具。未来几周内，它将面向所有 Google AI Pro 和 Ultra 订阅用户以及大多数 Workspace 企业客户推出，既可作为独立产品通过 pics.new 访问，也会集成到各应用中：首先集成至 Docs 和 Slides，之后将支持 Drive。其重点功能更偏向精确编辑，而非单纯生成：通过对象分割隔离某个元素并对其进行变换，而不影响其他部分；可针对特定区域添加文本说明，并一次执行多项修改；直接编辑和翻译图片中的文字，同时保持版式和字体不变；多人共同编辑同一张图片；以及根据单个请求生成多个变体。Google 指出，每月有数百万用户在 Workspace 中处理数十亿张图片，因此其目标是在用户现有的工作环境中直接完成编辑。

🔗 Google Pics

Codex CLI 0.153.0：Vim 撤销、远程插件、自动重新连接与实验性上下文管理

9 月 3 日 — Codex CLI 0.153.0 于清晨发布，比 GPT-6 Astra 的公告早了几个小时，并交付了该模型文章中所描述的新上下文管理基础组件。默认关闭的 features.context_management.experimental_mode 选项可为在 Codex 后端运行的 ChatGPT Plus、Pro 和 Pro Lite 会话启用基于 token 预算的上下文、历史记录以及 new_context 工具；OpenAI 将其描述为 Astra 未来的默认设置。使用 API 密钥的会话、自定义提供商以及临时结构化线程仍不支持该功能。

该版本的其余改动主要改善终端使用体验：在 Vim 模式下支持撤销和重做，同时保留粘贴的草稿；可管理来自远程 marketplace 的插件；新增 tui.auto_recap = false 设置，可关闭自动总结但保留 /recap；Plus 和 Team 订阅用户在大约五小时的限额窗口剩余配额低于一半时，会更早收到提醒。外部 app-server 连接中断后，TUI 会话可自动重新连接，同时保留草稿和转录记录。Guardian 审查也得到调整：在 Full Access 模式下，纯确认操作会跳过审查，并且审查历史记录可在上下文压缩、重启和 fork 后继续保留。app-server 通过 request_user_input_async 支持结构化异步提问，而在执行框架一侧，Astra 可以一边继续工作，一边提出非阻塞问题。

🔗 rust-v0.153.0 发行说明

v0 一步发布 GitHub 项目，从工作分支直达生产环境

9 月 1 日 — v0 在更新日志中统一了由 GitHub 支持的项目发布流程。每项修改都会提交到独立的工作分支，并获得一个预览部署；发布时只需点击一次 Publish 按钮：v0 会创建或复用 pull request，将其合并到基础分支，并把合并后的结果部署到生产环境。分支菜单集中提供相关操作：查看最新预览、与基础分支的 diff、创建或合并 pull request、查看 CI 检查和仓库规则的状态、拉取基础分支的变更，或者让 v0 修复预览、CI 或合并问题，而无需离开对话。仓库仍然是唯一事实来源：必需检查、审查、合并限制和分支保护规则继续生效；如果某项规则要求人工干预，v0 会暂停流程并将用户引导至 pull request，而不会绕过该规则。

🔗 v0 更新日志

Cohere Labs 发布 696,291 个 MCP 工具，并衡量代理真正实现了哪些自动化

9 月 3 日 — Cohere Labs 发布了 ATE，即代理任务生态系统（Agentic Task Ecosystem）。这是一个包含 696,291 个工具的数据集，覆盖 123,069 个公共 MCP 服务器；这些数据于 2026 年 5 月从七个目录中收集并完成去重。作者的思路是：每个已发布的工具，都是一条带日期的小型记录，代表某位开发者认为足够具体、可以交给机器完成的任务。这是一种供给侧信号，可作为理论暴露度研究的补充，而且它出现于任何采用数据之前。每个工具都会与美国劳工部 O*NET 数据库中最接近的职业任务描述进行匹配，随后由模型判断该工具是否能够端到端执行任务，并排除那些仅向执行任务者提供信息的工具。

指标	数值
收录的工具	123,069 个公共 MCP 服务器上的 696,291 个
端到端执行任务的工具	2.6%（18,058 个匹配项）
没有任何代理工具的职业	923 个职业中的 419 个
已覆盖的任务描述	1,380 个，约占可由软件执行工作的 15%
未匹配的工具类别	1,136 个，其中仅 35 个属于真正的新型工作
理论暴露度与实际覆盖率的相关性	178 个职业中为 0.54

按照这一严格标准，大约每四十个工具中有一个能够端到端完成一项已收录任务。作者认为这是一个下限，因为企业内部服务器并未被公共目录收录。不过，其余 98% 也并非都是前所未有的工作：按相似性分组后，它们可分为粒度比职业数据库更细的现有工作、多个任务的串联、代理自身运行所需的基础设施，以及仅占 3% 的真正新类别——这些类别几乎都与代理管理有关。与理论进行对照是这项研究最有意思的贡献：暴露度评分能很好地说明某个职业有多少工作可被触及，却无法说明具体是哪些部分；它与已工具化任务在某一职业工作组合中所处位置的相关性无法与零区分。专家认为技术上可行的事项能够预测实际会构建什么；劳动者希望自动化的事项则毫无预测力。最后，这些工具瞄准医疗和信息技术职业的专业核心，而在法律、生产和销售领域，它们仍停留在常规性的边缘任务上。

🔗 自动化的早期足迹 · 🔗 ATE 数据集

简讯

WebMCP Challenge 延长 12 小时 — 由于 OpenAI 服务在 9 月 3 日白天发生故障，申请截止时间推迟至太平洋时间凌晨 1 点，OpenAI 开发者账号转发了这一消息。🔗 公告
Ploy AI 使用 GPT-5.6 Sol 子代理统筹营销活动 — 一段 1 分 17 秒的视频讲述了 Bryant Chou 团队的使用体验，推文中没有提供数据或技术细节。🔗 视频
Replit 强调其已发布应用的分析功能 — 两条推文介绍了已发布应用的使用统计，以及由 Replit Agent 建议添加的自定义事件；既没有博客文章，也没有发布式表述：Growth 仪表板原本就已存在，Agent 建议指标可能是唯一的新功能。🔗 推文
Replit 将于 9 月 10 日庆祝伦敦办公室成立 — 这场与 OpenAI 联合举办的晚会将安排 Paul Graham 与 Amjad Masad 对谈，延续了 8 月 28 日宣布开设首个国际办公室的消息。🔗 公告
100 步 GRPO 让一个 3.5 亿参数模型提升 7 分 — 一份 Hugging Face 方案使用约 500 个样本和 100 个训练步骤微调 LFM2.5-350M，规模适配免费 GPU，使 IFStruct 得分从 22.6% 升至 29.7%，提升主要集中在 JSON 和无标记列表上。🔗 方案
教代码模型画水彩画 — 这是一次开放复现的强化学习训练，其中 Qwen3.5-35B-A3B 编写用于绘制图像的 JavaScript，美学奖励则基于一个由 178 幅人工评分画作组成的池。🔗 文章
机器人足球联赛发布 240,016 张运动图像 — 数据包含 16 场模拟人形机器人比赛，即以 25 Hz 记录的 160 分钟姿态数据，采用 CC BY 4.0 许可，可用于轨迹预测；但由于缺少关节角度，明确不适用于策略学习。🔗 数据集
279 种不含脯氨酸的 VHL 配体作为开放假设发布 — 这些生成分子占据参考位点，却不含文献中的主导基序；其极性表面积中位数为 89.6 平方埃，而对照值为 111.6 平方埃，并且它们锚定于骨架而非侧链。🔗 论文
VT Code 一周年 — 这款以 Rust 编写的终端代码代理已更新至 0.154.0 版，支持超过 26 家模型提供商，并包含约 30 个 crate，而这些新增内容均未触及代理循环。🔗 回顾
与 Google DeepMind 首席 AI 架构师对谈的播客 — Koray Kavukcuoglu 在约 27 分钟的节目中谈到前沿模型、Gemini 4 预训练运行的目标、AGI 尚无测试标准，以及向代理式编程的转变。🔗 节目
Gemini Notebook 量化其弹性限额带来的提升 — 作为 8 月 28 日公告的后续，团队表示免费方案在 24 小时内可生成 3 倍的音频概览、10 倍的报告，以及 20 倍的测验和闪卡，同时支持延迟生成产物。🔗 公告 · 🔗 详情
Copilot app for Beginners 第 5 集 — Kayla Cinnamon 演示了如何在 GitHub Copilot 应用中并行启动多个代理会话，每个会话都使用各自的 Git worktree 和上下文。🔗 节目
GitHub Podcast 解读代理术语 — Cassidy Williams 为本集配套整理了一份包含八个术语的词汇表，涵盖循环工程、代理小队与代理舰队、执行框架，以及通过评估逐步改进等概念。🔗 词汇表
GitHub CLI 的 Linux 软件包签名密钥将于 9 月 5 日到期 — 4 月 8 日之前通过官方仓库安装且从未更新的用户需要安装替代密钥环；Windows、macOS、Homebrew 和直接下载的二进制文件不受影响。🔗 更新日志
CodeQL 2.26.4 — 此版本新增对 Go 1.27 的支持、定位更准确的 Rust 警报、适用于 Spring R2DBC 的 SQL 注入模型，以及 Python 中经由 list.extend 传播的污染分析，并强化了对 GitHub Actions 的检查，尤其是指向可复用工作流的可变引用。🔗 更新日志
Genspark 在旗下三款产品中加入 Gemini 3.8 Flash — 该模型现已进入 AI Chat、Code Agent 和 Claw；这发生在集成 Claude Fable 5.1 的次日，也与其登陆 GitHub Copilot 同日。🔗 公告
ElevenLabs 详解其语音销售代理 — Dom 甄别入站潜在客户的中位用时为 4 分钟，而人工团队需要 2 天；经过多信号级联处理后，其准确率达到 92%，54% 的通话发生在办公时间之外，并在一个月内创造了超过 100 万美元的销售管道。🔗 实践回顾
Luma 启用企业治理功能 — 包括团队隔离、按项目设置积分上限，以及达到上限后仍不中断服务的计费机制，但未公布价格或最低套餐要求。🔗 公告
NBA 2K27 携 DLSS 5 的 3D 引导神经渲染登陆 GeForce NOW — 该功能由 Visual Concepts 与 2K 合作开发，可重塑光照和材质；仅面向使用 GeForce RTX 5080 云端主机串流的 Ultimate 会员，是 9 月新增的 28 款游戏之一。🔗 文章
Suno 上传限制正式生效 — 这些限制于 8 月 10 日公布，自 9 月 3 日起实施：免费方案终身可尝试 7 次，Pro 每月 20 次，Premier 每月 60 次，Suno Studio 则不设限制；此举发生在与音乐产业共同开发的新一代模型推出之前。🔗 文章
NVIDIA 公布奥斯汀 AITX 黑客松获奖名单 — 在 X 上进行了 37 分钟的获奖者专题直播，但没有附带文字介绍，也没有提供获奖项目链接。🔗 直播
Kimi Code CLI 0.40.0 与 0.40.1 — shutdown、reboot 或 rm -rf 等破坏性命令在自动模式下会被阻止，在其他模式下则需要确认；子代理模型池现已默认启用，网页界面也新增了插件面板。🔗 发行说明
Cohere 调侃当天的 AI 服务故障 — 官方账号引用了一条称所有 AI 均已宕机的消息，随后发文表示，其本地部署会将故障责任置于客户一方。消息没有点名任何受影响的服务，也未发布任何产品。🔗 消息

这意味着什么

一项进攻能力被宣布突破门槛，而对应的防御措施也在同一天交付。 OpenAI 将 Astra 列为其网络安全准备框架中的 Critical 级别；按照其自身术语，这意味着只要具备适当的工具和访问权限，该模型就能发现未知漏洞，并在防护严密的系统上开发新的利用方法，无须人类逐步指导。评估期间发现的两个 zero-day 漏洞具体证明了这一点。应对方案也在同一天公布：为关键服务的防御人员提供价值 10 亿美元的网络安全模型补贴访问额度，并发布专页介绍内部搭建的持续防御体系，包括误报数据和被撤销的修复数量。不过，安全文章并未掩饰一个问题：对推理过程的监控能力正在减弱。Astra 比前代模型更能控制自己的思维链，在其中留下的可归责信息更少，并能在对抗条件下刻意表现不佳而不被发现。OpenAI 明确表示，对齐审计已不能再仅仅依赖阅读这条思维链。

开放权重的发布平台易主，而买家恰好销售加速器。 NVIDIA 的文章大部分篇幅都在承诺保持中立，其中一项承诺非常具体：在 Hugging Face 上构建或部署产品不会被要求使用 NVIDIA 算力。这句话之所以存在，是因为这个问题确实会被提出。当天甚至出现了一个无意中的例证：就在同一天，被收购的平台发布了面向代理的本地记忆层；H Company 在该平台以 Apache 2.0 许可发布编码器，可将索引大小缩减 255 倍；IBM 与 Confluent 在该平台推出四个开放权重时间序列模型；Qwen 也以相同许可上传了一个自动驾驶模型。公告没有说明交易完成后这种平衡将如何变化，也未给出任何时间表或监管条件。

本地推理的工具建设速度快于算力提升。 NVIDIA 在 IFA 展示的重点并非硬件，而是基础管线：在三款代理中提供一键式模型安装器；推出一个 open source 路由器，可在代理毫无感知的情况下，将请求分发给同一网络中的闲置 PC；以及在现有引擎上实现吞吐量提升。Perplexity 将其完整的代理技术栈从一台拥有 128 GB 内存的机器下放到任何配备 24 GB 显存显卡的设备，而决定这一门槛的是经 4-bit 量化的编排器，并非商业限制。这些公告的共同点在于问题重心已经转移：现在要问的不再是一个实用模型能否装进个人电脑，而是一项任务中有多少部分值得发送到 cloud，以及由谁授权。

评估正在成为每个团队自行构建的一项基础设施。 Warp 开放了一个根据团队过往运行记录生成的基准测试，并给出量化依据：公共数据集已经饱和，而且出现在训练数据中；重放自身任务则在不降低合并率的情况下，将每个已完成 pull request 的成本从约 80 美元降至 30 美元。Cognition 在自建基准上发布自己的得分，以此说明为何将 Astra 引入 Devin。Qwen 构建了一个让 18 个代理在模拟的 365 天内经营商店的环境，结果发现利润第一的代理在规避欺诈方面仅排第十六，而且 18 个模型中有 15 个在一年后仍未能以更低价格进货。Cohere Labs 则衡量开发者实际选择自动化的内容，发现理论能够很好地预测自动化的数量，却无法预测自动化的对象。这四项工作从四个角度说明了同一件事：汇总得分已经很难反映代理在特定环境中究竟会做什么。

治理正在通过合同和计费收紧，其程度不亚于技术层面的管控。 GitHub 将要求每个 Copilot 席位完成付款后方可开放访问，从 10 月 1 日起预收所有席位费用，并警告称取消后重新订阅会触发新的验证。模型目录将在 10 月 2 日再移除四个模型，而两天前才刚刚移除六个。Anthropic 正在推广由组织管理的 MCP 服务器，新增拒绝所有提示的 headless 模式，其 hooks 提案还让所有副作用都经过单一通道，目的正是让管理员可以将其移除。Memphis 数据中心的故障最终也提醒人们注意这种结构化的另一面：SpaceXAI 的致歉对象不仅是用户，也是其算力合作伙伴，因为如今的推理链已经由竞争对手共同使用。