依意思最接近的 30 筆
開源 AI agent 治理層 Bernstein 更新至 v3.23.0，提供 53 個 CLI agent 介面卡，採用 Apache 2.0 許可並支援本地部署。它用不參與協調的確定性 Python 排程器並行執行 agent，同一個計劃可以逐位元組重放，流程依次為任務拆解、在隔離 worktree 中生成 agent、用測試、型別檢查和 lint 驗證，最後只合並通過驗證的 diff。
Terminal X 基於 GPT-6.1 Sol 的 Eval Agent 在 500 條評分判斷中與資深投資人一致率達 88.6%，比次優模型高 220 個基點。該評估按 54 項標準逐條打分，多抓出約 25% 偏離基金投資授權的建議，單次查詢成本低約 30%。其 Capital Memory 系統把每家機構的投資流程編碼成數百個 Agent，GPT-6.1 Sol 負責需要長上下文判斷的環節，GPT-6.1 Luna 跑高頻步驟。
復旦大學、香港中文大學 MMLab 與上海交通大學提出 ReTerm，讓 Code Agent 在自己造成的失敗現場獨立嘗試恢復，再以恢復成敗作為強化學習訊號，形成失敗驅動的遞迴自我改進閉環。ReTerm-9B 在 Terminal-Bench 2.0 上從 20.2% 提升到 34.8%，SWE-bench Verified 從 45.2% 升至 58.4%，OpenThoughts-TBLite 從 44.2% 升至 60.6%，三項均提升超過 13 個百分點。
Anthropic 發布一套面向企業客戶的報表工具：管理者可以按時間段檢視團隊用 AI 做了什麼、產出多少、消耗多少 token、流程卡在哪裡，並獲得改進建議；這些資料預設不用於模型訓練。同時上線團隊共享預算池，用於管理 token 支出。Anthropic 披露 Claude Code 淨收入留存率達 900%；
Theranos 吹哨人 Tyler Shultz 警告，AI 熱潮是行騙的好機會。他在接受《舊金山標準報》採訪時表示，AI 公司極難做盡職調查，很難分辨真正獨特的新技術與 ChatGPT 套殼，靠一杯咖啡就投 10 萬美元的日子該結束了——Holmes 只是把這套模式放大到 1 億美元。同期，記錄 Holmes 入獄前最後幾週的紀錄片《You Can See Everything》正在熱映，她已另創診斷公司 Haemanthus，據報導融資約 2000 萬美元。
Berth 是一款開源 macOS 應用，讓 Claude Code、Codex 等 coding agent 跑在自有開發機上，合上筆記本仍繼續工作，早上開啟即可看到結果。按 ⌘N 說出需求，Berth 會在選定機器上建立 worktree 並啟動 agent，命令與讀取摺疊成一行、編輯以 diff 呈現，Claude 提問可就地作答；兩個 worktree 可分色分組並排對比聊天、diff 與終端。
SLDBench v2 把「做哪些實驗」也交給 AI，8 個前沿模型需要自主選擇實驗後，成績全部下滑，預測誤差擴大到原來的 1.5 至 4.7 倍。該基準把 30 個任務的真實訓練記錄做成一份標價目錄，AI 按當年實際消耗的算力付費購買結果，再據此預測從未見過的更大規模實驗。表現最好的 Claude Opus 5.5 只花全量成本中位數 4.01%，R² 中位數 0.570，仍超過經典冪律公式用全部資料擬合的 0.455。
Google 等團隊發布 T2J-Bench，用 63 個整倉任務評測 Coding Agent 把 PyTorch 程式碼庫遷移到 JAX 的品質。任務覆蓋 18 個模型家族，含 45 個 LoRA 微調任務和 18 個 paged-attention 推理服務任務，從規範、數值、行為三層檢查。
Ricursive Intelligence 發布 Ripple-65B Preview，稱其在美國開放權重模型中 agentic coding 排名第一，TerminalBench 2.1 得分 80.52，高於 Reflection Beam 501B（80.1）、Meta Muse Spark Open 816B（76.4）等更大模型。
Google 開源了 Harness²，這是一套雙層遞迴框架，讓 Agent 在執行時自行修改腳手架、系統提示詞、工具鏈與技能庫。它在沒有標準答案時，用 Propose–Probe–Compose 對改動做行為對比篩選，並把除錯經驗寫進經驗庫，供後續任務檢索複用。實測 GLM-5 在 OpenCode 下執行 WorkBuddy-Bench，得分從 64.2 升到 75.7（+11.5 分），反超未改腳手架的 Gemini 3.5 Flash（72.4）；
Ai2 推出 StateBench，一個按四檔難度衡量語言模型在長文件中追蹤實體狀態變化的基準。結果顯示：迴圈與混合架構（如加入 Gated DeltaNet 層的 Olmo Hybrid）在直接訓練後泛化能力遠超 transformer，而 Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol/Luna 等前沿模型在輸入變長、依賴鏈變複雜時仍會失效。
STEPX（階躍終端）推出旗下首款 AI 終端原生開發工具 Step Studio，創客只需使用自然語言即可生成 AI App、遊戲、智慧體和 Skill，並可通過 MCP、A2A 等協議連線外部服務與專業智慧體。
復旦大學、騰訊混元與清華大學聯合發布 ExplorationBench，用兩套規則被改寫的「異星世界」AlienCode 和 AlienLogic，評測 AI 能否通過自主實驗發現規則。10 個前沿系統讀完範例後，在 AlienCode 上最高僅 15.7%，四輪探索後最好軌跡達 89.0%；若只讓模型多想、不給環境反饋，最高只有 11.0%。GPT-5.6 Sol 自主探索拿到 88.1%，而事先直接告知全部規則反而只有 69.5%，說明探索過程同時提升了規則的使用能力。
JetBrains 發布 ThinkRail，一款圍繞 pi coding agent 建置的 agentic IDE。它把任務放進獨立的 git worktree 工作區，多個 agent 可並行執行而不改動當前 checkout；並用程式碼旁的 SPEC.md 圖譜持久儲存專案意圖，直接讀取已有的 Agent Skills 與 MCP 伺服器配置。使用者可用 JetBrains AI 登入或自帶你自己的 provider 憑證，ThinkRail 本身沒有帳號；
Tenex 聯合創始人 Alex Lieberman 與 CJ Hess 在 AIE New York 介紹，這家按交付產出而非工時給 AI 工程師付酬的公司已擴張到 75 人，客戶覆蓋財富 2000 與中端市場企業。其內部工具 MetaHarness 把技能、專案文件與 CLI 連同計劃和決策一併提交進 Git，agent 接手任務時能讀到「為什麼這樣建」。
Kimi K3.1 Pro 在 Terminal-Bench 4.0 上得分 65.7%，超過 GPT-6 Astra 的 58.2%，略低於 Claude Opus 5.5 的 66.4%。該基準用嚴格的任務專屬測試評估 coding agent 在真實、資源受限的終端任務中的表現。
NVIDIA 發布 AIOps 平台 Minerva，為 AI 工廠提供端到端可觀測性。它把 GPU、網路、儲存、排程器與工作負載的遙測匯入動態知識圖譜，每小時分析數十億資料點，用於發現異常、預測故障並把告警風暴聚合為帶根因的事件；平台還內建 AI 助手，可連線外部 agentic 工具，目標是提升 GPU 正常執行時間與 AI 工廠產出。
天數智芯在上海媒體開放日展示端側算力終端彤央 TY1200，標稱 300 TOPS 稠密算力，實測在 Qwen3.8-27B-AWQ 上生成吞吐為輝達 Thor T5000 的 1.38 倍，首個 Token 延遲 0.223 秒對 0.411 秒。該終端獨立完成從環境建置、策略訓練到即時模擬的全流程，現場訓練出與輝達同款的機器鴨，為國內端側產品首次本地執行 GPU 加速的物理模擬引擎。
田淵棟參與創立的 Recursive_SI 發布首個模型 Flint-40B-A2B，已在 Hugging Face 以 Apache 2.0 開放權重。這是一個總引數 400 億、每 Token 僅啟用 25 億的 MoE 智慧體程式設計模型，在 M4 Pro MacBook Pro 上生成速度超過每秒 125 Token，在 64GB 記憶體的 NVIDIA RTX Spark 上超過每秒 150 Token。
AWS 發布開發工具 TorchNeuron，用 PyTorch 寫的 AI 應用只需改一行配置即可跑在自研晶片 Trainium 上，無需重寫程式碼。AWS 稱約 85% 的 AI 應用基於 PyTorch，熟悉 PyTorch 的開發者可直接上手。亞馬遜還會把解耦 PyTorch 與特定晶片的程式碼回饋上游，推動框架硬體無關；Trainium 兼顧訓練與推理，AWS 強調價效比，語音 AI 公司 Deepgram 遷移後每美元處理音訊量提升 70%。
輝達與 UT-Austin 等機構發布即時互動基準 Realtime-Bench，12 個前沿模型裡最強的 GPT-6-Astra 在按真實推理耗時推進環境時，Pass^3 也只有 36%。該基準包含 30 個網頁任務和 20 個遊戲任務，要求模型在限時視窗內觀察變化、決定思考多久並抓住行動時機，並用 Wall Clock、Paused Clock、Token Clock 三種時鐘協議對比。結果顯示低延遲並不等於可靠：延遲低於 1 秒的 Jev Pass^3 僅 8%；
IBM Research 的 ALTK-Evolve 用 GPT-4.1 加標準 ReAct 腳手架，在客服基準 τ²-bench 零售域拿到 67.5% Pass^4（即四次獨立嘗試全部通過的任務佔比），高於其 2026 年 10 月 12 日榜單快照中的所有零售條目。方法不改模型權重：由同一模型分析訓練任務的成功與失敗軌跡，蒸餾成簡短行為準則——如先驗證使用者身份、每步只做一個動作——再追加到系統提示，無需人工標註。
微軟聯合 Hugging Face 推出 ThinkingBox 基準，通過 Hugging Face 提供，不看 agent 的回覆文字和工具呼叫，只檢查它留在後端資料庫裡的最終狀態與副作用，每個任務重複跑 20 次。在 507 個有狀態業務流程、12 個模型、121,680 次有效試驗中，79,853 次未通過可執行檢查，其中 67.24% 仍乾淨收尾且無工具報錯。
OpenAI CEO 奧特曼在內部員工會議上提出 AI 競賽的三種終局：建立全球監管機構、頂級實驗室合併為一，以及一家公司率先突破關鍵技術。最極端情形下，率先突破的公司甚至能讓競爭對手的 GPU 集體癱瘓，奧特曼稱這是「糟糕透頂」的結局。前兩條分別參考 IAEA 與 CERN 模式；他也承認 OpenAI 目前無法輕易放棄技術領先爭奪。
在 Agents' Last Exam 這項測試 agent 使用複雜專業軟體的基準上，GPT-6.1 Terra 達到 Astra 級表現，任務完成速度超過 3 倍，每 token 成本僅為十分之一。OpenAI 稱這套價效比可用於技術圖紙解讀、影像分析、介面導航與視覺流程自動化等應用。面向專業程式設計、研究與深度推理任務，GPT-6.1 Sol 與 GPT-6 Astra 仍是最強模型。
Meta 已確認收購 AI 程式設計初創公司 Conductor，該平台可把多個 coding agent 部署到並行工作區協作開發，交易金額未披露。Conductor 的 agent 並非自研，來自 Anthropic、OpenAI 等實驗室，公司 2024 年成立、核心產品去年夏天才上線。創始人 Charlie Holtz 表示核心功能會維持到明年初，但云端服務將於 11 月 20 日關停，之後開始刪除使用者雲端資料。
作者用 Qwen2.5-Coder-0.5B 微調出 360M 引數模型 WorldTUI，它背後沒有 shell 和檔案系統，只根據每次按鍵預測終端螢幕變化，能建立檔案、執行 vim 與 tmux、玩貪吃蛇。訓練資料由 Docker 中錄製的真實終端會話合成，共 33.6 萬段、約 20 億 token，其中 35% 的會話從任務中途開始；推理使用僅 333 個 token 的小詞表，COPY 行操作把滾動重繪從約 3000 token 降到每行 3 個。
Anthropic 前沿紅隊發布研究，測試 AI 能否像計算機病毒一樣在不同裝置間自主複製傳播。實驗中 15 臺約 55 美元、4GB 記憶體的安卓電視盒子以流水線並行跑起 Gemma4-26B-A4B，總價約 825 美元，生成速度僅每秒 0.39 個 Token。GLM-5.2 在 8 節點模擬網路中 5 次有 4 次傳播到全部節點，但依賴外部推理伺服器與預開的免認證 ADB 埠；
BottleCap AI 發布 ThinkingCap 系列第五個模型，把 Google gemma-4-26B-A4B-it 的平均思考 token 減少 38.9%，十二項基準準確率平均只降 0.15pp。單項降幅最高為 LongBench v2 的 69.1%，AA-LCR 降 59.3%；迴圈輸出率從 3.64% 降到 0.76%；IFBench 反而提升 1.83pp，AA-LCR 準確率下降 4.00pp 是主要代價。取樣設定和 vLLM 服務棧不變，可直接替換；
阿里巴巴開源智慧體沙箱 OpenSandbox 正式被國際 AI 開源技術組織 AAIF 收錄，成為首個由中國企業主導進入該體系的專案，同批次入選的還有 Agent Skills。OpenSandbox 將伺服器資源切分為多個沙箱隔離執行智慧體，兼顧啟動延遲、批次吞吐與資源開銷，並支援審計追蹤；阿里內部日均建立沙箱已達百萬量級，2025 年 11 月開源後已有 582 名開發者參與共建。