今天这期 AIWatch 早报围绕「product、成本优化、代码审查」展开，先用一段导语把当天主线收束起来，再按今日头条、推荐精选和补充速览逐条介绍。聚焦 17 · 关注 0 · 跟进 10。
如果只有 20 分钟，先读：OpenAI 发布了 Codex Code Review 的 AGENTS.md 自定义规则功能，使代码审查召回率从 58% 提升到 98%，并提供了编写规则的方法论 → RT meng shao: Claude Code 的系统提示词被削减了 80% ？！ AI Engineer World's Fair 炉边对谈，Simon Willison 主持，对谈嘉宾为 Claude Code 产品负责人 Cat ... → Kimi K3在AA-Briefcase基准测试中取得第二高分（Elo 1543），但每任务成本高达10.57美元，是前代Kimi K2.6的10倍。
今天的主线不是孤立新闻，而是「product、成本优化、代码审查」在不同层面的同步推进。
正文内容概括代码产量增长导致审查瓶颈，隐性知识难以传递。OpenAI 发布 Codex Code Review 的 AGENTS.md 自定义规则功能，允许团队将 reviewer 的隐性知识写成规则，在审查时应用，使召回率从 58.3% 提升到 98%。开发者可编写规则捕获兼容性等难以发现的违规，提升审查效率，并获得了编写规则的方法论指导。 核心观点： 1. 带规则的审查召回率从 58.3% 提升到 98%，说明模型缺的是“该看什么”的上下文。 2. 评测围绕 Coverage、Restraint、Retention、Actionability 四个维度，其中 Restraint 和 Retention 最易被忽视。 3. 编写规则应从“有后果且不显眼”的不变量开始，作用域对齐代码，并给出安全替代方案。
核心观点提炼高信息密度，值得细读
正文内容概括Claude Code团队在炉边对谈中分享系统提示词削减80%的经验。他们发现删除示例（few-shot examples）反而更好，因为当前模型比示例更有创造力；少用“不要做X”的禁令，多给上下文；检验每条指令是否100%成立，避免90%正确的指令导致误读。这些做法依赖Opus/Fable级别模型的判断力，对小模型仍需详细提示词。对开发者而言，提示词工程需从详细指令转向信任模型判断力，并重视评测。 核心观点： 1. 删除示例对Opus/Fable级模型更有效，模型比给定示例更有创造力。 2. 每条指令需检验是否100%成立，避免90%正确指令被误读。 3. 该方法依赖Opus/Fable级模型的判断力，小模型仍需详细提示词。
核心观点提炼高信息密度，值得细读
正文内容概括Kimi K3在AA-Briefcase基准测试中取得第二高分（Elo 1543），但每任务成本高达10.57美元，是前代Kimi K2.6的10倍。
核心观点提炼常规快讯，保留列表
正文内容概括知识猫图解 开源了故事转手绘视频 Skill，可将中文故事自动生成手绘日记动画，支持分镜、手写字幕和上色效果。
核心观点提炼常规快讯，保留列表
正文内容概括推理时扩展是提升LLM性能的重要方法，但掩码扩散语言模型（MDLM）通过随机性生成多样答案效果不佳。Sakana AI Labs提出UnMaskFork，通过多个MDLM协作和蒙特卡洛树搜索实现推理时扩展，在编码和数学任务上超越现有方法。该方法无需额外训练，可直接组合预训练模型提升性能，为MDLM的推理时扩展提供新方向。 核心观点： 1. UnMaskFork使用模型切换而非温度随机性产生多样性，通过MCTS探索最优协作顺序。 2. 在编码基准上一致优于现有推理时扩展方法，数学任务上随计算量稳步提升。
核心观点提炼高信息密度，值得细读
正文内容概括Fireworks AI 宣布支持在平台上训练 MiniMax M3 模型，提供托管 LoRA SFT/DPO 和自定义训练 API。
核心观点提炼常规快讯，保留列表
正文内容概括Cursor团队通过从零实现SQLite的实验，验证了Agent Swarm中上下文分工和模型组合的经济性。新harness显著优于旧：Grok 4.5新系统4小时达80%，旧系统不到2小时失控。架构为树形：强模型Planner拆分决策，便宜模型Worker执行。可扩展性来自上下文效率而非并行，协调成本是瓶颈。模型组合质量接近时成本差一个数量级（$1,339 vs $20,057），优化策略是frontier仅用于高熵决策。实验还揭示了五类失败模式。对开发者：Harness设计、上下文分工和成本优化是关键。 核心观点： 1. 新harness在所有模型配置下更好，Grok 4.5新系统4小时约80%，旧系统不到2小时失控。 2. 不同模型mix质量接近，费用差极大：Opus planner+Composer worker成本$1,339，全程Fable $20,057。 3. 可扩展性主要来自上下文效率，planner不写实现、worker不规划，各自专注上下文。
核心观点提炼高信息密度，值得细读
正文内容概括ChatGPT 写作功能新增在写作前询问几个问题以理解上下文，减少来回沟通，生成更个性化草稿，提升写作效果。
核心观点提炼常规快讯，保留列表
正文内容概括Thinking Machines 的 Inkling 模型在 OpenRouter 上线，拥有 975B 总参数、41B 活跃参数、1M 上下文及多模态可控推理能力。
核心观点提炼常规快讯，保留列表
正文内容概括Thesean 发布了 Ship 端点，通过在模型名前加前缀实现固定 50% 成本降低，同时保持能力与行为，并公开 SLO 衡量质量。
核心观点提炼常规快讯，保留列表
正文内容概括Kimi_Moonshot 发布 Kimi K3 模型，在 3D Design Arena 中以 Elo 1450 排名第一，较前代 Kimi K2.6 提升 108 Elo。
核心观点提炼常规快讯，保留列表
正文内容概括NVIDIA 发布 Nemotron 3 Ultra 模型，在 2026 年国际数学奥林匹克竞赛中取得 30/42 分，超过金牌线。
核心观点提炼常规快讯，保留列表
正文内容概括NVIDIA Brev 平台现已支持 Devin Outposts，开发者可编写和分析内核、运行实验、提供和微调开源模型，并在真实硬件上测试。
核心观点提炼常规快讯，保留列表
正文内容概括Amp 发布了代理计划与自我唤醒功能，允许代理设置时间表并自动启动，实现无人值守运行。
核心观点提炼常规快讯，保留列表
正文内容概括OpenAI 将 Codex 合并到 ChatGPT，推出 GPT 5.6 系列模型（Sol、Terra、Luna），使 ChatGPT 成为知识工作的 AI 超级应用，并附带推荐设置和提示指南。
核心观点提炼常规快讯，保留列表
正文内容概括OpenRouter 上线了 SpaceXAI 的 Grok Imagine Video 1.5 模型，支持将静态图像通过文本提示生成带音效和对话的动态视频。
核心观点提炼常规快讯，保留列表
正文内容概括Gemini Managed Agents 通过拦截 GitHub API 调用并交换令牌，实现安全的自动化 PR triage，agent 获得完整 CLI 访问而令牌保留在控制平面。
核心观点提炼常规快讯，保留列表
本节暂无内容。
正文内容概括Anthropic 发布了针对罕见遗传病的 AI for Science 资助计划，提供最高 5 万美元 Claude 积分，旨在加速基础科学和生物技术研究。
核心观点提炼常规快讯，保留列表
正文内容概括Kimi K3 在 Vals AI 的 Vibe Code Bench 上以 85.0% 得分排名第二，该基准测试模型从零创建完整 Web 应用的能力。
核心观点提炼常规快讯，保留列表
正文内容概括Kimi 因 K3 模型需求超预期，暂停新订阅并优先保障现有用户，同时计划拆分会员为通用和代码两个版本。
核心观点提炼常规快讯，保留列表
正文内容概括Cursor团队发现公共基准与开发者实际体验脱节，自研CursorBench。Claude Fable 5在CursorBench上取得72.9%高分，并在实际工程测试中展现全局推理能力，能理解模糊任务意图，无需反复引导。这显著提升开发效率，降低复杂任务门槛，使团队能处理之前搁置的项目，并改变协作方式。 核心观点： 1. Claude Fable 5在CursorBench上达到72.9%准确率（Max effort），创下新高。 2. 在登月模拟实验中，Fable 5通过全局推理成功登月，而Opus仅局部推理失败。 3. Schmidt团队将Fable 5与轻量模型结合，用于最难问题，优化时间成本。
核心观点提炼高信息密度，值得细读
正文内容概括AI新闻汇总：Kimi K3和Qwen 3.8 Max等开源模型竞争加剧，美国考虑限制中国开源模型，Agent框架和世界模型成为研究热点。
核心观点提炼常规快讯，保留列表
正文内容概括单Agent处理大任务时瓶颈从模型智力转向协调成本与上下文经济学。Cursor团队用树形swarm架构（Planner强模型+Worker便宜模型）从零实现SQLite，通过自研VCS、Review lenses、Field Guide等机制，使成本降低一个数量级（Opus规划+Composer执行总成本$411 vs 全程Fable $20,057），质量接近（新系统4小时达73%-85%）。验证了上下文分工和模型组合经济学，提示开发者应关注协调工程，成本优化主杠杆是frontier只做高熵决策。 核心观点： 1. 树形swarm架构使冲突从7万+降至<1000，代码量从64305行降至9908行。 2. Opus规划+Composer执行总成本$411，而全程Fable成本$20,057，质量接近。 3. 新系统4小时冲突<1000、包结构9 crates，旧系统commits多但thrash严重，协调成本是瓶颈。
核心观点提炼高信息密度，值得细读
正文内容概括Claude 新增标记行、编号菜单和铃声功能，并支持通过配置文件或环境变量保持开启。
核心观点提炼常规快讯，保留列表
正文内容概括Claude Code 新增屏幕阅读器模式，运行 `claude --ax-screen-reader` 可将终端 UI 切换为纯文本，方便 VoiceOver 和 NVDA 等工具使用。
核心观点提炼常规快讯，保留列表
正文内容概括Anthropic 将 Claude Team 计划最低座位数从 5 个降至 2 个，并提供共享项目、管理员控制、集中计费等企业功能，降低小团队使用门槛。
核心观点提炼常规快讯，保留列表
正文内容概括Claude Managed Agents 支持通过任务完成标准（rubric）让 Claude 自主循环工作，实现长期任务执行与自我纠正。
核心观点提炼常规快讯，保留列表
摘要由 LLM 生成，请以原文为准。