这期 AIWatch 精选周刊围绕「product、Agent、基准测试」复盘过去一周的关键变化，先给出编辑导读，再把核心精选和延伸内容串成一条可阅读的脉络。聚焦 30 · 关注 3 · 跟进 3。
如果只想抓住本周主线，先读：OpenAI 发布 Daybreak 安全工具集，包括 Codex Security 和 GPT-5.5-Cyber，用于规模化漏洞发现与修复 → OpenAI 预览了下一代模型 GPT-5.6 Sol，在编程、科学和网络安全方面能力更强，并配备了最先进的安全栈 → xAI 在 Grok Build 中推出 /goal 功能，支持多轮子代理自主执行并验证长期任务，提升自动化能力。
本周最值得带走的观察，是「product、Agent、基准测试」已经从单点更新变成连续趋势。
正文内容概括OpenAI 发布了 Daybreak 安全工具集，包含 Codex Security 和 GPT-5.5-Cyber 两个组件，旨在帮助组织规模化地发现、验证和修复漏洞。这对开发者意味着可以利用 AI 驱动的安全工具提升漏洞管理效率，降低安全风险。 核心观点： 1. Daybreak 工具集包含 Codex Security 和 GPT-5.5-Cyber 两个具体组件。 2. 该工具集覆盖漏洞发现、验证和修复的完整流程。
核心观点提炼高信息密度，值得细读
正文内容概括OpenAI 预览了下一代模型 GPT-5.6 Sol，该模型在编程、科学和网络安全方面能力更强，并配备了最先进的安全栈。这对开发者意味着需要关注其增强的编码能力及安全特性，以便在应用中集成和利用。
核心观点提炼重磅首发或硬核洞察
正文内容概括xAI 在 Grok Build 中推出 /goal 功能，支持用户设定一个长期目标后，由系统自动生成并执行多轮子代理，自主完成实现与验证。该功能旨在提升 Grok 在复杂、多步骤任务上的自动化执行能力，对开发者而言，意味着可以更高效地委托长期任务给 AI 智能体，减少人工干预。 核心观点： 1. /goal 功能通过多轮子代理实现自主执行与验证，而非单次指令。
核心观点提炼高信息密度，值得细读
正文内容概括Anthropic 发布 Claude Tag，将 Claude 作为团队成员集成到 Slack 中。用户可通过 @Claude 在频道中异步委派任务，Claude 能积累上下文、主动提醒并跨频道学习。该功能基于 Opus 4.8，面向 Claude Enterprise 和 Team 客户开放 beta 版。Anthropic 内部产品团队 65% 的代码已由内部版 Claude Tag 生成，标志着从单次对话向团队协作智能体的演进。 核心观点： 1. Claude Tag 在 Slack 频道内实现多用户共享同一 Claude 实例，支持多人接力协作而非单次对话。 2. Claude 可跨频道自动学习上下文（不读取私密频道），并具备主动提醒和异步任务调度能力。 3. Anthropic 内部产品团队 65% 的代码由内部版 Claude Tag 生成，使用模式已扩展至指标追踪、工单处理等非工程场景。
核心观点提炼高信息密度，值得细读
正文内容概括OpenAI 与 Broadcom 联合推出定制 AI 芯片 Jalapeño，专为大语言模型推理优化，旨在提升 AI 系统的性能、效率与规模。该芯片针对 LLM 推理场景设计，有望降低推理成本并加速模型部署。对开发者而言，未来可能获得更高效、更低成本的推理服务，从而支持更大规模的应用。
核心观点提炼高信息密度，值得细读
正文内容概括DeepReinforce 发布了 MIT 许可的开源编程智能体模型家族 Ornith-1.0，基于预训练的 Gemma 4 和 Qwen 3.5 构建。旗舰模型 Ornith-1.0-397B MoE（17B 活跃参数）在 SWE-Bench Verified 和 Terminal-Bench 2.1 上分别取得 82.4 和 77.5 的成绩，超越 Claude Opus 4.7。该系列采用新颖的自我改进训练策略，在强化学习中同时优化答案和任务脚手架（包括计划、记忆模式、工具节奏、错误处理和搜索过程）。9B 模型在 SWE-Bench Verified 上达到 69.4，表现突出。对开发者而言，这意味着获得了可自由使用、性能领先的开源编程智能体模型。 核心观点： 1. Ornith-1.0 采用自我改进训练策略，在 RL 中先让模型提出更好的任务脚手架，再用其生成解决方案，奖励同时更新两个阶段。 2. 旗舰 397B MoE 模型（17B 活跃参数）在 SWE-Bench Verified 上达 82.4，在 Terminal-Bench 2.1 上达 77.5，均超越 Claude Opus 4.7。 3. 9B 模型在 SWE-Bench Verified 上达到 69.4，展示了小参数模型的竞争力。
核心观点提炼高信息密度，值得细读
正文内容概括LangChain 发布了 Deep Agents v0.6，新增代码解释器功能。该功能允许智能体在运行时内部调用工具，将中间结果保留在模型上下文之外，仅将相关输出传回，从而减少往返次数和 token 浪费。这对开发者意味着可以构建更高效、成本更低的智能体应用。 核心观点： 1. Deep Agents v0.6 新增代码解释器，允许 Agent 在运行时内部调用工具。 2. 该功能通过将中间结果保留在模型上下文之外，仅传回相关输出来减少 token 浪费。
核心观点提炼高信息密度，值得细读
正文内容概括智谱AI发布GLM-5.2模型，在ARC-AGI-2基准测试中取得22.8%准确率，每任务成本0.25美元。相比2025年5月最佳模型（3.0%）提升7.6倍，成本仅为GPT-5.5（$1.87/任务）的七分之一。在ARC-AGI-1上达到77.0%准确率，性能与GPT-5.4及GPT-5.5（低推理努力）相当。 核心观点： 1. GLM-5.2在ARC-AGI-2上22.8%准确率，较2025年5月最佳模型3.0%提升7.6倍。 2. GLM-5.2每任务成本$0.25，仅为GPT-5.5（$1.87）的约七分之一。 3. GLM-5.2在ARC-AGI-1上77.0%准确率，性能与GPT-5.4及GPT-5.5（低推理努力）相当。
核心观点提炼高信息密度，值得细读
正文内容概括DeepSeek 开源了 DSpark 投机解码框架，该框架为 DeepSeek-V4 模型附加草稿模块，通过并行草稿骨干与轻量马尔可夫头减少后缀衰减，并采用置信度调度验证根据实时 GPU 负载调整检查令牌数。离线测试中，接受长度相比 DFlash 和 Eagle3 提升 16-31%；生产环境中，单用户生成速度相比 MTP-1 基线提升 57-85%，且无损。训练代码库 DeepSpec 以 MIT 许可证发布。 核心观点： 1. DSpark 采用并行草稿骨干与马尔可夫头组合，有效减少后缀衰减。 2. 置信度调度验证机制根据实时 GPU 负载动态调整待检查令牌数。 3. 生产环境单用户生成速度相比 MTP-1 基线提升 57-85%，且无损。
核心观点提炼高信息密度，值得细读
正文内容概括LlamaParse 发布 Granular Bounding Boxes 功能，提供词与单元格级坐标溯源，满足审计与合规场景的验证需求。
核心观点提炼常规快讯，保留列表
正文内容概括Anthropic 与 IT 服务商 DXC 达成多年全球联盟。DXC 将培训数万名 Claude 认证工程师，把 Claude 引入银行、航空、保险等受监管行业的关键业务系统。此前 DXC 已用 Claude 生成其 AI 原生运维平台 OASIS 超 95% 的代码，开发效率提升 10 倍。对开发者而言，这标志着 Claude 正通过大型服务商深度嵌入企业核心系统，并验证了其在代码生成与智能体工作流上的规模化落地能力。 核心观点： 1. DXC 称其 AI 原生平台 OASIS 超 95% 代码由 Claude 生成，开发速度提升 10 倍，已服务逾 50 家客户。 2. OASIS 以 Claude 为默认基础模型驱动智能体工作流，DXC 将培训数万名 Claude 认证工程师嵌入客户组织。 3. 联盟首批落地保险现代化、遗留代码重构（MaaS）、基于 Claude Security 的 SOC 安全子智能体及嵌入式应用维护智能体。
核心观点提炼高信息密度，值得细读
正文内容概括OpenRouter 发布教程，指导开发者构建能应对模型移除和废弃的鲁棒 AI Agent，并提及 EU AI Act 等法规要求。
核心观点提炼常规快讯，保留列表
正文内容概括Catnip 发布 22B 参数实时音视频基础模型 MaineCoon，可将文本提示转化为带同步语音、动作和表情的实时角色流。该模型是首个流式原生模型，首帧亚秒级，单 H100 达 47.5FPS，单 RTX Pro 6000 达 30FPS，内部测试吞吐量比同类音视频系统快约 7 倍。对开发者而言，这为构建实时社交界面等交互式 AI 应用提供了新的基础模型选择。 核心观点： 1. MaineCoon 是 22B 参数的实时音视频基础模型，支持文本到同步语音、动作和表情的角色流生成。 2. 首帧亚秒级，单 H100 达 47.5FPS，单 RTX Pro 6000 达 30FPS，吞吐量比同类系统快约 7 倍。
核心观点提炼高信息密度，值得细读
正文内容概括DeepInfra 上线了智谱 AI 的 GLM-5.2 模型。该模型采用 744B/40B MoE 架构，MIT 许可，支持 1M 上下文窗口。在 FrontierSWE、PostTrainBench 和 SWE-Marathon 基准测试中，GLM-5.2 表现领先于其他开源模型。DeepInfra 提供该模型的 API 服务，定价为每百万 token 输入 $1.40、输出 $4.40、缓存 $0.25。开发者可通过 DeepInfra 平台直接调用该模型。 核心观点： 1. GLM-5.2 采用 744B/40B MoE 架构，支持 1M 上下文窗口，MIT 许可。 2. 在 FrontierSWE、PostTrainBench、SWE-Marathon 三项基准中，GLM-5.2 为表现最佳的开源模型。 3. DeepInfra 定价：输入 $1.40/1M tokens，输出 $4.40/1M tokens，缓存 $0.25/1M tokens。
核心观点提炼高信息密度，值得细读
正文内容概括Parasail 平台上线了 GLM-5.2 开放权重模型。该模型在长周期智能体任务上首次显著缩小了与闭源前沿模型的差距，在 FrontierSWE 基准测试中得分超过 GPT-5.5，仅次于 Opus 4.8。这为开发者提供了一个在复杂智能体工作流中接近顶级闭源性能的开源选择。 核心观点： 1. GLM-5.2 在 FrontierSWE 基准上超越 GPT-5.5，仅次于 Opus 4.8。 2. 该模型是首个在长周期智能体任务上接近闭源前沿的开放权重模型。
核心观点提炼高信息密度，值得细读
正文内容概括Fireworks AI 在权重开放当日即上线 GLM 5.2 模型，支持 100 万 token 上下文，定位为编码优先的前沿模型。该模型已在 SWE-bench、Terminal-Bench、GPQA 和 AIME 等基准上获得独立验证，为开发者提供可立即使用的编码场景推理能力。 核心观点： 1. GLM 5.2 支持 100 万 token 上下文窗口，面向编码优先场景。 2. 模型在 SWE-bench、Terminal-Bench、GPQA 和 AIME 基准上获得独立验证。 3. Fireworks AI 在权重开放当日即部署该模型，实现零日上线。
核心观点提炼高信息密度，值得细读
正文内容概括美国商务部依据《出口管制改革法案》向Anthropic发出指令信，要求其未经商务部许可，不得向全球任何地点的外国公民出口、再出口或转让Claude Mythos 5和Fable 5模型，包括在美国境内向外国公民释放。此举将AI模型纳入国家安全出口管制，违者面临刑事和民事处罚。对开发者而言，这意味着使用或分发这些模型将受到严格法律限制。 核心观点： 1. 美国商务部依据ECRA第1758(b)(1)条和EAR第744.22(b)条，对Anthropic的Claude Mythos 5和Fable 5模型实施全球出口管制。 2. 管制范围涵盖模型从美国发送、跨国转移、在单一外国境内再转让以及向美国境内外国公民释放等所有方式。
核心观点提炼高信息密度，值得细读
正文内容概括Codex 团队成员 Jason 详解 Computer Use、Chrome 扩展和内置浏览器三种操控电脑方式的区别与适用场景，提供实用选型指南。
核心观点提炼常规快讯，保留列表
正文内容概括NVIDIA 发布 Rubin AI 服务器，采用 45°C 水-乙二醇冷却液直接冷却芯片和网络部件，可大幅降低数据中心用水量并提升计算密度。
核心观点提炼常规快讯，保留列表
正文内容概括Unsloth AI 将 GLM-5.2 开放权重模型从 1.51TB 压缩至 238GB（-84% 大小），采用 2-bit 量化，保留约 82% 准确率。该模型可在 256GB Mac 或同等 RAM/VRAM 配置上本地运行。GLM-5.2 本身具备 1M 上下文窗口，在编码和智能体任务上有显著提升。对开发者而言，这意味着可以在消费级硬件上部署前沿开放权重模型，但需接受精度损失。 核心观点： 1. Unsloth 将 GLM-5.2 从 1.51TB 压缩至 238GB，大小减少 84%。 2. 2-bit 量化版本保留约 82% 的原始准确率。 3. 模型可在 256GB Mac 或同等 RAM/VRAM 配置上本地运行。
核心观点提炼高信息密度，值得细读
正文内容概括Perplexity 为其 Computer agent 推出 Brain 记忆系统。Brain 通过构建任务执行的“上下文图”，并在设定间隔（如夜间）自我回顾学习，从而记住操作历史（成功、失败、修正），而非传统用户偏好记忆。这使得 Computer agent 每次任务都能获得完整上下文，减少重复交互和 token 浪费。在需要历史上下文的任务上，Brain 将答案正确率提升 25%，召回率提升 16%，且每次任务成本降低 13%。该功能以研究预览形式面向 Max 和 Enterprise Max 订阅用户开放。 核心观点： 1. Brain 通过构建“上下文图”记录任务执行历史，并在设定间隔（如夜间）进行自我回顾学习，区别于传统记忆系统仅存储用户偏好。 2. 在需要历史上下文的任务上，Brain 使答案正确率提升 25%，召回率提升 16%，每次任务成本降低 13%。
核心观点提炼高信息密度，值得细读
正文内容概括Anthropic 发布 Claude Code 的七种定制方法（CLAUDE.md、rules、skills、subagents、hooks 等），并给出选择框架和最佳实践。
核心观点提炼常规快讯，保留列表
正文内容概括Sakana AI 发布 Fugu Ultra 编排层，通过单一 OpenAI 兼容端点，将子任务动态路由到多模型池。Fugu 本身是一个经过训练的 LLM，能调用池中其他 LLM（包括自身递归实例），收集输出后生成最终响应。在多数基准测试中，其性能匹配前沿模型 Fable 和 Mythos。开发者可通过单一 API 获得多智能体编排能力，无需处理出口管制风险。 核心观点： 1. Fugu 本身是一个 LLM，经过训练可调用智能体池中的各种 LLM，包括递归调用自身实例。 2. Fugu Ultra 在多数基准测试中匹配 Fable 和 Mythos 的性能。
核心观点提炼高信息密度，值得细读
正文内容概括Cloudflare Workflows 新增 saga 风格回滚功能，允许开发者为多步骤应用中的每一步指定补偿操作。这一更新使开发者能够更可靠地处理部分失败场景，提升工作流的容错性和可恢复性。对构建复杂、长时间运行应用的开发者而言，该功能简化了错误处理逻辑，降低了手动编写补偿代码的复杂度。 核心观点： 1. Cloudflare Workflows 新增 saga 风格回滚，允许为每个 do() 步骤指定补偿操作。
核心观点提炼高信息密度，值得细读
正文内容概括特朗普政府要求 OpenAI 分阶段发布下一代模型，先以有限预览形式开放，并由政府逐个审批客户访问权限。
核心观点提炼常规快讯，保留列表
正文内容概括LlamaIndex 发布了 LiteParse v2.1，这是一个开源（Apache 2.0）的 PDF 转 Markdown 解析器。官方声称其在三个标准化基准测试（olmOCR0-bench、opendataloader-bench、ParseBench）上，速度和准确性均超越其他开源无模型解析器（如 pymupdf4llm、opendataloader、pdf-inspector、markitdown）。该工具完全基于规则（无 LLM），支持 CLI、Rust、Node、Python、WASM 安装，并可作为一键智能体技能使用。对开发者而言，这意味着获得了一个免费、快速、准确且多语言支持的文档解析方案。 核心观点： 1. LiteParse v2.1 在 olmOCR0-bench、opendataloader-bench、ParseBench 三个基准测试中，准确率超过 pymupdf4llm、opendataloader、pdf-inspector、markitdown。 2. 该解析器完全无模型（LLM-free），仅依赖规则实现 Markdown 输出，以保持轻量和速度。 3. 支持 CLI、Rust、Node、Python、WASM 多种安装方式，并可作为一键智能体技能使用。
核心观点提炼高信息密度，值得细读
正文内容概括Cloudflare 推出 Workers 临时账户功能，旨在解决 AI Agent 部署时遇到的障碍。Agent 现在可以通过运行 `wrangler deploy --temporary` 命令，在数秒内部署一个实时 Worker。这为开发者构建自主部署的 AI Agent 提供了更便捷的基础设施支持。 核心观点： 1. Cloudflare Workers 新增 `--temporary` 参数，允许 Agent 在数秒内完成部署。
核心观点提炼高信息密度，值得细读
正文内容概括智谱AI发布GLM-5.2模型，在移动应用开发能力上实现大幅提升。内部基准测试包含35个挑战性移动开发任务，每个任务运行两次共70次试验，以核心功能无重大问题为完成标准。GLM-5.2完成率从GLM-5.1的21/70提升至48/70，提升超过两倍，但仍低于Claude Fable 5的56/70。对开发者而言，该模型在长周期任务上的进步值得关注。 核心观点： 1. GLM-5.2在内部移动开发基准测试中完成率从21/70提升至48/70，提升超过两倍。 2. 基准测试包含35个挑战性移动开发任务，每个任务运行两次共70次试验。 3. Claude Fable 5在该基准上完成率为56/70，高于GLM-5.2。
核心观点提炼高信息密度，值得细读
正文内容概括Z.ai 发布 GLM-5.2 旗舰模型，支持 1M token 上下文窗口，在编码和长程智能体任务上显著提升。Terminal-Bench 2.1 得分从 62.0 升至 81.0；IndexShare 技术使 1M 上下文下每 token FLOPs 降低 2.9 倍，改进的 MTP 将投机解码接受率提升 20%。模型提供 High/Max 两种推理努力级别，已获 SGLang 首日支持。 核心观点： 1. GLM-5.2 在 Terminal-Bench 2.1 上得分 81.0，相比 GLM-5.1 的 62.0 提升显著。 2. IndexShare 技术使 1M token 上下文下每 token FLOPs 降低 2.9 倍。 3. 改进的 MTP 将投机解码接受率提升最多 20%。
核心观点提炼高信息密度，值得细读
正文内容概括SGLang 宣布对 MiniMax-M3 提供 Day-0 支持。该模型是 MiniMax 推出的原生多模态 MoE 推理模型，总参数量约 428B（激活参数约 23B），共 60 层，支持 1M 上下文窗口，可融合文本、图像和视频。其 MiniMax Sparse Attention (MSA) 在 1M 上下文下相比 M2 实现 9 倍预填充和 15 倍解码加速，每 token 计算量降至 1/20。模型在编码和协作任务上达到前沿智能体性能，并支持 MXFP8 精度（原生适配 NVIDIA Blackwell 和 AMD MI350X/MI355X），H200 可用 bf16 构建。开发者可通过 SGLang 立即运行。 核心观点： 1. MiniMax-M3 总参数约 428B，激活参数约 23B，采用 60 层 MoE 架构。 2. MiniMax Sparse Attention (MSA) 在 1M 上下文下相比 M2 实现 9 倍预填充和 15 倍解码加速，每 token 计算量降至 1/20。 3. 模型原生支持 MXFP8 精度，适配 NVIDIA Blackwell 和 AMD MI350X/MI355X，H200 可用 bf16 构建。
核心观点提炼高信息密度，值得细读
正文内容概括Jon Richens 团队的研究证明，通过逆贝尔曼方程可以从智能体的价值函数恢复其世界模型。这一发现挑战了无模型强化学习代理不建模环境的传统观点，表明在足够丰富的目标集上训练的RL代理隐式地对其从未被训练优化的潜在变量进行了建模。该工作对理解强化学习内部机制和开发更可解释的AI系统具有潜在影响。 核心观点： 1. 逆贝尔曼方程可用于从价值函数恢复智能体的世界模型。 2. RL代理在足够丰富的目标集上训练时，会隐式建模未优化的潜在变量。
核心观点提炼高信息密度，值得细读
正文内容概括Google DeepMind 在 Gemini 3.5 Flash 模型中新增计算机使用能力，使模型能直接操作桌面应用和浏览器。这一功能将提升 AI 智能体的自动化水平，对开发者而言，可构建更强大的自动化工作流，减少人工干预。
核心观点提炼高信息密度，值得细读
正文内容概括谷歌DeepMind发布Gemini 3.5 Flash，新增原生计算机使用能力。该内置工具允许开发者构建可跨浏览器、移动和桌面界面进行视觉识别与操作的智能体，扩展了AI在自动化交互场景的应用边界。 核心观点： 1. Gemini 3.5 Flash新增原生计算机使用工具，支持开发者构建跨浏览器、移动和桌面界面的智能体。
核心观点提炼高信息密度，值得细读
正文内容概括智谱AI的旗舰模型GLM-5.2已在OpenRouter平台上线。该模型专为长时程编码智能体任务设计，支持高达1M token的上下文窗口，能够在长且复杂的编码智能体工作中保持可靠性。这对开发者意味着可以处理更长的代码上下文和更复杂的智能体工作流。 核心观点： 1. GLM-5.2支持1M token上下文窗口，专为长时程编码智能体任务优化。
核心观点提炼高信息密度，值得细读
正文内容概括Z.ai 发布了 GLM-5.2 开源模型，具备 1M 上下文窗口和两种推理模式（High 和 Max），专为智能体和长周期编码任务设计。该模型在编码和智能体任务上有显著改进，已上线 Venice 平台，对 Pro 用户完全私有可用。 核心观点： 1. GLM-5.2 提供两种推理模式：GLM-5.2 (max) 和 GLM-5.2 (high)，分别对应极限推理和高效推理。 2. 模型支持 1M 上下文窗口，专为长周期智能体编码任务设计。
核心观点提炼高信息密度，值得细读
正文内容概括MiniMax 发布了 v3 模型，该模型集成了一个 MSA 内核。随着序列长度的增加，该内核能实现显著的加速效果。该内核已集成到 Hugging Face 的 transformers 库和 Kernel Hub 中，方便开发者直接使用。 核心观点： 1. MiniMax v3 模型集成的 MSA 内核，序列越长加速效果越明显。 2. MSA 内核已集成至 Hugging Face transformers 库和 Kernel Hub。
核心观点提炼高信息密度，值得细读
摘要由 LLM 生成，请以原文为准。