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。
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。
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。
针对Claude Fable 5等前沿模型的高成本问题，本文提出了一种成本高效的Harness设计方法。核心思路是利用任务中token智能需求的不对称性，仅在关键位置使用Fable 5等前沿模型，其余部分委派给廉价模型。通过Orchestrator、Advisor、Verifier三种分配模式，在Parameter Golf和BrowseComp实验中，以约46%的成本实现了约90%的性能。文章总结了四条设计准则，包括审视任务形状、使用委派启发式、评估协调成本和保证prompt cache命中，为开发者提供了构建经济高效AI系统的实用框架。 核心观点： 1. Parameter Golf实验表明，前置规划无效，Fable 5的真正价值在于中段检查点提供方向纠偏与重新排序。 2. BrowseComp实验中，Fable 5编排+Sonnet worker在完整集（~31M tokens/题）上实现了96%分数/46%成本的套利。 3. 协调成本的两大来源是边界重复（跨模型token计费至少两次）和扇出重叠（worker互不通信、研究范围部分重合）。
Claude 开发者团队分享了两种多智能体模式：Advisor（顾问）模式和 Orchestrator（编排者）模式，通过组合 Sonnet 5 和 Fable 5 实现接近顶级模型性能并大幅降低成本。Advisor 模式中 Sonnet 5 作为执行者，低频率调用 Fable 5 获取建议，在 SWE-bench Pro 上达到 Fable 5 约 92% 的性能，成本仅约 63%。Orchestrator 模式中 Fable 5 作为编排者规划并委派任务给多个 Sonnet 5 worker，在 BrowseComp 上达到 Fable 5 约 96% 的性能，成本仅约 46%。开发者可根据任务类型选择模式以优化性价比。 核心观点： 1. Advisor 模式在 SWE-bench Pro 上以 $1.40 成本实现 ~84% 准确率，相比纯 Fable 5 的 $2.25 成本节省约 37%。 2. Orchestrator 模式在 BrowseComp 上以 $18.53 成本实现 86.8% 准确率，相比纯 Fable 5 的 $40.56 成本节省约 54%。 3. Orchestrator 模式相比纯 Sonnet 5 准确率提升约 9 个百分点，成本仅增加约 $2.5。
腾讯正式开源 Hy3 模型，采用 295B/A21B MoE 架构与 256K 上下文窗口。相比预览版，任务成功率从 72% 提升至 90%，执行效率平均缩短 34%，文档处理 token 节省 47.4%，PPT 制作节省 49.0%（对比 GLM-5.2）。该模型已在元宝、ima、QQ 浏览器、微信读书、腾讯文档等产品中应用，形成数据循环强化。对开发者而言，Hy3 开源提供了高性价比的 MoE 大模型选择。 核心观点： 1. Hy3 采用 295B/A21B MoE 架构，上下文窗口达 256K。 2. 相比 Hy3 preview，任务成功率从 72% 提升至 90%，执行效率平均缩短 34%。 3. 文档处理 token 节省 47.4%，PPT 制作节省 49.0%（对比 GLM-5.2）。
Anthropic 发布 Claude Sonnet 5，定位为 Agent 能力接近旗舰 Opus 4.8 但价格仅为其 40% 的模型。在 Agent 编程基准上 Sonnet 5 得分 63.2%，高于前代 Sonnet 4.6 的 58.1%，低于 Opus 4.8 的 69.2%；知识工作基准甚至略超 Opus 4.8。模型更换了新分词器，同样文本可能消耗 1.0-1.35 倍 Token，但推广期定价已对冲此涨幅。对开发者而言，Sonnet 5 提供了更优的性价比，但需注意推广期结束后实际花费涨幅可能高于标价涨幅。 核心观点： 1. Sonnet 5 在 Agent 编程基准得分 63.2%，Sonnet 4.6 为 58.1%，Opus 4.8 为 69.2%。 2. 新分词器导致同样文本消耗 1.0-1.35 倍 Token，推广期定价已对冲此涨幅。 3. API 推广价（至 8 月 31 日）为输入 $2/百万 Token、输出 $10/百万 Token，之后涨至 $3 和 $15。
Anthropic 发布了 Claude Sonnet 5，这是其最具智能体能力的 Sonnet 模型。该模型能够自主制定计划，并使用浏览器和终端等工具，其自主运行水平接近数月前需要更大、更昂贵模型才能达到的程度。这对开发者意味着可以以更低成本实现更复杂的自动化任务。 核心观点： 1. Claude Sonnet 5 具备自主规划能力，并能使用浏览器和终端等工具。 2. 该模型的自主运行效率接近此前需要更大、更昂贵模型才能达到的水平。
Anthropic 发布 Claude Sonnet 5，定位为迄今最具智能体能力的 Sonnet 模型，在推理、工具使用和编码方面显著提升，性能接近 Opus 4.8 但价格更低。该模型已全面上线，成为 Free 和 Pro 计划的默认模型，并可通过 Claude API 使用。开发者可调整 effort 级别以平衡成本与性能，对构建复杂多步任务的智能体应用具有重要价值。 核心观点： 1. Sonnet 5 在 BrowseComp 和 OSWorld-Verified 等智能体评测中，通过调整 effort 级别可在部分任务上匹配 Opus 4.8 的性能。 2. Sonnet 5 引入新 tokenizer，输入 token 数约为之前的 1.0–1.35 倍，但通过定价调整实现大致成本中性。 3. Sonnet 5 的网络安全任务能力远低于当前 Opus 模型，整体不良行为率低于 Sonnet 4.6。
OpenAI 发布了 GPT-5.6 系列模型的有限预览，包括旗舰模型 Sol、均衡模型 Terra 和高效模型 Luna。Sol 作为下一代前沿模型，Terra 面向日常高效工作，Luna 则针对高容量任务提供快速且经济的方案。此次发布为开发者提供了不同性能与成本梯度的选择，有助于在具体应用中灵活部署。 核心观点： 1. GPT-5.6 系列包含三个模型：旗舰 Sol、均衡 Terra 和高效 Luna，分别面向前沿、日常和高容量场景。 2. Luna 被定位为快速且经济的模型，适合高吞吐量任务。
OpenAI 与 Broadcom 联合推出专为大语言模型推理优化的定制芯片 Jalapeño，旨在提升 AI 系统的性能、效率和可扩展性。该芯片针对 LLM 推理场景进行专门设计，有望降低推理成本并提高响应速度，对开发者和研究者而言，意味着未来可能获得更高效、更低成本的 AI 推理基础设施。
Z ai 发布 GLM-5.2 开源模型，总参数 744B，激活参数 40B，在 Artificial Analysis Intelligence Index v4.1 上得分 51，领先于 MiniMax-M3 和 DeepSeek V4 Pro。相比 GLM-5.1，科学推理能力显著提升，CritPt 提高 16 分，HLE 提高 12 分。模型位于智能与成本帕累托前沿，每任务成本约 $0.46。上下文窗口扩展至 1M tokens，采用 MIT 许可证。开发者可通过 Z ai 官方 API 及多家第三方提供商使用。 核心观点： 1. GLM-5.2 在 Intelligence Index v4.1 得分 51，领先 MiniMax-M3 (44) 和 DeepSeek V4 Pro (44)。 2. 科学推理提升显著：CritPt +16 分至 21%，HLE +12 分至 40%。 3. 每任务输出 tokens 43k，高于 GLM-5.1 的 26k，成本 $0.46/任务。
OpenRouter 发布了 Fusion API，这是一种服务端多模型并行推理系统。它将用户提示并行发送给多个模型，允许它们使用网络搜索和 bash 工具，然后由法官模型比较答案，合成器生成最终回答。OpenRouter 声称 Fusion 在 Perplexity 的 DRACO 深度研究基准测试上超越了前沿模型，且成本更低，达到 Fable 级智能但价格减半。这对开发者意味着一种新的低成本、高智能的模型组合调用方式。 核心观点： 1. Fusion 通过并行调用多个模型并引入法官与合成器机制，在 DRACO 基准上声称超越前沿模型。 2. Fusion 声称达到 Fable 级智能但价格减半，为开发者提供低成本高智能的替代方案。
xAI 发布 Grok Voice Think Fast 1.0 语音 API，在 EVA-Bench 评测中达到帕累托前沿，没有任何系统能在不牺牲体验时取得更高准确性，反之亦然。其具备类人时机、语调与温暖感，且定价仅为竞争对手的一小部分。开发者可在语音智能体场景中，以显著降低的成本获得无需权衡准确度与体验的商用语音交互能力。 核心观点： 1. Grok Voice Think Fast 1.0 在 EVA-Bench 达帕累托前沿，无系统能在不牺牲体验时击败其准确性，反之亦然。 2. Grok Voice Think Fast 1.0 定价为竞争对手一个 fraction，并提供类人时机、语调和温暖感。
OpenRouter在其定价页面新增功能，支持查看不同模型提供商的实时缓存命中率、历史流量及有效价格，帮助用户优化模型调用成本。目前已支持Claude Opus 4.8等模型。