谷歌发布Gemini 3.7 Flash，在推理核心上对Gemini 3.6 Flash做了算法改进。该模型支持1M token上下文和64K token输出，可处理文本、图像、音频与视频。编码基准上，FrontierCode 1.1 Main成绩43.6%（前代34.4%），DeepSWE v1.1为65.3%，WebDev Arena Elo为1588。文档与工作流基准同样提升，GDP.pdf从22.0%升至34.0%，AutomationBench从17.0%升至30.4%。模型仅通过API和企业提供，无开放权重，输入输出每百万token定价0.75/3.75美元，优惠至2026年12月31日。
Grok 4.6 已上线 Pi 平台。该版本面向长时间运行的智能体任务，编码、知识工作和视觉能力有所提升。定价为输入每百万 tokens 2 美元，输出每百万 tokens 6 美元。用户刷新模型目录即可选用。
Fastino Labs与NVIDIA合作发布两款开源模型Fastino-Nemotron-3.5-Lightning-Finance和Fastino-Nemotron-3.5-Lightning-Healthcare，均基于Nemotron 3.5 Lightning微调。金融模型在FinQA基准上执行准确率从15.86%提升至59.23%，增幅43.37个百分点；在BizFinBench上从49.65%升至57.46%。医疗模型在HealthAdminBench上从25.67%升至29.95%，在MedCalc-Bench上从49.09%升至54.18%。两款模型均以Apache 2.0许可发布在Hugging Face上。同时，Fastino还发布了自动微调工具Fastino Fine-Tuning Agent的私人预览版。
Meta 发布开源模型 Muse Glimmer，参数规模 30B，采用 Apache 2.0 许可证。该模型在 DeepSearch QA、MCP-Atlas、τ-Bench 和 SWE-Bench 等基准上取得较高成功率，可完成端到端智能体任务。Muse Glimmer 支持可靠工具调用，并在复杂工作流中维持多步推理。作者用 LM Studio 的 18.16GB 量化版本进行了本地测试，还搭配 llm-coding-agent 插件试用。Muse Glimmer 还是视觉模型，能生成详细图片描述。
Harvey联合Trajectory Labs对NVIDIA的Nemotron 3.5 Lightning进行后训练，在Legal Agent Bench上得分从0%升至8.3%。该成绩超过了Opus 4.6和更大的后训练版Nemotron 3 Ultra。后训练覆盖九个执业领域，未出现能力退化。平均输出长度从90k tokens降至37k tokens，每token奖励提升2.4倍。
Claude Code v2.1.229 新增了远程控制会话恢复命令，支持用 claude remote-control --continue 续接最近一次会话。该版本为网关流式响应加入 SSE keepalive 心跳，避免在 Vertex 和 Bedrock 上游长时间思考时被空闲超时断开。插件市场新增命令源，本地 IDE 可输出插件目录并动态生效。修复了流式输出丢失、工具调用非字符串参数导致的崩溃、窄终端渲染 RangeError 等问题，并调整了超过 API 32 MB 请求上限时的处理方式。
NVIDIA发布官方skills插件，Cursor智能体可调用300多项技能，覆盖CUDA、NeMo、RAG等30多个产品。开发者只需描述构建目标，插件会自动推荐并执行合适技能。该插件已上架Cursor marketplace，完整技能目录托管在GitHub。
Applied Compute 平台现已支持 NVIDIA 的 Nemotron 3.5 Lightning 进行训练和推理。该模型在 agentic coding benchmark 中，当并发和总 token 吞吐量扩展 16 倍时，解码吞吐量、首 token 时间和用户中位延迟保持不变。其 LatentMoE 和 Mamba 架构能以最小开销扩展稀疏性、上下文长度和批大小，显著提升后训练迭代吞吐量。
LlamaIndex推出文档抽取引擎LlamaExtract Agentic Plus，在ExtractBench上达到95.6%的value accuracy。ExtractBench包含370份企业文档、4869页、67种文档类型，覆盖财务、能源、政府等领域。该基准发现，超过50页的长文档会让商业视觉语言模型的召回率跌破35%，原因是静默截断列表。LlamaExtract Agentic Plus定价约为Claude Code/Codex的25%-50%，每页成本低于最接近竞品的三分之一。
DeepSeek Harness v0.1 以开发者预览版形式发布，代码采用 MIT 协议开源。它基于 Cordis 元框架构建，核心设计是“一切都是插件”。模型、工具、技能、会话、沙箱、文件系统、循环、编排和 UI 均可替换与扩展。开发者现可在 GitHub 上获取该框架。
AI Engineer World's Fair 2026 正在直播记忆与持续学习专场，主题是'扩展智能后得到的是世界上最聪明的初学者'。专场包含 11 个演讲，覆盖 UC Berkeley 的持续学习评估、Sakana.ai 的研究智能体记忆框架、LangChain 的 Agent 改进等方向。其他议题包括 Trajectory 的持续学习规模化、Engram 的上下文计算扩展、以及 Applied Compute 的企业落地。
LangChain创始人Harrison Chase在红杉活动上提出智能体由框架、模型和上下文三部分组成。他认为若使用场景偏离模型训练分布，越应自建框架。他验证了LangSmith Engine的评估功能，并展示了如何通过追踪、数据飞轮优化性能。视频中还讨论了为何可观测性常被低估。
马天翼在社交平台发文称，DeepSeek作为模型厂商，做Agent Harness产品比做SDK更有价值，因为SDK难以获取用户行为数据。他认为Agent Harness产品应优先追求用户体验，其次才是插件可定制化。他类比称，Claude Code和Codex像苹果追求极致体验，而DeepSeek Harness可能走安卓式开源路线，由社区DIY、企业私有化魔改。插件生态是这套模式最核心的环节。
Cursor宣布Firetiger团队正式加入。双方将共同开发能跟随代码进入生产环境并自动修复故障的智能代理。这次整合让Cursor的AI代理能力从代码生成延伸到部署后运维。
OpenAI发布新文章，分析企业如何将AI投入实际工作。文章指出，代理工作流正在各行业和职能中扩展。该推文已获得超过1.7万次浏览。文中探讨了多个行业的落地方式。
EvoX Genesis 提出以持久递归世界组织软件开发，用 DeepSeek V4 Flash 在 120 小时内构建了约 25 万行 Rust 版 C 编译器，花费仅 44 美元。该编译器通过完整 c-testsuite 及大部分 LLVM 和 Csmith 测试。在 GLM 5.2 生成的另一编译器世界中，即使反复替换开发代理，测试性能仍保持不变。Genesis 还将 13 个 MESA 模块（超 10 万行 Fortran）重写为近 9 万行 Rust，六个数值工作负载中位数加速达 1.55 至 6.87 倍。
研究人员推出VAKRA基准，包含62个领域的8000多个可执行API，用于测试智能体在工具使用策略约束下的多跳推理。最佳模型在单跳端点任务上准确率只有70.4%，在组合API任务上降至50-51%。当推理深度增加时，模型性能下降超过50%。在策略约束的不可回答查询上，部分模型准确率低至2.4%。错误分析显示，失败主要集中在实体消歧和跨源信息对齐等语言中介推理环节。
一篇arXiv论文提出信息丰裕悖论，认为训练上下文中相关信息过多会降低模型将其参数化编码的动机。预训练阶段扩大上下文窗口虽能提升语言建模、自然语言理解和closed-book MCQA，但只在中间最优值内有效，之后持续下降。监督微调时，更多任务相关上下文虽能提升带支持场景的表现，却削弱了测试时缺少或误导上下文时的鲁棒性。机制分析显示，长上下文将梯度压力从前馈网络转向注意力模块，导致推理时更依赖上下文。结论表明，追求无限上下文并非简单堆数据。
一项基于40,800组问答的系统实验发现，主流大模型对受限书籍的拒绝率仅为0.07%。实验覆盖400本书、17种提示设计和六大前沿模型，包括Claude Sonnet 4.5、GPT-4o和DeepSeek-V3。模型差异体现在警告语言上，警告率提升8-15个百分点，犹豫标记提升2-5个百分点。提及性内容的频率是最强信号，差距达33-52个百分点。提示框架可让警告率差距变化最多19个百分点。
一项研究提出用于遗留HPC代码现代化的智能体工作流，并在GAMESS量子化学包上完成验证。该工作流使用三个提示词专精的智能体角色，以Claude Code在隔离工作树中运行，跨越四代Claude模型。案例将GAMESS两个电子积分核心从Fortran 77转换为Fortran 2008，涉及12个源文件、56,448行代码和225个子程序。合并标准采用位级能量复现，第十二位小数的偏差即视为失败。全部源文件通过51项测试，612次测试运行中化学相关差异为零，且通过Jenkins持续集成测试。
AWS发布博客，介绍如何用Amazon Bedrock AgentCore Browser Tool和Strands Agents自动化需要人工交互的遗留Web应用。方案通过安全隔离的浏览器会话驱动旧界面，同时保留人工监督和完整审计日志。文章给出了参考架构，适合处理无法通过API集成的老旧系统。
AWS 发布了一篇基于 Amazon Bedrock AgentCore 的 M&A 尽职调查参考架构教程。该架构利用 AgentCore 实现多智能体编排，并集成知识检索与治理控制。教程附带可在 AWS 账户中直接部署的完整示例代码。示例展示了如何通过 AgentCore 分配任务给不同智能体并汇总审查结果。
开发者把视频编辑 App 从 Electron 迁移到 Swift + AppKit，用 Fable 5 还原 UI 完成 Mac 版。随后用 Rust 写跨平台 CLI，音频转录和视频导出性能比 Swift 更好。为支持 Windows，又用 GPUI 分别让 GPT 5.6 Sol、Grok 4.6 + Cursor、Claude + Fable 各写一版 PoC，其中 Claude + Fable 版本效果相对最好。三个 PoC 验证了方向可行，BaoCut Skill 也已在 Windows 端支持转录和翻译视频。
本文演示如何使用Amazon Athena和CUDOS仪表板分析Amazon Bedrock成本。通过配置CUR 2.0并关联IAM principal数据，可以按principal、项目、团队维度拆分Bedrock支出。文章提供了具体SQL查询示例和仪表板构建步骤，用于在组织内追踪AI成本。
Cursor 团队 @ericzakariasson 将 Grok 4.6 作为几周主力模型后，总结出真实工作方式变化。他让模型在供应商控制台点出 API key、对运行中应用做 QA，并用 Remotion 制作发布视频。对比测试覆盖电子表格、浏览器版帝国时代 2、MSN Messenger 等场景。他发现长 prompt 的具体性仍有用，但“work very hard”式措辞几乎不加分。模型的可自检性（如 DOM 可验证）决定上手体验，视频和 3D 更难验证。