独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验，让六个具备网页和邮件权限的 AI 智能体处理一笔 350 英镑（约 465 美元）的火车票退款，最终全部失败。
测试模型包括 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5，每个智能体最多可用十二个模拟周和 4000 万 token。
Replit CEO 兼联合创始人 Amjad Masad 在 TechCrunch Disrupt 舞台上表示，公司已不再与 Anthropic 合作，原因是成本、合作与性能等多方面考量，并称 ChatGPT 现在更好，内部基准显示 Sol 和 Astra 在从零构建 vibe-coded 应用上表现更佳。Replit 于 8 月宣布与 OpenAI 建立合作，此前并未有迹象显示其已终止与 Anthropic 的关系。有熟悉双方合作的人士对此提出异议，称合作仍在进行，且 9 月的一篇博客文章仍提到 Replit Agent 生产环境使用 Claude Fable 5 和 Claude Fable 5.1。
Google 发布 Gemini 4 Argon 模型，称其在编码、网络安全、科学、金融和法律等基准上超过 GPT-6 Astra、Claude Fable 5.1 和 Claude Opus 5.5，并减少冗余与套话。