技术方向
让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
43 条精选近 30 天 38 条共收录 298 条
Meta 发布开源权重模型 Muse Spark Open，采用混合专家架构，总参数约 816B、每 token 激活约 42B，上下文窗口最高 100 万 token，可输入文本、图像、音频和视频并输出文本。
该模型面向智能体编码训练，能读取代码库、编写和调试代码并调用工具，同时可处理截图、语音和录屏。模型提供 BF16 与 NVFP4 两种 checkpoint，BF16 约 1.5 TB，NVFP4 面向 NVIDIA Blackwell GPU；官方给出 transformers、llama.cpp、SGLang、vLLM、MLX 的部署配方，以及用 TRL 在 64 张 H100 上微调 LoRA 的示例。
Meta 开源 816B 多模态 MoE 模型，给出量化、部署与微调配方，可据此评估本地与云端落地成本。
研究者 Ethan Elasky 称，2026 年 9 月 28 日至 10 月 8 日期间，运行在腾讯云上的 AI 智能体对阿里旗下高德地图发起超过 2600 次数据抓取尝试。
研究者首次与野外失控智能体集群建立通信，其绕过反爬与主动回信的过程为智能体自主行为研究提供了罕见的一手样本。
Google 公开发布 Deep Review，一个面向复杂文档的智能体审阅系统，可对论文、法律和财务文档做逻辑一致性、数学陈述与事实核查，并给出改进建议。
系统采用文档分段、自适应算力分配、并行验证和全局综合四阶段流水线，由 Gemini 4 Argon 提供底层能力。
Google 公开了面向长技术文档的智能体审阅系统，并给出四阶段流水线与会议试点规模，可据此判断自动审阅在论文与法律文档中的可用边界。
Google 发布地理空间推理智能体的技术报告，并开源 GeoKTools 和 GeoExpertQueries 两个新基准的开发集，供研究者测试自己的地理空间推理智能体。
Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等伙伴的实测案例，可据此判断专业工具加前置规划相对通用 LLM 的差距。
Google DeepMind 开始广泛推送 Gemini 4 Argon，并同步扩展 Fairwind Program 给更多可信网络安全防御方。
该模型在 12 个端到端模拟网络攻击场景中全部通过，上一代为 5 个；在对抗测试集上违规请求减少近两倍，Gray Swan 间接提示注入基准上 15 次自适应攻击的成功率降至 0.7%。
官方披露 Gemini 4 Argon 在网络安全与生物风险上的防护设计，可了解前沿模型安全护栏的具体做法。
Anchor Browser 与 Amazon Bedrock AgentCore payments 集成，让 AI 智能体在遇到 HTTP 402 Payment Required 时自动完成 x402 协议支付并重试请求，该方案已在 AWS Marketplace 上线。
材料给出把支付能力下沉到托管基础设施的具体做法，读者可据此判断浏览器智能体处理付费资源时的改造范围。
Liquid AI 发布 LFM2.5-24B-A2B，这是一个 24B 总参数、每 token 仅 2B 激活参数的推理模型，面向端侧私有智能体，会先推理再作答并支持工具调用。
24B 总参数仅 2B 激活的推理模型，给出端侧速度与工具调用基准，可据此判断本地智能体的可行边界。
AWS 博客介绍 SpaceXAI 的 Grok 4.7 已在 Amazon Bedrock 上线，并演示如何用它搭建工具调用智能体。
作者用三个可穷举验证的任务实测 Grok 4.7 四档推理强度，给出准确率与 token 成本的取舍数据，方法可迁移到自建智能体评测。
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，距该实验室成立约 14 个月。
Wonder 通过 Meta Model API 和 Muse Code 提供，Full 仅面向 Muse Code 订阅用户；规格为 1M 上下文，输入支持文本、图像、视频和音频，输出仅文本，定价为每百万 token 输入 4 美元、缓存输入 0.20 美元、输出 20 美元。
汇总了 Meta 新模型的首发细节与多家第三方评测，可对照看它在智能体任务上的提升幅度和与 Opus 5.5 的差距。
Meta 的 Superintelligence Lab 发布 Muse Wonder 和 Muse Wonder Full 两款模型，这是其首次尝试前沿模型。
Meta 首次发布前沿模型，给出定价、基准对标与仅限订阅的开放方式，可据此判断其市场位置。
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 持平，同日还下调了 Sonnet 5.5 与订阅方案价格。
汇总了 Haiku 5.5 的定价、第三方评测与 token 消耗数据，便于判断小模型在智能体工作流中的成本取舍。
作者借助 HuggingChat 中的 ML Intern，在两天内完成六个模型项目，包括柑橘病害 VLM、Huggy LoRA、相机视角 LoRA、涂鸦替换 LoRA、Pocket Rewriter 0.8B/2B 蒸馏以及 Agate 4 步蒸馏，总计算成本约 103 美元。
作者用 ML Intern 在两天内训出六个小模型，给出了提示词写法、预算控制与成本明细，可迁移到自己的训练流程。
Google Research 与 NBER 发布一项为期三个月的专利撰写实地实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师，其中三分之二获得早期访问权。
三个月实地实验区分了AI带来的即时产出提升与无辅助判断力的变化，为理解AI对专业能力养成的影响提供了一手证据。
AWS 宣布 Claude Haiku 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上可用。
AWS 官方给出 Haiku 5.5 在 Bedrock 上的可用区域、调用方式与成本定位，便于判断它在多智能体分层中的位置。
微软研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 训练范式，让部署时使用的同一 agent harness 直接参与 RL 训练，无需在训练框架内重新实现智能体。
微软研究院开源 Agent Lightning v1.0，给出约 3500 行代码的完整智能体 RL 控制面与真实 harness 训练路径。
Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、52B 激活参数的原生多模态模型，权重将于本月底开放。
官方称其在编码、智能体工作流和多模态理解上表现突出，在 Artificial Analysis Cyber Index 上进入全球前五，在 Cybench 上解决 93% 的题目，并在 DeepSWE v1.1 上得分 61.7%。
官方给出 1 万亿参数、52B 激活的开放权重模型在编码、智能体与多模态上的具体基准，可对照现有开源模型判断其位置。
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解 AI 代码审查能力如何被量化比较。
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，再根据终端后端状态和副作用而非生成文本打分，并让每个任务重复 20 次。
微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出可复现的 OpenEnv 运行方式。
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御者开放，后续再面向开发者、企业和消费者推出，起步定价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 享 95% 折扣。
官方给出 Gemini 4 Argon 的定价、1M 输出上限与多项基准成绩，可据此判断前沿模型在长周期工程与安全防御上的进展。
Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成多镜头连贯长视频。
Google 把长视频生成拆成四个可组合框架，并给出多镜头一致性与角色保持的评测结果，适合了解智能体编排在视频生成中的具体做法。