模型与能力
Cognition 发布 FrontierCode 基准：代码可合并性才是真本事
Cognition 推出 FrontierCode，专门评估 AI 生成的代码是否真的能被合并到项目中，而不仅仅是跑通单元测试。最难的子集里，最强模型 Opus 4.8 也只拿到 13%，远低于 SWE-Bench 常见的 50%+，说明编程远没被解决。
> 相关链接：Cognition 公告｜Scott Wu 总结｜swyx 解读｜theo 提问与回复｜Cognition 回应
MiniMax-M3 开源模型智能指数 55，支持 1M 上下文
Artificial Analysis 报告 MiniMax-M3 在智能指数上达到 55，将成为最强开源权重模型。它原生支持多模态和 100 万 token 上下文，GPQA/MMMU-Pro 成绩不错，但在幻觉敏感评测上选择不回答。
> 相关链接：Artificial Analysis 报告
Agent 与工具链
Agent 编程最佳实践：用循环和状态机，别只给一次提示
多位开发者强调，编码代理应该给明确目标、验证标准和迭代结构，而不是一次性提示。dzhng 建议用状态机代替循环，Claude Code 回顾了自动模式、例程和验证，OpenAI Codex 推荐结果优先提示。但也有反对声音：Omar Sar0 和 Graham Neubig 指出人类检查点仍不可少。
> 相关链接：dzhng 状态机建议｜Claude Code 回顾｜bcherny 讨论｜OpenAI Codex 提示技巧｜Approve-for-me 默认｜LangChain 开源 rubrics｜Omar Sar0 反对｜Graham Neubig 观点
Kimi 发布两大更新：Kimi Code 升级 + Kimi Work 桌面代理
Moonshot 更新了开源编码代理 Kimi Code，新增一键 CLI 安装、拖拽视频作为上下文、ACP 支持、插件和 IDE 集成。同时推出桌面代理产品 Kimi Work，支持最多 300 个本地子代理、浏览器扩展、金融工具和持久记忆。
> 相关链接：Kimi Code 公告｜Kimi Work 产品发布｜桌面版可用
Agent 可观测性工具和沙箱环境持续改进
ClaudeDevs 为 MCP 连接器开发者新增可观测性仪表盘，显示采用率、延迟和错误。MagicPath 推出 Builder 计划，支持外部代理工作流和多人画布编辑。LangSmith 和 Modal 也发布了沙箱相关更新，强调代理需要隔离、可检查的长期运行环境。
> 相关链接：ClaudeDevs 可观测性｜MagicPath Builder 计划｜LangSmith Sandboxes｜Modal 沙箱扩展
基础设施与硬件
Google 推动 Gemma 本地部署：QAT 量化省 4 倍内存，MTP 加速解码
Google 发布 QAT Gemma 4 检查点，性能几乎不变但内存占用减少约 4 倍，Gemma 4 E2B 在移动量化格式下仅需 1GB。同时 Gemma 4 MTP 已合并到 llama.cpp，配合 QAT 检查点可加速解码。llama.cpp 还新增了视频输入支持。
> 相关链接：QAT Gemma 4 介绍｜Gemma 团队 MTP 合并｜llama.cpp 视频输入
vLLM-Omni 0.22.0 发布：支持世界模型、机器人 API 和 TTS
vLLM-Omni 新版本第一时间支持 NVIDIA Cosmos 3 世界模型、机器人服务 API、Qwen3-TTS 和 VoxCPM2 等 TTS 模型，并加速了图像/视频服务，扩展了量化和硬件覆盖。这标志着推理栈从纯文本向通用多模态服务转变。
> 相关链接：vLLM-Omni 发布说明
研究与方法
Agent Arena：基于百万真实会话的代理排行榜
Arena 推出 Agent Arena，基于超过 100 万次真实用户会话，用因果追踪而非投票来评估编排器/框架的效果，信号包括确认成功、表扬/抱怨、可操控性、bash 恢复和工具幻觉。这是目前最清晰的真实世界代理评测尝试。
> 相关链接：Agent Arena 概述｜方法论讨论
CADGenBench：评估 AI 生成工程级 3D CAD 零件
Hugging Face 和 Mecado 发布 CADGenBench，用于从图纸或 STEP 修改生成和编辑 3D CAD 零件，评估指标包括几何、拓扑、接口兼容性和 CAD 有效性。评测正从文本/代码扩展到物理和几何正确的结构化工件。
> 相关链接：发布讨论｜Thom Wolf 总结
Anthropic 指出 AI 在科学中的瓶颈是基础设施不匹配
Anthropic 新博客认为，AI 在编程领域进步快于生物学，因为生物数据库和工具不是为代理设计的。瓶颈不是智力，而是缺乏代理兼容的科学基础设施。
> 相关链接：Anthropic 博客讨论
OpenEnv 移交联盟，推动开源 RL 环境协议标准化
OpenEnv 被移交给包括 Hugging Face、Meta-PyTorch、Reflection、Unsloth、Modal、NVIDIA 等在内的联盟。目标是建立模型、环境、训练器之间的共享协议层，解决开源生态中紧耦合的难题。
> 相关链接：OpenEnv 移交公告
Hivemind 发布持续学习系统：从代理轨迹中提取可复用技能
Hivemind 宣布一个系统，能从 Claude Code、Codex、Cursor 等代理的轨迹中提取可复用技能，并在不同设置中取得可衡量的提升。Nando de Freitas 也发长文讨论从交互后果而非 token 序列学习的研究方向。
> 相关链接：Hivemind 系统介绍｜Nando de Freitas 讨论
优化器争论再起：Muon 与 Shampoo 谁更优？
多个讨论比较 Muon 和 Shampoo 优化器，Arohan 暗示有比 Shampoo 更好的优化器，Keller Jordan 公开了 Shampoo 和 Spectral Descent 的基准测试。背后实质是业界对优化器层面提升的重新关注。
> 相关链接：Arohan 暗示｜Keller Jordan 基准
产品与应用落地
Google 升级 NotebookLM、降价 AI Plus、改进搜索
Google 为 Ultra 订阅者推出更强大的 NotebookLM，支持代理式聊天、更强推理和更多输出格式。同时将 Google AI Plus 价格从 7.99 美元降至 4.99 美元/月，存储翻倍至 400GB。搜索也迎来重大升级，支持多模态搜索，Gemini 3.5 Flash 成为 AI 模式默认模型。
> 相关链接：NotebookLM 升级｜AI Plus 降价｜搜索升级
Apple WWDC：Siri 全面 AI 化，设备端模型采用 20B 参数查询路由架构
WWDC 上 Apple 展示了重建的 Siri，具备屏幕感知、应用操作、个人上下文和更好语音交互。设备端模型据称是 20B 参数的查询路由架构，每次查询从 NAND 加载专家到 RAM，专为设备限制优化。但欧盟可用性和硬件门槛引发关注。
> 相关链接：kimmonismus 直播讨论｜区域限制说明｜设备端模型细节
行业与公司动态
OpenAI 秘密提交 S-1，IPO 进程启动
Sam Altman 分享了 OpenAI 当前计划，随后 OpenAI 宣布已秘密提交 S-1 文件。对 AI 工程师来说，这意味着 OpenAI 和 Anthropic 都在保留 IPO 选项的同时加速扩张能力和产品广度。
> 相关链接：Sam Altman 计划｜S-1 文件公告
政策、治理与安全
Signal 反对英国设备扫描要求，影响客户端推理信任
Signal 公开反对英国政府要求设备端扫描和年龄验证关联内容检查的提案。这直接关系到客户端推理的隐私和平台信任，是本周互动最高的技术相关推文。
> 相关链接：Signal 声明