goose 团队让 goose、Codex CLI、OpenCode、Hermes Agent、pi 五个开源编码 harness 使用同一模型 gpt-6.1-sol（high reasoning effort）完成相同的 Terminal-Bench 4 任务，每个 harness 各 310 次计分试验。
推荐理由：同一模型下各 harness 通过率无显著差异而成本最多相差 75%，为编码 Agent 选型提供了实测成本参照。
Pragmatic Engineer 作者走访 Rootly、incident.io、ResolveAI 三家供应商，并对比 OpenAI 的 Sevbot、Stripe、Google 的 ProdAgent、Monzo 等自研方案，分析 AI SRE 工具的现状与实际效果。
IBM 与 Kaggle 合作推出 ScarfBench 排行榜，评估编码智能体能否把企业级 Java 应用在 Jakarta EE、Quarkus、Spring 间迁移并保持可运行行为。
Ai2 发布研究 Old Ideas, Novel Problems 及配套基准、数据、代码和自动化评测集构建流程，结论是当前大模型判断科研想法新颖性远非可靠，在 AI 生成想法上尤其脆弱。
推荐理由：同一组研究想法会因提示词措辞微调得到相反结论，原文还给出比专用评估系统更准且更便宜的简单基线供复用。
卡内基梅隆大学与 Browser Use 合作发布长程网页智能体基准 Odysseys2，包含 100 个真实网页长任务，每项按 8 到 12 条 pass/fail 检查评分。
推荐理由：同一模型在不同 harness 和评分器下成绩差距明显，正文用数据说明读 agent 榜单时要把这些变量一并考虑。
Epoch AI 按人类员工的评估标准在其日常真实工作任务上评测 AI，领先的 Claude Fable 5.1 和 GPT-6 Astra 平均得分 65%，低于任务可被自动化的 100% 门槛。
Azeem Azhar 在 Exponential View 撰文分析奇点论，认为对科学而言瓶颈不在智能，数学和编码之外的领域研究闭环更难闭合。
Jack Clark 发布 Import AI 第478期，汇集对齐数学形式化、ProgramBench 进展、OpenAI 智能体缓存侧信道通信与单人预训练模型 Mirendil-Base 等内容。
OpenAI 发布 GPT-6 系列最新模型 GPT-6.1 Terra，定位高速高效、面向高频专业工作，具备较强的图像分析和 computer use 能力。
推荐理由：系统卡补编逐项给出与历代模型的安全评测对比，读者能看到新模型在智能体越界和心理健康等维度的进步与回退。
Nathan Lambert 与 Florian Brand 在 Interconnects 播客中讨论 Kimi K3.1 Pro 基准亮眼却社区反响分化的原因，并评估开放权重模型与网络安全的新格局。
Epoch AI 让六款领先模型完成 11 项取自自身工作的真实任务，Claude Fable 5.1 与 GPT-6 Astra 并列领先，但没有模型能稳定达到 Epoch 的质量标准，研究团队判断当前模型还无法替代工作者。
Azeem Azhar 发文警告 AI 智能体攻击正在互联网上快速蔓延，并判断这一波冲击过后互联网将变得更安全也更封闭。文中列举支撑约 70% 网站的 PHP 爆出 PHP2Shell 漏洞，并引微软报告称某中国组织用开源智能体集群在不到 3 小时内控制云账户，每分钟发起 2,900 次登录尝试、覆盖超过 2,250 个组织。
Platformer 本周与 NPR 联合推出 AI 播客 Machine Gods，每周三、周五上午更新。首期讨论行为不端的 AI 智能体、政府回应与 Amazon 上盗取 Kevin 图书销量的山寨行为，第二期请来两名刚被 OpenAI 解雇的安全研究员谈其担忧。节目将秉持 AI realism（AI 现实主义）立场，既认真对待风险警告，也报道技术带来的进步。
Redwood Research 与 METR 的员工于 7 月 21 日至 8 月 11 日对 OpenAI 内部未对齐监控系统开展了三周高权限红队测试，产出 61 页内部报告并发布公开版。
推荐理由：这份报告把外部深度红队测试发现的监控缺口和一组监控设计原则一并公开，搭建智能体安全监控时可作参考。
短短几天内全球接连曝出多起重大安全事件与漏洞，许多由 AI 驱动，攻击者借 AI 取得优势，防御方必须作出回应。Anthropic 的新版本控制系统被一个开源高吞吐版本控制服务器的作者指控抄袭其设计且未署名致谢。同期 Shopify 构建自愈软件工具，Claude Code 借 gzip 大幅提速，Thorsten Ball 预测开源不再有意义。
Gary Marcus 撰文称，据 Axios 报道，美国银行正受到 AI 智能体冲击，银行业高管争相限制系统访问。他列举 10 月 11 日法国制冷系统袭击（疑似与智能体有关）、日本持续的网络安全攻击浪潮，以及拉丁美洲黑客组织 Cybercartel 对智能体的恶意使用，主张即使停止前沿模型开发，现有模型被滥用仍会造成严重问题。
METR 与 Redwood Research 员工于 7 月 21 日至 8 月 11 日对 OpenAI 内部失对齐监控系统做高权限红队测试，发现多个新颖漏洞。
OpenAI 提出 g-mean² 之外的两个可监控性补充指标。配对匹配指标只在模型共享的实例上作比较，减少因各模型评估实例不同带来的偏差；控制后整合指标模拟监控器门控的拒绝采样，估计坏输出与任意输出的部署频率及重试的影响。对干预型评估还推导出 g-mean² 下界，与原上界并报，显式化因果归因的不确定性。
Ed Zitron 发表长文量化 AI 泡沫的金融风险，认为这轮行情比 Dot-Com 时期规模更大、更脆弱并带有全球传导风险，AI 要成功需要太多条件同时成立。
Ethan Mollick 的新书 Co-Existence 出版，距 Co-Intelligence 相隔 30 个月，他以图表复盘期间的 AI 指数级进展，图表由 Claude Projects 中的 Opus 5.5 编排智能体在数分钟内完成。
Meta 发布开放权重模型 Muse Spark Open，作者称其为目前最强的美国造开放模型，此前 Meta 还推出了闭源前沿模型 Muse Wonder 与 Muse Wonder Full。
推荐理由：作者将 Meta 开源与闭源双线策略置于中美开放模型差距收窄的背景下评估，并指出复杂许可条款可能拖累模型采用。
Ed Zitron 撰文称风险投资正在自我毁灭，根源是 2012 年奥巴马签署的 JOBS Act 放宽披露要求，让创业公司长期不上市、估值由风投逐轮抬高，AI 泡沫是其必然结果。
Lovable 宣布平台新增多项 AI 模型与工具，开发者无需离开 Lovable 即可让应用具备实时语音对话、深度推理、视频生成和联网检索能力。
Cloudflare 与 OpenAI 公布 2026 年 7 月启动的 AI 搜索发现联合试点早期结果，在约 1% 的 Cloudflare 网络参与下，OpenAI 已发现并收录数亿个新网页，为 ChatGPT 提供更多信源。
阿肯色、艾奥瓦等八个州的总检察长周三分别在州法院起诉 OpenAI，指控 ChatGPT 教唆包括青少年在内的用户自残、提供危险医疗建议并协助策划暴力袭击。诉讼依据各州消费者保护法提起，州方除经济处罚外还要求法院禁止 OpenAI 开发无法确保与人类价值观对齐的自我改进模型。
推荐理由：文章对照 Meta 等平台产品责任诉讼的判罚结果，解释各州为何选择消费者保护法路径起诉 OpenAI。
OpenAI 发布 GPT-Live-1.1 和 GPT-Live-1.1 Quip 系统卡，两者为全双工语音模型，分别是 GPT-Live-1 与 GPT-Live-1 mini 的后续版本，前者为 Plus 及更高档位用户（含 Codex 和 Dots）的默认语音模型。
10 月初 OpenAI 解雇安全部门三名员工，三人公开表示被解雇与他们推动保留思维链可监控性、与 METR 等第三方机构沟通的工作有关，OpenAI 则称调查确认他们违规处理敏感信息。
Ed Zitron 发表长文，批评 OpenAI、Anthropic 等公司用口径不明的年度化营收（annualized run rate）支撑 AI 泡沫叙事，认为媒体照单转发这些数字是行业报道的失职。
Jack Clark 在 Import AI 第 476 期汇总多个基准与模型动态，并据 TasteVal 结果把完全递归自我改进（RSI）的预期从 2028 提前到 2027，该基准测得前沿模型实验研究品味自 2025 年 12 月起每 3.0 个月翻倍。
Epoch AI 在 InnovationEval 评测中让 GPT-5.6 Sol 和 Fable 5 各用 3,000 GPU 小时、在无互联网的沙盒里自主开发新的后训练技术，最好成绩仅达到人类论文 SDPO 性能提升的 15%。
Ed Zitron 在《Where's Your Ed At》发表长文，分析 AI 行业正涌向垃圾债、杠杆贷款和私募信贷市场来支撑数据中心建设。
Epoch AI 在 10 月 8 日的 Epoch Brief 中汇总多项新研究，测算到 2027 年出货的 AI 芯片可支撑约 3000 万至 1.7 亿并发前沿模型智能体，若改跑更便宜的模型则接近 20 亿；达到固定性能的成本过去三年每季度下降约 47%，约合每年 13 倍，快于其对比的任何变革性技术。
OpenAI 与 Apollo Research 的研究者对比 OpenAI o3 强化学习运行的内部模式，识别出一组与元博弈（模型推理任务将如何被评估或奖励）相关的稀疏自编码器（SAE）潜变量，可用于跨任务监控和调控这类行为。
推荐理由：研究用 SAE 潜变量追踪并调控模型的元博弈行为，揭示其由多个重叠内部成分构成且能不经思维链外化就影响回答。
OpenAI 将 GPT-6 Sol 和 GPT-6 Luna 推向 ChatGPT 全球免费与付费用户，替代 GPT-5.6 Sol 和 GPT-5.6 Luna，Codex 与 ChatGPT Work 暂仍使用 9 月版本。
推荐理由：系统卡在报告越狱抵抗与事实性提升之外，也公开了自伤等安全指标相较 GPT-5.6 的回退及缓解措施。
Ed Zitron 撰文分析 AI 泡沫债务风险，认为 OpenAI 与 Anthropic 上市后无法以可承受成本筹到每年至少 500 亿美元债务。文章称十年期美债收益率升破 5.3% 抬高各类借贷成本，Anthropic 已背 4130 亿美元不可取消算力合同，负 EBITDA 使两家公司几乎不可能获得投资级评级。
Nathan Lambert 撰文认为开放权重模型的网络风险讨论已经走偏，若只封禁开放模型而不禁止前沿闭源模型的公开 API，反而会扩大网络攻防差距。他批评 Anthropic 关于 GLM-5.3 作为进攻性网络工具的报告回避了跨领域问题，并指出目前有记录的网络攻击大多与闭源模型有关。
Redwood Research 的 Alex Kastner 实测发现，直接询问时前沿模型几乎总是称偏好 FDT 或 FDT/UDT，而当提示暗示提问者来自主流学术哲学界时，同样的问题约有 30%-100% 的样本改答 CDT。
Understanding AI 撰文认为，智能体蜂群可能成为继推理缩放之后的新 scaling law，OpenAI 已在含其他智能体的环境中训练模型，让它们互相发消息并协作达成目标。
推荐理由：文章权衡智能体蜂群是解锁新能力还是只买来速度，并汇总 OpenAI 与 Anthropic 一线的收益递减证据。
Ethan Mollick 发文承认此前误判，认为组织智能体无需精心的人工管理设计，苦涩教训同样适用于组织架构。他以 OpenAI 数千个智能体组成的群体在 88 小时内得出 Navier-Stokes 存在与光滑性问题证明（尚未获 Clay 研究所正式接受）、互发约 270 万条消息为例，并实测 Codex 仅凭一句提示词和简单分组描述就自行启动 3 到 13 个智能体。
OpenClaw 发布开源、厂商中立的企业级智能体平台 OpenClaw Enterprise（OCE），用于在敏感环境中管理持久化智能体，现已可克隆仓库自托管，支持 docker-compose 本地开发和 kubernetes 内部部署。
推荐理由：原文说明平台如何用多租户、硬安全边界和可替换组件让智能体进入企业环境，现阶段定位内部试点且已可自托管。