MiniMax 正式推出 MiniMax M3.1 Flash，这是一款新一代 Flash 模型，据称相比前代将使用成本降低 70%，在线推理速度提升近三倍。公司报告其在 DeepSWE v1.1 上达到 73.7%，在 BankerToolBench 上为 76.2，在 OSWorld V2 上为 61.7，在 Agents' Last Exam 上为 29.6，在 CyberGym 上为 82%，输出速度超过 200 TPS，中位数为 170+ TPS。定价为每 100 万输入 token 0.15 美元、每 100 万输出 token 0.60 美元、每 100 万缓存输入 token 0.015 美元，该模型可通过 MiniMax API、M Plan 和 MiniMax Code 使用，权重将于后续发布。
推荐理由：MiniMax 的 Flash 模型声称以每 100 万输入 token 0.15 美元的价格实现顶级的智能体与编程得分，为智能体工作负载的成本侧提供了一个具体的数据点。
Legora 现在将每一项法律 agent 评估都放在独立的 Modal Sandbox 中运行，启动其完整应用并固定到特定 commit，使每次运行都反映确切的产品版本。一次典型实验包含 100 个用例、4 个 harness 变体、每个 5 次试验——即 2,000 次并行运行——并由 Modal Volumes 对文档、数据库和权限状态进行快照。Legora 还从 gVisor 迁移到 Modal VM Sandboxes，移除了其 Docker 网络和 FUSE 变通方案，并通过更智能的压缩和自定义工具搜索将 agent 成本降低了 30%。
Google Research 介绍了三个旨在让 AI 智能体扎根于真实湿实验室实验的项目，其中包括 VERID 框架——一个基于开源 PyLabRobot 框架构建的实验室工作单元语义数字孪生，可跟踪台面布局、孔体积和吸头库存，并在执行前对协议进行干运行。
推荐理由：Google Research 概述了三个将 AI 智能体连接到真实湿实验室硬件的项目，展示了模拟干运行和闭环实验如何让智能体修正自身的设计规则。
Modal 详细介绍了它如何演进其文件系统栈以支撑 VM 沙箱，将客户机请求经由 virtio-fs 和 virtiofsd 路由到其 ImageFS 懒加载文件系统上。第一个版本启动很快但运行缓慢：递归 chown 从四秒变成一分多钟，pnpm 和 bun 安装大约慢了三倍。微基准测试显示，chown 在 virtio-fs 上耗时 9.87 秒，而在 gVisor 上为 2.31 秒，在 ImageFS 上为 1.58 秒。
Replit 正在推出自带云（BYOC）选项，让企业可以在自己的 Microsoft Azure、Google Cloud 或 Amazon Web Services 租户内运行 Replit 平台和已发布的应用。完整版 BYOC 处于私人预览阶段，将 Replit 的 cells 和 agent harness 部署在客户的云中；而面向已发布应用的 BYOC 处于早期访问阶段，将已发布的项目托管在那里，由 Replit 管理平台。Image Exports 则为企业团队提供 Docker 镜像、Terraform 文件和 SBOM，以便自行托管用 Replit 构建的应用。
PJ 是佛罗里达州奥卡拉的一名工程师出身的害虫防治公司老板，现在为小企业提供咨询——包括屋顶、泳池和汽车承包商——帮他们搭建 OpenClaw 并教他们自己运行。他的客户想要一个完全属于自己的工具，而不是把公司数据喂给租来的软件，其中一位客户、66 岁的行政人员 Donna 每天都在使用她的 OpenClaw。
LiveKit 的指南汇集了解决方案架构师和前置部署工程师的经验，讲述如何将 AI 语音智能体从演示推向生产，围绕三个问题展开：智能体是否足够智能和自然、其性能是否可观测、以及是否能可靠且经济高效地扩展。指南建议单独测量第一轮交互，因为一家公司发现大约 3/4 的通话在问候环节就结束了；并指出客户在 LiveKit Inference 上从 GPT-4.1 迁移到 Gemma 4 31B，在 p50 上节省了 300–500ms。
Claude Code 团队介绍了其分层代码审查流程：大部分阅读工作由机器完成，人的注意力则保留给基于风险的审批。6 月至 9 月，Claude Code 代码库中合并的拉取请求数量增长了一倍多，而不得不回滚的比例下降了 40% 以上。该流程在 PR 之前叠加验证、必需的 CI、Claude 审查、安全审查、按风险分级的人工审批，以及带标志和快速回滚的合并队列；团队还将过去的事故转化为审查者的每日评估集。
推荐理由：Anthropic 的 Claude Code 团队详细说明了如何将大部分代码阅读转移到自动化层，同时合并的 PR 翻倍、回滚下降超过 40%，为大量使用智能体的团队提供了一个可迁移的审查模型。
Meta 发布了 Muse Spark Open 的权重，这是一个开放权重的原生多模态模型，总参数 816B（激活参数 42B），上下文窗口为 1M token，定位面向编程和智能体任务。它是同类模型中首个借助 MLX 框架、在两台 Apple M5 Ultra Mac Studio 上于桌面端运行的模型，并可通过 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 等 API 合作伙伴获取，权重已在 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 和 Microsoft Foundry Models 上提供。Meta 表示，该模型在 SGLang 中附带可自动调优的 Helion GPU 内核，在 NVIDIA 和 AMD GPU 上实现 1.03-3.95 倍的内核级加速，在 AMD MI350 上实现 3% 的端到端加速。
推荐理由：Meta 发布了一个 816B 参数多模态模型的开放权重，该模型可在两台 Mac Studio 上运行，为开发者提供了一个用于长程编程和智能体任务的本地选项。
Meta 发布了 Muse Spark Open 的权重，Modal 现已通过其 Auto Endpoints 以按 token 计费的方式提供该模型。该模型面向智能体编程和长周期任务，具备原生多模态理解、100 万 token 上下文窗口、多步规划、顺序工具调用和故障恢复能力。Meta 报告称，在 Terminus 2 智能体下 Terminal-Bench 2.1 得分为 76.4，在使用其首选 harness、xhigh 推理强度下 DeepSWE 1.1 得分为 60。
推荐理由：Meta 的开源权重模型 Muse Spark Open 现已在 Modal 上提供服务，让团队能够以按 token 计费的方式试用一款具备 100 万 token 上下文窗口的智能体编程模型。
GitHub 的 Copilot for Beginners 系列介绍了四种为 Copilot 提供项目上下文的方法：在 `.github/copilot-instructions.md` 中编写自定义指令，并在 `.github/instructions` 中添加路径专属文件；在 `.github/skills` 中定义 agent skills；在 `.github/agents` 中配置自定义 agent；以及通过 MCP 服务器将 Copilot 连接到 Playwright 等外部工具。文章逐一讲解了每种机制及其组合方式，并引导读者前往社区 Awesome Copilot 合集获取现成示例。
Vapi 工程师 Lat Ware 复盘自建 Pedantic Review Bot 的实践，该机器人现已审查每个 PR，平均合并时间从 130 小时降至 65 小时。
Meta 推出 Muse Wonder 系列，包括 Muse Wonder 和 Muse Wonder Full，称其在个人与专业智能体任务、记忆和编程方面达到最先进性能。Muse Wonder 即日起通过 Meta Model API 和 Muse Code 提供，Muse Wonder Full 即日起面向 Muse Code 订阅用户提供。这些模型将 Active Memory（跨对话携带上下文并检索任务相关细节）与 Active Focus（持续处理长期目标并在重要操作前确认）相结合；Meta 表示两者均在其千兆瓦级 Prometheus 数据中心训练。
推荐理由：Meta 的 Muse Wonder 系列声称在智能体、记忆和编程基准上取得最先进结果，其构建围绕 Active Memory 和 Active Focus 两项能力。
Serve AI 在 LiveKit 上为一位价值 1.5 亿美元的害虫防治客户重建了其电话代理，将 224 个节点的 Retell 流程图压缩为单一提示词，并用 Agent Simulations 进行了验证。约 100 通真实生产通话被转换为模拟场景，在切换前经过 10–15 次迭代达到 98% 的通过率，中位轮次延迟为 1.3 秒，低于 1.5 秒的上限。首次迁移耗时一周，无回滚，遏制率提升了 15%，Serve 估计这每年为客户额外节省 32 万美元。
LiveKit 已向所有 LiveKit Cloud 项目全面开放 Agent Simulations，这是一种在任务层面而非逐轮测试语音智能体的可重复方式。一个由 LLM 驱动的模拟用户会演绎每个场景，在音频模式下还包括附和语和打断，并由一个 LLM 评判员给出带有理由的通过/失败判定；CLI 可以从智能体自身的提示词和工具生成场景。文本运行是默认方式，成本足够低，适合每次拉取请求都运行，而音频运行覆盖完整流水线，更适合夜间或发布前的计划。Simulations 在十月前免费，但它们会以正常费率调用真实智能体的 LLM、STT 和 TTS。
Anthropic 发布了一份 Claude Managed Agents（测试版）的参考实现，该实现按 cron 计划读取 Slack 频道和 GitHub 拉取请求，通过按来源分别记录的书签追踪自上次运行以来的变更，并向 Slack 发布简报。该详解涵盖由 vault 保管的凭据、只读访问和单次运行支出上限，以及将某个来源读取失败报告为不可读而非视为平静无事的规则，还有在更新书签和账本之前先确认 Slack 发布成功的规则。一个带有 claude-api 技能的 Claude Code 命令可根据文章中的指导配置该智能体。
推荐理由：Anthropic 分享了一个定时 Claude Managed Agents 的参考实现，该实现读取 Slack 和 GitHub，并针对书签、读取失败和发布确认给出了具体规则。
3 并将其部署到生产推理栈上，由廉价探针过滤对话轮次，只有可疑交互才会进入 LLM 裁判。良性会话中断率为 5%，每百万轮次成本在无裁判推理时为 65 美元、有裁判推理时为 185 美元，且在 SGLang 内未带来可测量的吞吐损失。
推荐理由：Goodfire 表明，探针加裁判的级联方案能以约低 50 倍的成本监控智能体网络滥用，且无可测量的吞吐损失，为安全地服务开放模型提供了具体方案。
Vapi 已推出 Personal Agent Calling 测试版，用户只需登录 Vapi 即可通过个人代理拨打电话，无需设置 API 密钥。该公司认为，企业必须核实代理代表谁、被允许做什么，以及该权限是否仍然有效，这一思路建立在 A2A 开放标准和 OAuth 之上。强迫客户从头开始，可能会失去他们的生意。
Mistral 已推出 Mistral Large 4 的公开预览版，这是一个 1 万亿参数的原生多模态模型，拥有 520 亿活跃参数，现可通过 Mistral Studio API 使用。Mistral 表示，该模型可与最强的开源模型竞争，并优于美国和欧洲的其他开放权重模型，在 Artificial Analysis Cyber Index 漏洞复现与修补测试中得分 82%，在其综合 Coding Agent Index 中得分 49.8%。权重将于本月底发布，此前已与网络安全合作伙伴和主管部门进行红队测试；Mistral 表示，该模型是在其自有欧洲数据中心内的 3,800 块 NVIDIA Grace Blackwell GPU 上从零开始训练的。
推荐理由：Mistral 迄今最大的模型声称在网络安全和智能体编程方面拥有开放权重领先地位，并承诺月底发布权重。
Addy Osmani 详细介绍了 Claude Code 云会话：每个任务都在一个全新的、由 Anthropic 管理的虚拟机上运行，仓库被克隆到各自的分支上；云会话包含在 Pro、Max、Team 和 Enterprise 套餐中，不额外收取计算费用。在一个示例 Node 仓库上进行的四会话测试中，三个会话在彼此相隔 16 秒内启动，并在第一个会话开始后 87 秒完成；那个不稳定测试会话将测试套件运行了 40 次，零失败。该指南涵盖设置脚本、网络级别、GitHub 连接路径以及适合云会话的七种工作流，同时指出对于需要本地数据、VPN 服务、GPU 或零数据保留的任务，本地会话仍然是更合适的选择。
推荐理由：一份关于 Claude Code 云会话的实战指南，展示了按任务分配的虚拟机如何实现并行工作，以及本地会话在哪些场景下仍然更合适。
LiveKit 发布了一份面向开发者的对比，比较 Retell、Vapi 和 LiveKit 在构建语音 AI Agent 方面的差异，围绕四个问题展开选择：上线后由谁迭代 Agent、需求超出默认配置时会发生什么、是否必须运行在电话之外、规模化时的成本。Retell 是带可视化编辑器的托管平台，Vapi 是面向开发者的托管平台，通过 API 和仪表盘配置，LiveKit 是 Apache 2.0 开源框架，支持自托管。估算的每分钟综合成本约为：Retell $0.070–$0.310，Vapi $0.070–$0.116，LiveKit $0.037–$0.099。
Figma agent 已结束测试版，在指令遵循和长任务处理方面有所改进，在由专业设计师进行的人工评分评估中胜出超过 60%。新功能允许库所有者上传 markdown 指南，从 FigJam、Figma Slides 和 Figma Design 中获取上下文，并在画布上跟随协作者的 agent。Uber 的设计系统团队现在只需一个下午就能发布过去需要多人耗时数月完成的文档。
GitHub 发布了 ReviewBench，这是一个面向 AI 代码审查智能体的开放基准，基于 19 种语言的 219 个公开拉取请求构建，其语言和仓库规模分布参照 1.039 亿个 GitHub 拉取请求建模。黄金集从人类审查者、作者后续提交、静态分析和多个前沿 LLM 中提取发现，由 Claude Sonnet 5 按照已发布的评分标准评分，资深工程师独立重新标注了每一条发现，一致率为 96.6%。GitHub 表示，其对 Copilot 代码审查的离线评估预判了生产 A/B 测试的方向，其中已处理率上升 8.0%，召回率上升 13.6%，每次审查成本下降 8.0%。
TypeSafe AI 使用 Modal 的无服务器平台训练和部署了其首个 System One Model——Jev，并在上线三天内处理了超过一万亿个 token。Jev 不是自回归 LLM：它以状态和问题为输入，并行输出带概率的类型化结构化值，面向低延迟工作负载。上线一周后，它登顶 OpenRouter 1K-10K token 上下文排行榜，处理了 15.1% 的请求。
GitHub 博客指出，随着 AI 改变开发者的工作方式，开发者应加强三项技能：引导 AI 智能体而非仅仅使用它们；批判性地审查 AI 输出，而不是轻信第一个答案；利用 AI 节省的时间去解决更广泛的问题。文中提到 GitHub Copilot 内置的 Rubber Duck 智能体，它会在开发者继续推进之前，用第二个模型对计划、代码和测试进行评审。
腾讯的 AI-Infra-Guard（AIG）已集成到 ClawScan——这款为 ClawHub 提供安全审查的开源命令行工具，因此每个上传的技能和插件现在都会经过 AIG。ClawScan 独立运行 AIG 和 NVIDIA 的 SkillSpector，由 AI 裁判做出最终评估。在 SkillTrustBench 固定的 556 个案例子集上，ClawScan 与基准标签的匹配率达到 86.9%，并正确分类了 98.6% 的恶意案例。
Vapi 已向所有 Vapi 客户开放其 GPT-Live 测试版，此前上个月曾与 OpenAI 的全双工语音转语音模型进行有限测试。在 Vapi 上，该模型作为说话者运行，处理整个通话，并将查询或操作委托给单独的推理者模型，交接通过两个提示而非一个来控制。现有电话号码、工具、测试和可观测性均保留，转录器配置被移除，语音切换为 OpenAI 的 22 种之一。
Claude Code mods 是小型 JavaScript 或 TypeScript 文件，作为插件中附带的钩子在会话内运行，可以观察事件、重写行为，或在终端或桌面应用中绘制自定义 UI。本指南构建了 Token Weather，一个约 80 行的 mod，在每轮之后读取 $.session.usage()，并在提示符上方绘制一条天气风格的上下文窗口带；随后介绍了 Blast Radius（用于拦截有风险的 Bash 命令）和 Replay Theater（用于逐步查看某一轮的编辑）。Mods 需要 Claude Code 2.1.287 或更高版本，且默认开启；三个示例的完整代码位于 anthropics/claude-code-playground。
推荐理由：一篇动手实践指南，介绍 Claude Code mods，并用约 80 行代码构建一个可用的上下文窗口计量器，展示钩子、状态和自定义 UI 如何协同工作。
Modal 推出 Beta 版 Sidecars，这是与 Sandbox 在同一主机上并行运行的隔离容器，用于将凭证、代理和 harness 逻辑等可信代码与不可信的 agent 生成代码隔离开来。Modal 表示，Sandbox 与其 Sidecars 之间的通信速度至少比同一区域内独立 Sandbox 之间的通信快 3 倍，每次调用的 p50 传输耗时为 0.58ms，而后者为 2.6ms。每个 Sidecar 都有自己独立的出站网络策略，单个 Sandbox 最多可运行 250 个 Sidecars，Ramp 已使用该功能在其 Inspect 编码 agent 旁运行自定义出口代理。
Modal 已正式发布 VM Sandboxes，通过相同的 API、modal.Images、亚秒级冷启动以及 CPU/内存突发能力，为智能体提供完整的 Linux 虚拟机，与其现有的基于 gVisor 的 Sandboxes 保持一致。当用户需要 Docker、FUSE 文件系统或小众 Linux 内核特性时，可通过 runtime="vm" 启用，而 gVisor 仍为默认运行时。Modal 表示，早期客户已启动超过 2000 万台虚拟机，其中 Linear 的每个 Coding Session 都运行在 VM Sandbox 上，Legora 和 Snorkel 则将其用于法律智能体评估和智能体模拟。
推荐理由：Modal 的 VM Sandboxes 为智能体提供带有 Docker 和内核访问权限的完整 Linux 机器，同时保留现有的 Sandbox API 和亚秒级冷启动。
Modal 发布了 VM 沙箱，为智能体提供完整的 Linux 计算机，可用于 Docker 技术栈、本地数据库和移动模拟器，Linear、Legora 和 Snorkel 已在使用。Modal 集群现已通过 @modal.clustered 装饰器正式可用，支持跨协调容器的万亿参数训练与推理服务。此外还推出了粘性会话和端点候选，后者处于私测阶段。
Factory 已将 Automations 全面开放，让团队可以描述一个重复性工作流，并让 Droid 按计划或事件触发来运行它。每个自动化都结合了触发器（计划、Slack、GitHub 或 webhook）、指令、用户选择的模型和推理级别，以及一台可以是本地、已连接或由 Factory 托管的 Droid Computer 的机器。Factory 表示，过去 30 天内有 52% 的企业用户运行了自动化代码审查，48% 使用了安全审查，35% 使用了 AutoWiki，自动化会话量较此前 30 天增长了 51%。
推荐理由：Factory 将其 Automations 全面开放，展示了企业实际把哪些重复性工程工作流交给 Droid，以及模型和机器选择如何按任务生效。
Vapi 推出 Personal Agent Calling 测试版，让个人助手可以拨打企业电话、处理电话菜单、进行对话并回报结果。该功能可与 Muse、Instinct、GrokBot、ChatGPT Work、Claude Code、OpenClaw 和 Hermes 等助手配合使用，用户粘贴一段提示词，将助手指向 phone.vapi.ai。在一次测试中，收入负责人 Bryan Parman 的助手在航空公司等候了 14 分钟，并拒绝了 51.69 美元的升舱费，随后客服代表免除了该费用，并免费确认了一个 Economy Plus 靠过道座位。
Vapi 推出了 Vapi for CX，这是一套用于构建、部署、观测和优化客户体验语音智能体的工具包。它将面向 CX 团队的自然语言 Composer 与可通过 API、CLI 和 MCP 服务器访问的同一配置对象相结合，并提供评估、版本控制、回退方案、通话评分卡，以及跨转录器、模型和语音的每周延迟、成本和质量数据。Vapi 表示，Amazon Ring 在评估了 40 多家供应商后，将其 100% 的呼入量运行在该平台上；Kavak 则能在约五分钟内构建新的智能体版本，NPS 提升了 20 分。
OpenClaw 宣布推出 OpenClaw Enterprise（OCE），这是一个开源、厂商中立的平台，用于在敏感环境中管理持久化代理，目前仍在开发中，计划于今年晚些时候发布 1.0 版本。OCE 增加了一个企业控制平面，具备多租户、硬性安全边界、沙箱、基于 LLM 的审查和细粒度权限，并允许将 harness、模型和沙箱替换为第三方或内部实现。组织今天可以通过 docker-compose 进行本地开发，或通过 kubernetes 进行内部部署来自行托管，目前正在 Red Hat 和 OpenAI 等公司进行试点。
推荐理由：OpenClaw Enterprise 是一个面向敏感环境中持久化代理的开源控制平面，具备多租户、硬性安全边界和可审计性，现已可用于内部试点工作负载。
Anthropic 在 Claude Code 内的 claude-api skill 中新增了两个命令：/claude-api build-eval 会在你的代码库中构建评估集，/claude-api hillclimb 则基于该评估对应用进行迭代，并使用留出集来防止过拟合。
推荐理由：Anthropic 为其 claude-api skill 新增了 build-eval 和 hillclimb 命令，展示了 Claude Code 如何设计评估并据此迭代，同时防止过拟合。
Anthropic 发布了 Claude Sonnet 5.5，这是继 Opus 5.5 之后 Claude 5.5 系列的第二款模型。公司称其在相同每 token 价格下比 Sonnet 5 更智能、更高效，速度快 30%。由于每项任务通常需要更少的 token，Anthropic 表示大多数工作的成本最多可降低 30%。该模型原生支持 100 万 token 上下文窗口、最大 128k 输出，并默认开启思考功能。发布指南列出了 Sonnet 5 用户需要注意的破坏性变更，包括用 between_tools 设置替代已禁用的思考功能、将强制 tool_choice 替换为 auto 加 strict tools，以及将 computer use 迁移至 computer_toolset_20260801 工具集。
推荐理由：Anthropic 的 Sonnet 5.5 保持 Sonnet 5 的定价，同时降低每任务 token 用量，迁移说明则展示了已在 Sonnet 5 上构建的团队需要做哪些变更。
微软推出了 Autopilot，这是一个基于 OpenClaw 构建的持久个人智能体，作为其全新 Copilot 体验的一部分，私人预览将于本月底扩展至首批客户。Autopilot 是微软今年早些时候宣布的 Microsoft Scout 的新名称，Omar Shahine 的团队表示正与 OpenClaw 及 OpenClaw 基金会合作，打造企业级运行时。OpenClaw 重点介绍了微软工程师的上游贡献，包括策略合规检查、原生 Windows 配套应用，以及针对后台任务、重启和重复回复的可靠性修复。
推荐理由：微软的 Autopilot 基于 OpenClaw 构建，此处列出的上游贡献展示了共享智能体运行时如何跨平台改进。
Vapi 产品工程师 Mhar Andal、Scott Lowe 和 Adham El Fawal 在 9 月 22 日的网络研讨会上演示了模型智能、模拟和活动，并回答了构建者的热门问题。模型智能推荐转录器、LLM 和语音预设，并显示成本、延迟和质量指标，而模拟则运行 AI 测试器并给出通过/失败结果，活动可拨打最多 10,000 个联系人的列表。
Vapi 使用 TypeSafe AI 的早期访问“System One”模型 Jev 进行了早期实验，将其作为护栏，在语音助手的回复被说出之前，对其是否违反开发者定义的规则进行评分。在一项早期测试中，Jev 至少捕获了四分之三的违规回复，不过 Vapi 表示这并非 100% 的合规保证，而只是在提示护栏之上的一道额外检查。