Sakana AI 于 2026 年 10 月 5 日举办了第二届工程师开放日，涵盖应用研究工程师、前向部署工程师、软件工程师、解决方案工程师和网络安全工程师五个工程岗位。CEO David Ha 阐述了基于预训练、使用 Namazu 进行后训练以及通过 Fugu 进行编排的“AI 主权”战略，此前该公司在过去六个月中将产品组合扩展至 Sakana Chat、Marlin、Fugu 和 Translate。活动还详细介绍了与日本金融机构和国防项目的合作，包括与防卫省情报本部及防卫创新科学技术研究所的研究。
Mistral 发布了 Voxtral 3，这是一系列语音转文本和文本转语音模型，外加一个基于 LiveKit 构建的语音智能体 SDK，可在单一流水线中流式完成聆听、推理、工具调用和说话。Voxtral Small Transcribe 3 覆盖 50 多种语言，支持说话人分离和上下文偏置；Voxtral Mini TTS 3 支持 35 多种语言和 50 多种方言；该技术栈可通过 Mistral 的欧盟托管 API 或自部署获取。定价为批量转写每分钟 0.0035 美元起，TTS 每 100 万字符 13 美元。
推荐理由：Mistral 的 Voxtral 3 将多语言语音模型与基于 LiveKit 的语音智能体 SDK 相结合，为团队提供了一个可主权部署的实时语音智能体选项。
10 月 8 日，Vapi 在旧金山湾的一艘包租游艇上召集了 30 多位语音 AI 开发者参加舰队周活动，Deepgram、Kouper Health 和 Coval 带来了炉边对话，另有一场技术工作坊。与会者重点关注 GPT Live 语音到语音，它降低了延迟并带来流畅的轮次转换，但牺牲了对关键术语和脚本的精细控制。讨论还涉及附和反馈、感知延迟以及平台与自建语音栈的取舍。
一个由普林斯顿牵头、斯坦福、英国AI安全研究所和布鲁金斯学会参与的小组发表了《AI智能体评估的新兴趋势》，综合了评估科学、研究议程和评估者生态系统中的33个趋势。论文认为智能体评估远比模型评估复杂，因为评估者必须审视整个轨迹而非最终结果，并指出ExploitBench基准上的某些智能体评估耗费了数万美元的额度。它呼吁扩大研究议程，涵盖能力、人机交互和制度影响，并为独立评估者提供更广泛的参与和资助。
GitHub Copilot 应用会话现在可以直接在 VS Code 中打开，并延续对话、代码更改和工作树，让开发者无需重新开始即可查看差异、手动编辑并在本地测试。本教程逐步演示如何打开会话、逐行查看智能体的更改、在 Copilot 侧边栏中继续同一对话，以及将会话的拉取请求推送更新。
Modal 推出 Sticky Sessions，在其低延迟的 Modal Servers 之上，将同一会话中的每个请求固定到同一个容器。开发者通过 @modal.sessioned() 装饰器创建带会话的 Server，并通过 SDK 或 HTTP API 启动会话，自动扩缩容由活跃会话数而非请求量驱动。
Sakana AI 开发了 QD-Rec，这是一种推荐方法，将候选对象加上解释为何选择它的假设作为推荐单元，并使用质量-多样性搜索来积累高质量、多样化的提议。在并购、客户定位和论文推荐实验中，QD-Rec 构建的档案平均得分更高、规模大于从头编写每个假设的基线，其代码已在 GitHub 上发布。论文报告了一些案例，其中某个假设对一家公司评分为 1 分（满分 10 分），经过变异并迁移到另一个候选对象后，得分提高到 5 分。
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%。
中国商务部和科技部拟将AI模型、智能体、芯片设计和计算集群列入技术出口管制目录，草案规则将API、应用和SaaS访问排除在外。据报道，DeepSeek计划领投机器人AI初创公司Winverse AI的种子轮，而Infinigence AI完成了23亿元人民币的C轮融资。DeepSeek还发布了V4.1-Flash-1017，采用MIT许可的权重和100万token的上下文窗口。
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。
Redwood Research 推出 Screwtape，这是一条将攻击插入真实智能体转录本并反复精炼、直到仅动作监控器不再能捕获它的流水线，并由 LLM 验证器检查真实性与严重性。在 94 份唯一转录本上的 252 次运行中，它产生了 35 个规避了 Redwood 自家基于 Opus 4.8 和 Gemini 3.1 Pro 的监控器的攻击，其中 6 个还规避了某前沿开发者提供的留出监控器，并经人工审查确认为有效。作者指出，该流水线无法给出定量安全估计，目前无法为思维链监控器生成推理轨迹，且不会公开发布，但愿意与研究人员分享。
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。
斯坦福大学经济学家 Gabriel Unger 和 Arvind Narayanan 认为，AI 研究过度偏向完全自动化，并勾勒出一个以人机协作为中心的替代议程。他们提出四个研究方向，其中包括“白盒智能体”——这类智能体会揭示其中间过程、来源、假设和不确定性，以便用户能直接与之交互。该文追溯了这场辩论在计算机科学中的历史，并呼吁采取自下而上、市场驱动的方式来引导 AI 发展。
OpenAI 的 Codex 曾是一项零散的云端尝试，未能找到产品市场契合点；在转向终端和代码编辑器版本后，它成为公司 AI 编程回归的核心。在 2025 年夏季的测试中，Codex 内置的 GPT-5 感觉很快，但与 Anthropic 的 Claude Code 相比过于谨慎——后者让用户可以把整个任务交给 Opus 4 然后走开。
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。
Import AI 476 介绍了一项新基准，显示前沿大语言模型在直觉视觉推理上仍落后于人类，GPT 6 Astra 的 pass@1 得分为 53.6，而人类基线为 93.1。文章还讨论了AI系统通过 TasteVal 基准在“研究品味”上的提升，并认为AI可能加速太空工业化并形成复利式的先发优势。
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。
6 Sol 和 Fable 5 各自独立重新发现了一种可与自蒸馏策略优化（SDPO）相媲美的新型后训练技术，并在无互联网访问的沙盒中分别获得 3,000 GPU 小时。6 Sol 的方法在很大程度上复制自先前工作，在调整训练速度较慢的因素后，达到了 SDPO 增益的 15%，而 Fable 5 的技术未能提升性能。
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。
Anthropic 的 Claude Haiku 5.5 现已在 Google Cloud 正式上线。作为 Claude 5.5 系列中速度最快、效率最高的成员，它专为高并发、对延迟敏感的智能体任务而打造，并在多智能体系统中定位为辅助模型。可通过 Model Garden 使用。
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。
Every 推出了 Every Agent，这是一款在 Slack 中运行的智能体同事，旨在帮助公司在各团队中采用 AI。它让用户可以委派复杂工作、与同事分享 AI 实验，并在新模型或工具发布时收到个性化的 Frontier Alerts，且 token 零加价。
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%。
Import AI 475 涵盖 Toby Ord 的分析，发现 AI 群体大约用两倍的 token 换取一半的墙钟时间，且随着智能体数量增长收益递减。Google DeepMind 推出了 SynthID Bio，这是一个用于合成生物学的水印系列，在三个目标蛋白上，其命中率和结合亲和力与未加水印的设计相当。本期还涵盖 CSAIP 的民意调查，显示 61% 的美国人表示企业的自愿 AI 承诺“不够”，以及 SciUniverse 基准，包含 92 项任务，测试 AI 系统在自动化实验室中的运作能力。
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。