Modal 發布了 Modal Dojo，這是一個訓練函式庫，提供建構模組、調校過的預設配方，以及可觀測性儀表板，用於生產級的 LLM 後訓練。它建構在開源框架 Miles 和 Slime 之上，支援從五億到數兆參數的模型，並提供 API 和 CLI，讓代理可以驅動以啟動和除錯執行。Modal 表示 Axiom Bio 使用它擴展到 64k 上下文的 DeepSeek V4.1 Flash 在 64 台 B300 上執行，而 Afterquery 以 256k 上下文長度訓練 Kimi 和 DeepSeek。
Acuity Health 在低程式碼平台被證明過於僵化且不透明後，於 LiveKit 上重建其病患服務語音代理，如今 80% 的來電完全由 AI 代理處理。代理運行於 LiveKit Inference，採用 Gemma 4 31B 模型，多數預約在一分鐘內完成，81% 的預約來電以「謝謝」作結。LiveKit Simulations 會在發布前針對病患檔案測試每項變更，而一次提示詞審查刪減了約 24% 的字詞，仍通過相同的測試情境。
Apple 研究人員（與 University of Waterloo 合作）提出 TEAL，這是首個建構於凍結 ViT 表徵之上的像素級主動學習框架，透過兩級 MaxHerding 策略直接在原生 token 晶格上選取多樣化候選，並以基於 margin 的不確定性進行精煉。在每張影像僅標註一個像素的情況下，TEAL 在 CamVid、Cityscapes、ADE20K 與 Pascal Context 上相較最強基線最高提升 +24.36 mIoU，僅用 10 px 即達到全監督效能的最高 97%。
OpenClaw 推出了焦點週（Focus Weeks）計畫，每週針對其路線圖中的一個領域，由一位維護者（Maintainer）負責，並邀請社群貢獻程式碼、錯誤回報、測試、文件與無障礙回饋。第一個焦點週於 2026 年 10 月 19 日至 25 日舉行，主題為 Control UI，由 Vyctor Brzezowski 擔任維護者。一群精選的輪值 Clawtributors 也獲得共享 OpenClaw Team 環境的臨時訪客存取權，以測試其多人協作功能。
Amazon 與獨立非營利組織 AVERI 合作，審查其內部安全評估資料集的品質，而不僅是模型輸出。AVERI 驗證了主題涵蓋範圍、提示多樣性及低污染風險，同時建議擴大涵蓋多語言、增加多步驟對抗性提示，並訂定更清晰的評分標準。Amazon 對此以更新測試集、分級難度及每季審查機制回應。
OpenAI 的對齊部落格在 g-mean² 中新增了兩項指標；g-mean² 是其資料集層級的監測器辨別力衡量指標。配對匹配指標僅在支援相關正向、負向或介入有效比較的任務實例上比較模型，而後控制整合指標則模擬由監測器把關的拒絕機制，並估計部署系統仍輸出不良結果的機率。該文章亦推導出介入評估的悲觀下界。
三位擁有超過十年 Java 經驗的 Java Champion 分別分享了他們在生產環境與開源工作中如何使用 GitHub Copilot。Vlad Mihalcea 在兩天內（而非數週）建置了一個 Hypersistence Optimizer 網頁應用程式，並以他的 65 篇文章訓練自訂技能，使其符合他的寫作風格。Patrick Baumgartner 用 Copilot 將 15 份簡報中約 900 張教學投影片從 Reveal.js 遷移到 Marp，並透過截圖比對驗證結果。
Google 的 Agents CLI 現在包含擴充系統（Extension System），於 v1.5.0 引入，讓開發者能覆寫或新增指令，而不必 fork 工具本身；v1.8.0 則推出第一方 LangChain 擴充功能。LangChain 範本會建立一個不依賴 google-adk 的專案，並透過與 ADK 專案相同的程式碼路徑部署到 Cloud Run，而 playground、run 和 eval generate 等六個與 ADK 耦合的指令則會被取代或明確拒絕執行。擴充功能以 Git 儲存庫中的目錄形式發布，並以鎖定檔固定確切的 commit SHA，該系統在 v1.8.0 中標示為實驗性。
微軟研究院Catalyst Lab總監Chris White回顧了他在DARPA計畫之後於阿富汗領導先進技術行動的經歷，以及後來打造暗網搜尋工具以打擊人口販運的過程。在與Weishung Liu對談的微軟研究院Podcast節目中，White討論了問題選擇如何形塑創新，以及他在見識過人性最黑暗的一面後如何保持希望。
實驗物理學家、哈佛大學前理學院院長 Christopher Stubbs 以首位物理學家身分加入 Anthropic 的長期利益信託。Stubbs 曾協助發現宇宙加速膨脹，並就國家安全與軍備控制向美國政府提供建議。他與主席 Neil Buddy Shah、Richard Fontaine 及 Ben Bernanke 一同加入該信託，該信託可任命 Anthropic 董事會的多數成員。
Sakana AI 於 2026 年 10 月 5 日舉辦第二屆工程師開放日，介紹了五個工程職位，包括應用研究工程師、前線部署工程師、軟體工程師、解決方案工程師和網路安全工程師。執行長 David Ha 闡述了一套「AI 主權」策略，建立在預訓練、使用 Namazu 的後訓練以及使用 Fugu 的編排之上；此前六個月內，公司已將產品組合擴展至 Sakana Chat、Marlin、Fugu 和 Translate。活動還詳細介紹了與日本金融機構和國防項目的合作，包括與防衛省情報本部及防衛創新科學技術研究所的研究。
Mistral 發布 Voxtral 3，這是一系列語音轉文字與文字轉語音模型，外加一套建構於 LiveKit 之上的語音代理 SDK，能在單一管線中串流處理聆聽、推理、工具呼叫與說話。Voxtral Small Transcribe 3 涵蓋 50 多種語言，支援語者分離與上下文偏置；Voxtral Mini TTS 3 支援 35 多種語言與 50 多種方言；整套技術堆疊可透過 Mistral 的歐盟託管 API 或自行部署取得。定價方面，批次轉錄每分鐘 0.0035 美元起，TTS 每 100 萬字元 13 美元。
推薦理由：Mistral 的 Voxtral 3 將多語言語音模型與基於 LiveKit 的語音代理 SDK 搭配，為團隊提供可主權部署的即時語音代理選項。
Zyphra 發布針對 AMD Instinct MI355X GPU 的 Zyphra Optimization Engine（ZOE）第二波更新，在其 vLLM 與 SGLang 的生產分支中加入四個自訂 HIP 核心，用於 MoE 與稀疏注意力。40x）。3 checkpoint 在四項推理基準上與 FP8 的差距維持在 3 分以內，但僅在高併發時解碼速度更快。
Waymo 宣布正在西班牙為其全自動駕駛叫車服務奠定基礎，首先從馬德里地區開始，目標是在 2027 年迎接首批乘客。電動 Jaguar I-PACE 車輛將在未來幾天內出現在該地區的街道上，先從手動駕駛開始，之後由當地訓練的自動駕駛專家進行技術驗證。Waymo 引用超過 2,000 萬次已完成行程，以及超過 4 億公里全自動駕駛里程的數據，顯示在其營運的城市中，涉及重傷或更嚴重後果的碰撞事故比人類駕駛少 95%。
Vapi 已聘請曾任 Turing 工程副總裁的 Jeff Liu 出任新的工程資深副總裁。Liu 亦曾在 Google 任職六年、在 LinkedIn 任職一年，他表示加入的原因是 Vapi 打造的是語音 AI 部署平台，而非單一應用程式。他的首要任務是提升平台的可靠性與可擴展性，以迎接未來幾季計劃推出的產品。
Vapi 於 10 月 8 日在舊金山灣包下一艘遊艇，為艦隊週聚集了 30 多位語音 AI 開發者，活動包含 Deepgram、Kouper Health 與 Coval 的爐邊對談，以及一場技術工作坊。與會者聚焦於 GPT Live 的語音對語音功能，它降低了延遲並帶來流暢的輪替對話，但代價是犧牲了對關鍵詞彙與腳本的細緻控制。討論也涵蓋了附和語、感知延遲，以及平台語音堆疊與自建語音堆疊的取捨。
GitHub Copilot 應用程式工作階段現在可以直接在 VS Code 中開啟，並延續對話、程式碼變更與工作樹，讓開發者無需重新開始即可檢視差異、手動編輯並在本機測試。本教學逐步說明如何開啟工作階段、逐行檢視代理的變更、在 Copilot 側邊欄中繼續同一段對話，以及將更新推送至該工作階段的提取要求。
Google 發布了 Meta TorchTitan 的 TPU 分支版本，可透過 TorchTPU 原生的 torch.device("tpu") 後端在 Cloud TPU 上執行 PyTorch 訓練，並附帶 TPU 原生核心與逐步最佳化指南。在 TPU v7x（Ironwood）上，Llama 3 405B 在 128 到 1,024 顆晶片之間維持約 57% MFU，Qwen3 235B 在單一 1,024 晶片切片上達到 32.42% MFU，FLUX.1 在 1,024 顆晶片上達到 19.4% MFU，弱擴展效率為 93%。該分支位於 https://github.com/google-pytorch/torchtitan/，另有 Transformers 建模後端與 agent 上手技能，可將同一訓練器延伸至其他檢查點。
推薦理由：Google 與 Meta 合作把 TorchTitan 移植到 TPU，並給出從 FLUX.1 到 Qwen3 235B 的逐級調優路徑與 MFU 數字，可作為 PyTorch 團隊評估 TPU 訓練可行性的參考。
Modal 推出 Sticky Sessions，在其低延遲的 Modal Servers 之上，將工作階段中的每個請求固定導向同一個容器。開發者可使用 @modal.sessioned() 裝飾器建立具備工作階段的 Server，並透過 SDK 或 HTTP API 啟動工作階段，自動擴縮由作用中的工作階段數量驅動，而非請求量。
Sakana AI 開發了 QD-Rec，這是一種推薦方法，將候選項加上解釋為何選擇它的假設視為推薦單位，並使用品質多樣性搜尋來累積高品質、多樣化的提案。在併購、客戶定向和論文推薦的實驗中，QD-Rec 建立的檔案庫平均分數更高、規模更大，優於從頭撰寫每個假設的基線方法，其程式碼已在 GitHub 上發布。論文報告了一些案例，其中一個假設對某家公司評分為 10 分中的 1 分，經過變異並轉移到另一個候選項後，分數提高到 5 分。
Modal 對 NVIDIA 新款 Arm 相容的 Vera CPU 伺服器進行了基準測試，測得任務吞吐量最高可達同等 x86 GNR 機器的兩倍，且單一任務延遲持平、有時更低。結果來自 Agentless Agent Bench、50 個 Terminal-Bench oracle 解決方案與驗證器，這些項目已移除網路呼叫，並在並行 Docker 容器中執行。Modal 將此增益歸因於 Vera 在並行容器累積時仍能維持步調，並將其連結至高記憶體頻寬，同時表示支援 Arm 需要在其基礎設施與映像建置系統中進行變更。
inclusionAI 發布 Ming-3.0-tts，這是一個開放權重的多語言語音合成系列，包含兩個模型：Ming-3.0-tts-0.5b，一個 0.5B dense 模型；以及 Ming-3.0-tts-tiny，一個建構於 Ling V3 之上的 MoE 模型，總參數 7.9B、活躍參數 1.3B。兩者均附有推論程式碼、任務 cookbook 與基準測試表格，並支援聲音複製、基於文字的語音設計、自由形式的自然語言表達控制、14 個行內副語言標籤、情緒與語速/音高/音量控制，以及中文、英文、德文、西班牙文、法文、韓文、日文、四川話與粵語。在 2026 年 10 月的 Artificial Analysis 文字轉語音排行榜上，Ming-3.0-tts 在 Controlled Voice 項目於開放權重模型中排名第 1，在 Pronunciation Robustness 項目以 93.2% 排名總體第 1，並在 Provider Voice 項目於開放權重模型中排名第 3。
inclusionAI 下的 venus-asi 儲存庫僅包含一個 README.md 和一個 index.html，未提供描述、網站或主題。它擁有 0 個星標、0 個關注者和 0 個分支，且未列出任何發行版、套件或貢獻者。
inclusionAI 發布 Ming-3.0-asr-tiny，這是一款語音辨識模型，將 Ling-tiny-v3 語言模型與音訊編碼器搭配，用於中英文轉錄、方言辨識與上下文 ASR。方言評測涵蓋 15 個測試集，包括湖南、閩南、粵語、川渝與上海，並可在提示中提供熱詞或前文對話，以解析人名與技術術語。該儲存庫提供 Transformers 與 SGLang 部署指南，程式碼與權重以 MIT 授權條款釋出。
MiniMax 正式推出 MiniMax M3.1 Flash，這是一款新一代 Flash 模型，該公司稱其使用成本較前代降低 70%，線上推理速度提升近三倍。該公司報告其在 DeepSWE v1.1 上達到 73.7%，在 BankerToolBench 上為 76.2，在 OSWorld V2 上為 61.7，在 Agents' Last Exam 上為 29.6，在 CyberGym 上為 82%，輸出速度達 200+ TPS，中位數為 170+ TPS。定價為每 100 萬輸入 token 0.15 美元、每 100 萬輸出 token 0.60 美元、每 100 萬快取輸入 token 0.015 美元，該模型可透過 MiniMax API、M Plan 和 MiniMax Code 使用，權重將於稍後發布。
推薦理由：MiniMax 的 Flash 模型聲稱以每 100 萬輸入 token 0.15 美元的價格提供頂級的代理與編碼分數，為代理工作負載的成本面提供了具體的數據點。
Legora 現在將每一項法律代理評估分別執行於獨立的 Modal Sandbox 中，啟動其完整應用程式並固定於特定 commit，使每次執行都反映確切的產品版本。典型實驗包含 100 個案例、4 種 harness 變體、每種各 5 次試驗——共 2,000 次平行執行——並以 Modal Volumes 快照文件、資料庫與權限狀態。Legora 也從 gVisor 遷移至 Modal VM Sandboxes，移除了其 Docker 網路與 FUSE 的變通方案，並透過更智慧的壓縮與自訂工具搜尋，將代理成本降低 30%。
Anthropic 在獲得股東批准的前提下，承諾將 5% 股份投入新成立的 Anthropic Public Benefit Fund（一家全資有限責任公司），並在公司價值較既定基準每增長 50% 時，由董事會酌情追加 2%。
推薦理由：Anthropic 將其公益承諾與公司成長掛鉤，因此投入公益的股份會隨估值擴大，而非維持固定。
Google Research 描述了三個旨在將 AI 代理紮根於真實濕實驗室實驗的專案，包括 VERID 框架——一個建構於開源 PyLabRobot 框架上的實驗室工作單元語義數位孿生，可追蹤平台佈局、孔槽體積與吸頭庫存，並在執行前對協議進行乾跑。
推薦理由：Google Research 概述了三個將 AI 代理連接至真實濕實驗室硬體的專案，展示模擬乾跑與閉環實驗如何讓代理修正自身的設計規則。
Modal 詳細說明其如何演進檔案系統堆疊以支援 VM Sandboxes，將客體請求透過 virtio-fs 與 virtiofsd 路由至其 ImageFS 延遲載入檔案系統。第一個版本開機快速但執行緩慢：遞迴 chown 從四秒變成超過一分鐘，pnpm 與 bun 安裝約慢了三倍。微基準測試顯示，chown 在 virtio-fs 上為 9.87 秒，而在 gVisor 上為 2.31 秒、在 ImageFS 上為 1.58 秒。
Replit 推出自帶雲端 (BYOC) 選項，讓企業能在自己的 Microsoft Azure、Google Cloud 或 Amazon Web Services 租用戶內執行 Replit 平台與已發佈的應用程式。完整 BYOC 處於私人預覽階段，會在客戶的雲端中部署 Replit 的 cells 與 agent harness；而針對已發佈應用程式的 BYOC 則處於早期存取階段，會在該處託管已發佈的專案，並由 Replit 管理平台。Image Exports 則為團隊提供 Docker 映像、Terraform 檔案與 SBOM，以便自行託管以 Replit 建置的應用程式。
Waymo 正將其全自動駕駛叫車服務擴展至多倫多，這是該公司首個加拿大市場，目標是在 2028 年迎接首批乘客。未來幾天內，Waymo 車輛將開始在多倫多街頭以手動駕駛方式行駛，作為分階段、安全優先的驗證流程的一部分，首先從高精度地圖測繪開始。該公司正與總部位於多倫多的 Element Fleet Management 合作，並計劃在車隊維護、驗證駕駛和客戶服務領域投資數百個職位。
PJ 是佛羅里達州奧卡拉（Ocala）一位由工程師轉行的除蟲業老闆，如今為小型企業提供顧問服務——其中包括屋頂、泳池與汽車承包商——協助他們架設 OpenClaw，並教他們自行操作。他的客戶想要一個完全屬於自己的工具，而不是把公司資料餵給租用的軟體；其中一位客戶、66 歲的行政人員 Donna，每天都使用她的 OpenClaw。
LiveKit 的指南彙整了解決方案架構師與前線部署工程師的經驗，說明如何讓 AI 語音代理從展示階段走向正式上線，並圍繞三個問題組織：代理是否足夠聰明自然、其效能是否可觀測，以及能否可靠且具成本效益地擴展。指南建議單獨量測第一輪對話，因為有公司發現約四分之三的通話在問候步驟就結束了，並指出客戶從 GPT-4.1 改用 LiveKit Inference 上的 Gemma 4 31B，在 p50 下節省了 300–500ms。
Claude Code 團隊描述其分層的程式碼審查流程，其中大部分閱讀由機器完成，人類注意力則保留給基於風險的核准。從六月到九月，合併至 Claude Code 程式碼庫的拉取請求增加了一倍以上，而必須回退的比例下降了超過 40%。該流程在 PR 之前堆疊驗證、必要的 CI、Claude 審查、安全審查、風險分級的人工核准，以及帶有旗標和快速回滾的合併佇列，團隊並將過去的事件轉化為審查者的每日評估集。
推薦理由：Anthropic 的 Claude Code 團隊詳細說明了他們如何將大部分程式碼閱讀移至自動化層，同時合併的 PR 翻倍且回退下降超過 40%，為代理密集的團隊提供了一個可轉移的審查模型。
Modal 說明如何在其無伺服器 GPU 上，以開放權重或自訂模型執行 LiveKit Agents，並使用 BitHuman 的開放權重 Expression Video Avatar，搭配 Qwen3-TTS 配音來複製 Charles Frye。此設定透過 Modal Server 對外開放 avatar 容器的 /launch 端點，並使用 Sticky Sessions 讓 WebSocket 用戶端維持在同一個容器上，同時以 GPU 快照隱藏冷啟動。
Mistral 發布 Timestral，這是其首個時間序列基礎模型系列，共有 5M 至 209M 參數四種規模。其中最大的模型在 GIFT-Eval、TIME 與 fev-bench 這三個主要公開基準上，於單一檢查點、未使用集成方法的預訓練零樣本模型中排名第一，且僅使用前代最先進模型三分之二的參數。Timestral 可產生具 21 個分位數的機率性多變量預測，支援僅過去與已知未來的共變量，可在無 GPU 的 CPU 上執行，並可透過 Mistral Forge 進行微調，同時在修改版 MIT 授權下發布了 GitHub 儲存庫與技術報告。
推薦理由：Mistral 首個時間序列基礎模型系列以 209M 參數的檢查點，宣稱在 GIFT-Eval、TIME 與 fev-bench 上取得零樣本排名第一，為預測工作提供了規模與準確度的取捨參考。
inclusionAI 發布 Ming-3.0-audio-flash，這是一個 126B 參數的混合專家（MoE）音訊模型，啟動參數為 6.5B，同時推出精簡版 Ming-3.0-audio-tiny，參數為 9.3B、啟動參數 2.7B。flash 模型涵蓋中英文語音辨識，包括方言與嘈雜多說話者場景、長音訊理解、非語音聲音與音樂感知、音訊推理，以及可選合成語音輸出的端到端口語對話。它隨附 vLLM-Omni、SGLang 與 Transformers 推論路徑，採用 MIT 授權，預設 Flash 配置在 128K 上下文下使用四張 80 GB H800 GPU 的張量平行。
推薦理由：此次發布詳細介紹了一個 126B 參數的 MoE 音訊模型，啟動參數為 6.5B，外加一個 9.3B 的 tiny 變體，為開放音訊語言模型的規模與部署提供了具體參考。
Meta 發布了 Muse Spark Open 的權重，這是一個原生多模態的開放權重模型，總參數 816B（活躍參數 42B），上下文視窗達 1M token，定位於程式編寫與代理式工作。它是同類模型中首個能在桌面上運行的模型，使用兩台 Apple M5 Ultra Mac Studio 搭配 MLX 框架；並可透過 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 與 Together AI 等 API 合作夥伴取得，權重則發布於 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 與 Microsoft Foundry Models。Meta 表示，該模型隨附 SGLang 中可自動調校的 Helion GPU 核心，在 NVIDIA 與 AMD GPU 上帶來 1.03–3.95 倍的核心層級加速，在 AMD MI350 上則有 3% 的端到端加速。
推薦理由：Meta 發布了一個 816B 參數多模態模型的開放權重，該模型可在兩台 Mac Studio 上運行，為開發者提供了針對長時程程式編寫與代理式任務的本地選項。
Apple 發表 iPhone Duo，這是其首款摺疊式 iPhone，搭載歷來最大的 iPhone 螢幕：7.58 吋內螢幕，比 iPhone 18 Pro Max 的螢幕大 50%，另有 5.4 吋外螢幕，覆蓋 iPhone 18 Pro 螢幕面積的 90%。它採用 A20 Pro 晶片與雙電池架構，iOS 27 也針對摺疊形態重新設計，包括可並排顯示 Siri 與 Mail 的 Split View。由 Apple Intelligence 驅動的 Siri AI 正以 beta 版隨 iOS 27 推出，先提供英文版，初期不會在歐盟提供；Apple 指出，Siri AI 與其他新的 Apple Intelligence 功能將不會在中國提供。
推薦理由：Apple 首款摺疊式 iPhone 結合 7.58 吋內螢幕、5.4 吋外螢幕與 A20 Pro 晶片，展示 iOS 27 與 Siri AI 如何配合摺疊形態作出調整。
Goodfire 研究員主張，神經網路中多義性與疊加現象的經典證據被誤讀了，那些看似任意堆疊的現象，大多是一種他稱為遞迴泛化的模式。以一般架構改進、且不改變模型大小或訓練資料的方式重新訓練 InceptionV1 後，其最後一層 99-100% 的神經元都變得易於解讀；而對 Qwen3-32B 的初步稽核估計，約 90% 的神經元極性只有一項主要職責。文章結論認為，網路只使用一種學習原理而非兩種，因此可解釋性研究可以直接研究神經元與電路，而不必先訓練稀疏自編碼器等分解模型。
推薦理由：這是對該領域經典多義性證據的第一手重新詮釋，主張網路是遞迴地泛化，而非把不相干的概念堆疊在一起，這將使直接的機制性研究變得可行。