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。
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%。
中國商務部與科技部擬將AI模型、代理、晶片設計與運算叢集納入技術出口管制目錄，草案規則將API、應用程式與SaaS存取排除在外。據報導，DeepSeek計劃領投機器人AI新創Winverse AI的種子輪，而Infinigence AI完成23億元人民幣C輪融資。DeepSeek亦發布V4.1-Flash-1017，權重採MIT授權，並具備100萬詞元上下文視窗。
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。
Redwood Research 推出 Screwtape，這是一套流程，會將攻擊插入真實的代理對話紀錄中，並反覆調整，直到僅監控動作的監控器不再偵測到它，同時由 LLM 驗證器檢查其真實性與嚴重程度。在 94 份不重複對話紀錄上進行的 252 次執行中，它產生了 35 個攻擊，成功繞過 Redwood 自家基於 Opus 4.8 與 Gemini 3.1 Pro 的監控器，其中 6 個還繞過了某前沿開發者的一套保留監控器，並經人工審查確認有效。作者指出，這套流程無法產出量化的安全估計，目前也無法為思維鏈監控器生成推理軌跡，且不會公開發布，但他們願意與研究人員分享。
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。
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。
史丹佛經濟學家 Gabriel Unger 與 Arvind Narayanan 主張，AI 研究過度偏向全自動化，並勾勒出一套以人機協作為核心的替代議程。他們提出四個研究方向，其中包括「白箱代理」（white box agents），這類代理會揭露其中間過程、來源、假設與不確定性，讓使用者能直接與之互動。該文追溯了電腦科學界這場辯論的歷史，並呼籲以由下而上、市場驅動的方式引導 AI 發展。
OpenAI 的 Codex 曾是一項未能找到產品市場契合度的簡陋雲端嘗試，在轉向終端機與程式碼編輯器版本後，成為該公司 AI 編程逆襲的核心。在 2025 年夏季的測試中，Codex 內建的 GPT-5 感覺快速但過於謹慎，相較之下，Anthropic 的 Claude Code 讓使用者能將整個任務委派給 Opus 4 後逕自離開。
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。
Meta 釋出了 Muse Spark Open 的權重，Modal 現在透過其 Auto Endpoints 以按 token 計費的方式提供該模型。該模型針對代理式編碼與長程任務，具備原生多模態理解、100 萬 token 上下文視窗、多步驟規劃、依序工具使用與失敗復原能力。Meta 回報，搭配 Terminus 2 代理在 Terminal-Bench 2.1 上得分 76.4，並在其偏好的測試框架下以 xhigh 推理強度在 DeepSWE 1.1 上得分 60。
推薦理由：Meta 的開放權重模型 Muse Spark Open 現已在 Modal 上提供，讓團隊能以按 token 計費的方式試用一款具備 100 萬 token 上下文視窗的代理式編碼模型。
GitHub 的 Copilot for Beginners 系列說明了四種為 Copilot 提供專案脈絡的方式：在 `.github/copilot-instructions.md` 中設定自訂指示，並在 `.github/instructions` 中放置路徑專屬檔案；在 `.github/skills` 中定義代理技能；在 `.github/agents` 中設定自訂代理；以及透過 MCP 伺服器將 Copilot 連接至 Playwright 等外部工具。文章逐一介紹每種機制及其組合方式，並指引讀者前往社群 Awesome Copilot 集合取得現成範例。
Import AI 476 涵蓋一項新基準，顯示前沿 LLM 在直覺視覺推理上仍落後於人類，GPT 6 Astra 得分 53.6 pass@1，而人類基準為 93.1。文中亦討論 AI 系統透過 TasteVal 基準在「研究品味」上有所提升，並主張 AI 可加速太空工業化並創造複合的先發優勢。
Vapi 工程師 Lat Ware 復盤自建 Pedantic Review Bot 的實踐，該機器人現已審查每個 PR，平均合併時間從 130 小時降至 65 小時。
Meta 推出 Muse Wonder 系列，包含 Muse Wonder 與 Muse Wonder Full，並稱其在個人與專業代理任務、記憶與程式設計方面達到最先進的效能。Muse Wonder 即日起可透過 Meta Model API 與 Muse Code 使用，Muse Wonder Full 即日起開放給 Muse Code 訂閱者使用。這些模型結合了 Active Memory（可跨對話保留上下文並擷取任務相關細節）與 Active Focus（可持續推進長期目標，並在重要動作前進行確認）；Meta 表示兩者皆在其千兆瓦規模的 Prometheus 資料中心訓練而成。
推薦理由：Meta 的 Muse Wonder 系列宣稱在代理、記憶與程式設計基準測試上取得最先進的結果，並以 Active Memory 與 Active Focus 作為其建構的兩大核心能力。
6 Sol 與 Fable 5 各自獨立重新發現了一種可與自蒸餾策略優化（SDPO）相媲美的新型後訓練技術，兩者分別在無網際網路連線的沙箱中獲得 3,000 GPU 小時。6 Sol 的方法主要抄襲自先前的研究，在針對較慢的訓練速度進行調整後，僅達到 SDPO 增益的 15%，而 Fable 5 的技術則未能提升效能。
Serve AI 在 LiveKit 上為一位價值 1.5 億美元的害蟲防治客戶重建了其電話代理，將一個 224 節點的 Retell 流程圖壓縮為單一提示詞，並用 Agent Simulations 進行驗證。約 100 通真實生產通話被轉化為模擬場景，在切換前經過 10–15 次迭代達到 98% 的通過率，中位輪次延遲為 1.3 秒，低於 1.5 秒的上限。首次遷移耗時一週，沒有回滾，遏制率提升了 15%，Serve 估計這每年為客戶額外節省 32 萬美元。
LiveKit 已將 Agent Simulations 正式開放給所有 LiveKit Cloud 專案使用，這是一種可重複執行的方式，能在任務層級測試語音代理，而非逐輪對話測試。由 LLM 驅動的模擬使用者會演出每個情境，在音訊模式下包含附和語與打斷；並由 LLM 評審給出通過／不通過的判定與理由；CLI 可根據代理自身的提示詞與工具生成情境。文字執行是預設模式，成本低到足以在每次 pull request 時執行；音訊執行則涵蓋完整流程，更適合安排在夜間或發佈前執行。Simulations 在十月前免費，不過它們會以正常費率呼叫真實代理的 LLM、STT 與 TTS。
Anthropic 發布了 Claude Managed Agents（beta）的參考實作，它會依 cron 排程讀取 Slack 頻道與 GitHub 拉取請求，透過各來源的書籤追蹤自上次執行以來的變更，並將摘要發佈到 Slack。這份逐步說明涵蓋保存在 vault 中的憑證、唯讀存取與每次執行的支出上限，以及將失敗的來源回報為無法讀取而非當作平靜無事的一天，還有在更新書籤與帳本前先確認 Slack 發文成功等規則。一個帶有 claude-api 技能的 Claude Code 命令會依文章指引設定該代理。
推薦理由：Anthropic 分享了一個排程 Claude Managed Agents 的參考實作，它會讀取 Slack 與 GitHub，並針對書籤、讀取失敗與發文確認訂有具體規則。
Anthropic 的 Claude Haiku 5.5 現已正式在 Google Cloud 上推出。作為 Claude 5.5 系列中速度最快、效率最高的成員，它專為高吞吐量、對延遲敏感的代理式工作而打造，並定位為多代理系統中的輔助模型。可透過 Model Garden 使用。
3 並將其部署到生產推理堆疊上，其中一個低成本的探針會過濾對話輪次，只有可疑的交流才會送到 LLM 評審。良性會話中斷率為 5%，在沒有評審推理的情況下每百萬輪次成本為 65 美元，有評審推理時為 185 美元，並且在 SGLang 內沒有可測量的吞吐量損失。
推薦理由：Goodfire 展示了一種探針加評審的級聯方案，能以大約低 50 倍的成本監控代理式網路濫用，且沒有可測量的吞吐量損失，這是安全地提供開放模型服務的具體配方。
Vapi 已推出 Personal Agent Calling 測試版，使用者只要登入 Vapi，即可透過個人代理撥打電話，無需設定 API 金鑰。該公司主張，商家必須驗證代理代表誰、被允許做什麼，以及該權限是否仍然有效，並以 A2A 開放標準與 OAuth 為基礎。強迫客戶從頭來過，恐有流失生意的風險。
Mistral 已推出 Mistral Large 4 的公開預覽版，這是一個 1 兆參數的原生多模態模型，擁有 520 億活躍參數，現已可透過 Mistral Studio API 使用。Mistral 表示，該模型可與最強的開源模型競爭，並優於美國和歐洲的其他開放權重模型，在 Artificial Analysis Cyber Index 的漏洞重現與修補測試中得分 82%，在其綜合 Coding Agent Index 中得分 49.8%。權重將於本月月底釋出，此前已與網路安全合作夥伴和主管機關進行紅隊測試；Mistral 表示，該模型是在其歐洲自有資料中心內、以 3,800 顆 NVIDIA Grace Blackwell GPU 從頭訓練而成。
推薦理由：Mistral 迄今最大的模型宣稱在網路安全和代理式程式設計方面取得開放權重領先地位，並承諾於月底釋出權重。
Addy Osmani 詳細介紹 Claude Code 雲端工作階段：每個任務都在 Anthropic 管理的新鮮 VM 上執行，儲存庫會複製到各自的分支，且雲端工作階段已包含在 Pro、Max、Team 與 Enterprise 方案中，不額外收取運算費用。在一個範例 Node 儲存庫上進行的四工作階段測試中，三個工作階段在彼此相隔 16 秒內啟動，並在第一个工作階段開始後 87 秒完成，而針對不穩定測試的工作階段執行了測試套件 40 次，零失敗。本指南涵蓋設定腳本、網路層級、GitHub 連線路徑，以及七種適合雲端工作階段的工作流程，同時指出對於需要本機資料、VPN 服務、GPU 或零資料保留的任務，本機工作階段仍是更合適的選擇。
推薦理由：一份 Claude Code 雲端工作階段的實戰指南，展示每個任務的 VM 如何實現平行工作，以及本機工作階段在哪些情況下仍更合適。
LiveKit 發布了一份以開發者為中心的比較，針對建構語音 AI 代理比較 Retell、Vapi 與 LiveKit，並以四個問題界定選擇：上線後由誰迭代代理、需求超出預設範圍時會發生什麼、是否必須在電話通話之外運行，以及規模化時的成本。Retell 是具備視覺化編輯器的託管平台，Vapi 是透過 API 與儀表板配置、面向開發者的託管平台，LiveKit 則是 Apache 2.0 開源框架，支援自架。預估每分鐘總成本約為 Retell $0.070–$0.310、Vapi $0.070–$0.116、LiveKit $0.037–$0.099。
Figma agent 已結束測試版，具備更佳的指令遵循與長任務處理能力，在由專業設計師進行的人工評分中贏得超過 60% 的評估。新功能讓資源庫擁有者上傳 markdown 指南、從 FigJam、Figma Slides 和 Figma Design 提取上下文，並在畫布上跟隨協作者的 agent。Uber 的設計系統團隊現在只需一個下午就能發布過去需要多人花數月完成的文件。
Every 推出了 Every Agent，這是一款在 Slack 中的代理式同事，旨在協助企業在各團隊間採用 AI。它讓使用者能委派複雜工作、與同事分享 AI 實驗，並在新模型或工具推出時收到個人化的 Frontier Alerts，且 token 零加成。
GitHub 發布了 ReviewBench，這是一個用於 AI 程式碼審查代理的開放基準，建構於橫跨 19 種語言的 219 個公開 pull request 之上，其語言與儲存庫規模分布仿照 1.039 億個 GitHub pull request 設計。黃金集彙整了人類審查者、作者後續提交、靜態分析以及多個前沿 LLM 的發現，並由 Claude Sonnet 5 依據已發布的評分標準進行評分，資深工程師則獨立重新標註了每一項發現，一致率達 96.6%。GitHub 表示，其對 Copilot 程式碼審查的離線評估預示了生產環境 A/B 測試的方向，其中已處理率上升 8.0%、召回率上升 13.6%，每次審查成本下降 8.0%。
Import AI 475 涵蓋 Toby Ord 的分析，發現 AI 群體以約兩倍的 token 換取一半的實際耗時，且隨著代理數量增加，回報遞減。Google DeepMind 推出 SynthID Bio，這是一套合成生物學浮水印系列，在三個目標蛋白上於命中率與結合親和力方面與未加浮水印的設計相當。本期亦涵蓋 CSAIP 民調顯示 61% 的美國人表示企業自願性 AI 承諾「不夠」，以及 SciUniverse 基準，包含 92 項任務，測試 AI 系統在自動化實驗室中的運作能力。
TypeSafe AI 使用 Modal 的無伺服器平台訓練並部署其首個 System One Model——Jev，並在上線三天內處理超過一兆個 token。Jev 並非自迴歸式 LLM：它以狀態與問題為輸入，並行輸出帶有機率的具型別結構化值，鎖定低延遲工作負載。上線一週後，它登上 OpenRouter 1K-10K token 上下文的排行榜首位，處理了 15.1% 的請求。
Epoch AI 估計，未來兩年產出的 AI 算力可支援數千萬至數億個同時運行當今最強模型的代理，或數十億個運行較便宜模型的代理。該分析採用 2025 年至 2027 年預估的 HBM 出貨量，統計 GB300 等效 GPU，發現頂級代理不間斷運行可提供約 1.4 億至 7 億名全職員工的每週工時，而以 DeepSeek V4 Pro 服務基準推估則約可支援 19 億個同時運行的代理。報告指出，關鍵不確定性在於需求成長是否夠快、足以支撐這波建置，還是會留下過剩的代理。
GitHub 部落格指出，隨著 AI 改變開發者的工作方式，開發者應強化三項技能：引導 AI 代理而不只是使用它們、批判性地審查 AI 產出而非輕信第一個答案，以及利用 AI 節省下來的時間處理更廣泛的問題。文中引用 GitHub Copilot 內建的 Rubber Duck 代理，它會用第二個模型在開發者繼續推進之前，對計畫、程式碼與測試提出批判。
騰訊的 AI-Infra-Guard（AIG）已整合進 ClawScan，這款驅動 ClawHub 安全審查的開源命令列工具，因此現在每個上傳的技能與外掛都會經過 AIG。ClawScan 獨立執行 AIG 與 NVIDIA 的 SkillSpector，並由 AI 評審做出最終判定。在 SkillTrustBench 固定的 556 個案例子集上，ClawScan 與基準標籤的吻合率達 86.9%，並正確分類了 98.6% 的惡意案例。
Vapi 已向所有 Vapi 客戶開放其 GPT-Live 測試版，此前該公司上月與 OpenAI 的全雙工語音轉語音模型進行了有限測試。在 Vapi 上，該模型作為說話者運行，處理整通電話，並將查詢或操作委派給獨立的推理者模型，交接透過兩個提示而非一個提示來控制。現有電話號碼、工具、測試與可觀測性均可沿用，轉錄器配置被移除，語音切換為 OpenAI 的 22 種之一。
一位 Every 的員工描述了從單線程提示轉向將整個專案委派給協調子代理的過程，使用技能、協調器線程、上下文封包、MCP 和電腦操作。這一轉變是由六月的一條推文引發的，Katie Parrott 在推文中要求 Codex 將她置於「AI 採用的八個層級」指南中；Codex 將她置於第 5 級，並初現第 6 級的端倪。
Claude Code mods 是小型 JavaScript 或 TypeScript 檔案，以隨外掛提供的 hooks 形式在工作階段內執行，可觀察事件、改寫行為，或在終端機或桌面應用程式中繪製自訂 UI。本指南打造 Token Weather，一個約 80 行的 mod，在每一輪之後讀取 $.session.usage()，並在提示上方繪製一條天氣樣式的上下文視窗帶，接著導覽 Blast Radius（會攔住有風險的 Bash 指令）與 Replay Theater（逐步檢視某一輪的編輯）。Mods 需要 Claude Code 2.1.287 或更新版本，且預設為開啟；這三個 mod 的完成版程式碼都在 anthropics/claude-code-playground。
推薦理由：一篇實作導向的 Claude Code mods 逐步教學，用約 80 行打造出可運作的上下文視窗計量器，展示 hooks、狀態與自訂 UI 如何彼此搭配。