Snapshot Reader
本周最大的新闻是中国开源模型的集体爆发——GLM-5、MiniMax M2.5、Qwen-Image-2.0 接连发布，开源阵营正式进入 Opus 级能力区间。Anthropic 完成 300 亿美元 G 轮融资，估值 3800 亿，创下 AI 领域单轮融资纪录。与此同时，GitHub 推出 Agentic Workflows、OpenAI 发布长时运行 Agent 三件套，编码 Agent 正在从"辅助工具"变成"基础设施"。
模型发布
GLM-5 发布：744B 参数开源模型登顶
智谱 AI 发布 GLM-5，744B 总参数、40B 激活，预训练数据从 23T 扩展到 28.5T tokens。关键技术点是集成了 DeepSeek Sparse Attention（DSA），在保持 200K 上下文能力的同时大幅降低部署成本。
在 Artificial Analysis 的 Intelligence Index 上，GLM-5 拿下开源模型榜首（得分 50），在 GDPval-AA 白领工作基准上排名仅次于 Opus 4.6 和 GPT-5.2。幻觉控制方面表现优异：AA-Omniscience 测试得分 -1（越低越好，表示几乎无幻觉），是所有测试模型中最优的。
MIT 许可证、vLLM/SGLang 即日支持、BF16 权重约 1.5TB。如果你在跑本地推理，这是目前开源阵营能拿到的最强底座。
GPT-5.3-Codex-Spark：1000 tok/s 的实时编码模型
OpenAI 和 Cerebras 合作推出 GPT-5.3-Codex-Spark，主打超快推理速度：1000+ tokens/秒，响应延迟压到毫秒级。
这不是性能怪兽，而是交互范式的改变。当模型反馈快到接近打字速度，人机协作的节奏会完全不同——你不再需要"等 AI 想完"，而是可以像对话一样实时迭代。
目前仅限 Pro 用户，API 也有配额限制。但如果你在做交互式编码工具，这是值得关注的方向。
Gemini 3 Deep Think：科研级推理的重大升级
Google DeepMind 发布 Gemini 3 Deep Think 的重大更新，专门面向科研场景。
几个硬数据：ARC-AGI-2 达到 84.6%（由 ARC Prize Foundation 验证），Codeforces Elo 3455，IMO 金牌级别。更值得关注的是化学和物理奥赛也达到金牌水平——这不再只是"数学很强"的模型。
实际应用案例：Rutgers 大学数学家用它审查技术论文，发现了人类同行评审漏掉的逻辑缺陷；Duke 大学材料科学实验室用它优化晶体生长配方，成功合成了 100μm+ 的薄膜。
首次通过 Gemini API 向研究者开放，但需要申请早期访问。
Qwen-Image-2.0：7B 统一生成编辑模型
阿里通义千问发布 Qwen-Image-2.0，7B 参数，同时支持图像生成和编辑，原生 2K 分辨率，最长支持 1K token 的提示词。
几个亮点：文字渲染能力很强，能生成带复杂排版的海报和信息图；多面板漫画生成时角色一致性保持得不错；从 20B 压缩到 7B，本地部署门槛大幅降低。
API 已在阿里云上线，Demo 在 Qwen Chat 可试用。权重暂未开放，但按 Qwen 团队的惯例，开源只是时间问题。
MiniMax M2.5：为多 Agent 协作设计的编码模型
MiniMax M2.5 的定位很明确：不是单打独斗的最强模型，而是专门为多 Agent 协作优化的"团队选手"。
SWE-Bench Pro 55.4%，超过 Opus 4.6 的 53.4%；Multi-SWE-Bench 51.3%，同样领先。推理速度 100 tok/s，价格 $0.06/M blended——限时免费。10B 激活参数，是同级别最小的模型。
在 Cline 的测试中，M2.5 在 subagent 场景下表现尤其出色：上下文切换干净，不会抢其他 Agent 的活，知道什么时候该交接。如果你在做多 Agent 编排，值得试试。
🔗 Cline 博客
Claude Opus 4.6：早期客户的实战反馈
Anthropic 发布了一篇 幕后文章，分享 Harvey、bolt.new、Shopify、Lovable 四家公司在 Opus 4.6 早期测试中的真实体验。
Harvey 的法律基准 BigLaw Bench 首次突破 90%（90.2%），40% 的任务拿到满分。bolt.new 有个瀑布图 bug 之前用老模型试了 5 次都失败，Opus 4.6 一次搞定——它发现了 8 个并行 HubSpot API 调用绕过了限流保护。
Shopify 工程师的反馈最有意思：“我发现自己在对 AI 说’你说得对’，而不是反过来。”
工具更新
GitHub Agentic Workflows：用 Markdown 编写智能工作流
GitHub Agentic Workflows 是 GitHub Next 推出的技术预览：用 Markdown 描述你想要的结果，在 GitHub Actions 中用编码 Agent 执行。
想象一下早上打开仓库：Issues 自动分类打标、CI 失败自动调查并提 PR 修复、文档已经跟代码同步更新、两个改进测试的 PR 等着你审查。这些以前要写复杂的 YAML 配置，现在用自然语言描述意图就行。
支持 Copilot CLI、Claude Code、OpenAI Codex 作为执行引擎。默认只读权限，写操作需要显式审批。安全沙箱、工具白名单、网络隔离都做了。
这是"Continuous AI"概念的落地：把 AI 集成到软件开发生命周期里，就像 CI/CD 一样成为基础设施的一部分。
OpenAI Skills + Shell + Compaction：长时运行 Agent 三件套
OpenAI 发布了 三个新原语，专门解决长时运行 Agent 的痛点：
Skills：可复用的指令包，装载到容器里让 Agent 按流程执行。相当于给 Agent 一本可随时查阅的操作手册，避免在系统提示里塞一堆规则。
Shell：OpenAI 托管的容器环境，有网络访问，能装依赖、跑脚本、写输出。Agent 终于有了真正的"执行环境"。
Compaction：服务端自动压缩上下文，长对话不再需要手动管理 context window。
Glean 的实战数据：用 Skills 把 Salesforce 相关任务的准确率从 73% 提升到 85%，首字延迟降低 18.1%。最佳实践是把负例和边界情况写进 Skill 描述里，避免误触发。
Cline CLI 2.0：从 IDE 侧边栏到终端
Cline CLI 2.0 把完整的编码 Agent 带到了终端。
核心卖点是并行：开三个 tmux 窗格，一个重构数据库、一个更新文档、一个跑迁移脚本。每个实例完全隔离，各干各的。在 IDE 里做这件事需要开多个窗口、管理多个扩展实例，没人真的会这么干。
-y 参数开启无人值守模式，支持 stdin/stdout 管道，可以塞进 CI/CD 流水线。--acp 参数让它兼容 JetBrains、Zed、Neovim、Emacs——你的 Agent 不再被锁死在某个编辑器里。
Apache 2.0 开源，npm install -g cline 即装即用。MiniMax M2.5 和 Kimi K2.5 限时免费，零门槛试用。
Stripe Minions：每周 1000+ PR 的无人值守编码 Agent
Stripe 公开了内部的 Minions 系统：每周超过 1000 个合并的 PR 完全由 Agent 从头到尾完成，人类只负责 Review。
Stripe 的场景很特殊：数亿行代码、Ruby + Sorbet 技术栈、承载万亿美元级支付。Minions 的设计思路是"创意交给 LLM，执行交给确定性工具链"。
几个技术细节：基于 Block 的开源 Agent goose 做了深度定制；接入 MCP 协议，提供 400+ 内部工具；通过 Slack 入口触发，可以读取整个讨论线程作为上下文；CI 最多跑两轮，强调本地能发现的问题不拖到 CI。
这是大厂级 Agent 落地的珍贵案例研究。
Devin Autofix：写代码→审查→修复→合并的闭环
Cognition 给 Devin 加了 Autofix 功能：当 Linter 报错、CI 挂了、安全扫描发现问题，或者 Review 工具留了评论，Devin 可以自动修复并更新 PR。
这是"Agent 闭环"的关键一步。以前 Agent 写完代码，人要手动把 Review 意见复制粘贴回去让它改。现在整个链路打通了：写代码 → 被审查 → 发现问题 → 自动修复 → CI 绿了 → 等人类拍板。
人类的工作收窄到架构决策、产品方向、需要领域知识的边界情况。机械性的修修补补，Agent 自己搞定。
SQLite-Vector：把向量检索带进 SQLite
SQLite-Vector 是一个跨平台扩展，让 SQLite 支持向量相似度检索。C 实现 + SIMD 加速，默认内存占用约 30MB，支持 Float32/16、BFloat16、Int8、1Bit 等多种向量类型。
适用场景是端侧 AI：移动 App、桌面应用、边缘设备。数据留在本地，不需要云端向量数据库。预编译二进制覆盖 Linux/macOS/Windows/Android/iOS，还有 WASM、Swift、Python 绑定。
注意授权是 Elastic License 2.0，非生产环境随便用，生产或托管服务需要商业授权。
Nowledge Mem：跨 Agent 的本地记忆管理器
Nowledge Mem 解决一个很实际的问题：你用 Claude Code 聊了一堆上下文，换到 Cursor 又要重新解释一遍。
它是一个本地优先的记忆管理器，支持 MCP 协议，可以跨 Codex、Claude Code、Cursor 等工具共享上下文。聊天记录、笔记、文档都可以提炼成可重用的记忆，用图结构可视化知识关联。
所有计算和存储都在本地，不上传云端。如果你同时用多个 AI 工具，这能省掉不少重复沟通的时间。
Cua：计算机使用 Agent 平台
Cua 提供完整的计算机使用 Agent 基础设施：云端沙箱（Linux/Windows/macOS）、VLM 推理服务、轨迹记录、数据集生成、基准测试。
核心卖点是一站式：不用自己搭沙箱、不用自己对接多个 VLM 提供商、不用自己写录制回放逻辑。按积分计费，免费层提供 10 积分起步。
Agent SDK 和 Computer SDK 在 GitHub 开源（MIT 许可），如果只想用基础能力可以自己部署。
🔗 Cua 官网
MiniMax Agent 平台：AI 专家生态
MiniMax Agent 推出了一个专家 Agent 平台，涵盖 Landing Page 生成、PPT 制作、Excel 处理、行业研究、销售情报等多个领域。
有意思的是"对冲基金专家团队"：18 个 AI 专家的多 Agent 系统，包括巴菲特、芒格等投资大师的风格模拟，加上估值、情绪、技术分析等专业分析师角色，协作完成投资分析。
作为 M2.5 模型的配套产品，可以理解为 MiniMax 在展示"Agent 能干什么"的可能性边界。
行业资讯
Dario Amodei 深度访谈：AI 经济学与"天才之国"
Anthropic CEO Dario Amodei 做了一期 三小时长访谈，几个关键数据：
- RL scaling 呈现与预训练相同的对数线性规律，2017 年提出的"大算力团块假说"至今成立
- AI 编程当前带来约 15-20% 的总生产力提升，半年前是 5%，在加速
- 1-3 年内有 50% 概率出现"天才之国"（数据中心里的诺奖级 AI），10 年内 90% 确信
- AI 公司天然盈利：50% 算力训练、50% 推理，推理毛利率超 50%。亏损来自需求预测偏差
关于中美竞争：芯片和数据中心不应卖给中国，但疾病治疗药物可以。“我希望在未来的谈判中，古典自由民主制度握着更强的牌。”
🔗 Baoyu.io 分析 | 原始视频
Anthropic 完成 300 亿美元 G 轮融资
Anthropic 宣布完成 300 亿美元 G 轮融资，投后估值 3800 亿美元，创下 AI 领域单轮融资纪录。
几个数据点：年化收入 140 亿美元，其中 Claude Code 单产品贡献超 25 亿；企业客户年增长 300%；日活用户突破 5000 万。融资由 Lightspeed 领投，Google、Salesforce、Amazon 跟投。
资金用途：扩建数据中心、加速 Claude 5 研发、扩大企业销售团队。按 Dario 访谈的说法，AI 公司推理毛利率超 50%，这笔钱主要是为了抢占算力。
Opus 4.6 vs GPT-5.3 Codex：后基准测试时代的模型比较
Interconnects 发了一篇 深度对比，核心观点是：基准测试分数已经失去了区分度，实际使用体验才是关键。
Codex 5.3 在复杂 bug 定位上略强，但 Opus 4.6 在日常任务上更"省心"——不需要给那么详细的指令，上下文理解更好。如果要推荐给没有编程经验的人，作者会选 Claude。
一个有趣的观察：两款模型都开始"忽略"队列里的次要指令，更适合处理单一、明确的问题，而不是一次塞一堆任务。
文章还回顾了 Gemini 3 Pro 发布时"Google 重回王座"的舆论——两个月后，它在编码 Agent 领域几乎没有存在感。
Harness Problem：改变编辑工具让 15 个 LLM 编码能力提升 10 倍
这篇研究 提出了一个叫 Hashline 的编辑工具。核心发现：同一个模型，换一个代码编辑接口，能力差异可以达到 10 倍。
最夸张的例子：Grok 在标准设置下 SWE-Bench 得分 6.7%，用 Hashline 达到 68.3%。作者把这叫做"Harness Problem"——我们可能一直在用错误的方式评估模型。
开源项目 oh-my-pi 可以复现这个结果。如果你在做 Agent 工程，这是必读材料。
🔗 原文
再过八个月的 Agents：从 1/4 代码到 9/10 代码
Crawshaw 写了一篇 年度总结：去年 25% 的代码由 AI 写，现在是 90%。
几个关键变化：IDE 在变得不重要，Agent 在终端里跑得更好；前沿模型是必要的，省钱用小模型会拖累整体效率；Agent 开始能处理多日跨度的任务。
一线实践者的反思比理论分析更有价值。
🔗 原文
2026 编程巨变：Anthropic Agent 编程八大趋势
Anthropic 发布了一份 趋势报告，八个预测的核心是：开发者正在从"写代码的人"变成"编排 Agent 写代码的人"。
几个数据点：开发者 60% 的工作用到 AI，但完全甩手的任务只有 0-20%；AI 辅助工作中 27% 是"如果没有 AI 就不会做"的新增工作；乐天让 Claude Code 在 1250 万行代码库里自主工作 7 小时完成了一个完整功能。
报告有替 Claude Code 打广告的成分，但数据值得参考。
Gemini Deep Think 加速科学发现
DeepMind 发了两篇论文，详细介绍 Gemini Deep Think 在科研中的应用。
他们构建了一个叫 Aletheia 的数学研究代理，已经产出了几篇可发表的研究论文——包括一篇完全由 AI 自主完成、无人工干预的算术几何论文。
物理和计算机科学方面：解决了一个 10 年没人能证明的在线子模优化猜想（找到反例）；帮助理解机器学习优化中的"自适应惩罚"机制；扩展了 AI 令牌拍卖的启示原理。
他们提出了"AI 辅助数学分类法"，从 Level 0（练习级）到 Level 4（里程碑突破），目前声称达到 Level 2（可发表质量）。
量化 Agent 编码评测中的基础设施噪声
Anthropic 工程团队发了一篇 技术报告，揭示了一个被忽视的问题：基准测试分数差异可能来自 VM 配置，而不是模型能力。
在 Terminal-Bench 2.0 上，仅靠调整资源配置，同一个模型的分数差异可达 6 个百分点。原因是容器资源限制：严格限制会让瞬时内存峰值触发 OOM Kill，而宽松限制让模型可以尝试更重的依赖。
建议：排行榜上 3% 以内的差异要打问号，除非评测配置完全对齐。评测时应该指定"保底资源"和"硬限制"两个参数，而不是单一的固定值。
别再用提示词去 AI 味了
Baoyu 写了一篇 实操指南，核心观点：所有"去 AI 味提示词"都是错的，你需要的是一份持续更新的 Writing Style Skill。
提示词的问题：所有人用同一套，产出变成 AI 味 2.0；一次性的，换个场景又打回原形；你只说了"不要什么"，没告诉 AI 你要什么风格。
解决方案：用自己写的 3-5 篇文章让 AI 分析你的风格，生成 Skill；让 AI 按 Skill 写，你手动改；把修改反馈回 Skill，迭代优化。
作者自己的 Skill 有 150 多行，迭代了几个月。到第十次左右，AI 写的比作者本人还"像作者"。
🔗 Baoyu.io
OpenAI 从使命中删除"安全"一词
OpenAI 重组为公益公司后，使命声明从"safely beneficial"改成了"beneficial"。The Conversation 的分析认为这反映了公司治理的根本变化。
既然 AI 越来越聪明，学提示词是否浪费时间？
Baoyu 的观点：提示词工程的本质不是"骗 AI"，而是需求定义和任务拆解。AI 越强，这些能力越值钱，因为你能用它做的事情更多了。
🔗 Baoyu.io
字节跳动暂停 Seedance 2.0 人脸转语音功能
Seedance 2.0 被发现能根据脸部照片生成高度匹配的语音。出于安全考虑，字节跳动暂停了相关功能。这是 AI 安全的又一个警示：能力越强，滥用风险越高。
下期见。