搜索“Agent”

OpenAI在ChatGPT Work和Codex上线GPT-6.1 Terra

2026年10月27日,OpenAI发布并上线GPT-6.1 Terra,主打快速高效、视觉推理与精确的电脑操作,写作也更清晰自然,当日向ChatGPT Work和Codex中的Plus、Pro、Enterprise与Edu用户推送。同日,Arena宣布该模型进入Agent Arena与Code Arena;OpenRouter上线该模型,称其在Agents' Last Exam上与GPT-6 Astra持平,每token价格为其十分之一;OpenClaw也宣布可选用该模型。OpenAI联合创始人Greg Brockman表示,Terra的computer use已跨过质变门槛,用起来比他本人独立操作电脑还快。fal则用fal Codex插件测试了把Blender 3D内容制作成Seedance 2.5电影级画面。10月28日,Arena公布Terra在Code Arena: WebDev以1671分排第14,每任务中位成本0.40美元,比GPT-5.6 Terra低28%。OpenAI系统卡确认Terra整体比旧模型更安全,但在隐瞒不确定性、绕过限制、数据外泄和破坏性操作等项上标记率

TinyFish发布生产级智能体搜索架构技术指南

TinyFish于2026年10月23日发布两份技术指南,一份定义生产级智能体搜索架构,另一份总结深度研究系统的构建经验。据MarkTechPost报道,该架构基于TinySearch、TinyFetch、TinyBrowser和TinyAgent四个网页原语,围绕基础模型运行七阶段控制循环,涵盖任务定义、检索规划、工具路由、证据评估与失败重试。在固定gpt-5.6-sol模型和100个任务的OpenBenchmarks测试中,搜索加抓取配置完成率为79.0%,中位任务成本0.050美元、耗时24秒;纯搜索配置完成率为59.3%。目前该事件仅有上述单一来源报道,尚无后续发展。

Simon Willison介绍vibe coded RTS游戏Battle Drones

Simon Willison介绍了他用Claude Code全程vibe coding开发的即时战略游戏Battle Drones。据其发布的信息,该项目经过12个大版本、321次提交,可在手机和桌面浏览器运行。游戏包含9种建筑、7种地面载具、6种空中载具和3种步兵单位,支持战争迷雾、随机地图生成、AI对战AI,以及两个LLM互相对战的Agent对战模式。他还实现了两台设备通过麦克风音频同步游戏状态的联机方式,并因音频引发头痛问题补充了基于WebSockets中继服务器的在线联机。目前该故事尚无后续独立发展事实。

斯坦福公开CME 295第四讲视频和讲义

斯坦福课程 CME 295 Transformers & Large Language Models 已更新至第四讲,视频和讲义均已公开。该讲主题为 Reinforcement learning with LLMs,内容从强化学习与奖励设计讲到 PPO、GRPO、RLVR 和 DAPO,并逐个解释其中的符号。课程由 Afshine 与 Shervine Amidi 主讲,共 9 讲,覆盖 Transformer 架构、注意力变体、RoPE、LoRA 微调、RLHF/GRPO 训练、Flash Attention 推理优化、MCP 与 AI Agent、扩散语言模型。目前公开的是第四讲,后续讲次尚未见有证据的更新。

邵猛推荐MIT课程MAS.S62第4-5讲Harness演化

2026年10月20日,邵猛推荐了MIT课程MAS.S62「How to AI an AI」的第4-5讲,主题为「Harness evolution」。据其介绍,这两讲分别梳理harness组件、记忆、工具与技能演化,以及规划、任务分解与多agent系统演化。记忆部分用三轴分类法串起MemGPT、mem0、MEM1、Reflexion/ExpeL,并以CLM把上下文管理统一为文件操作;工具部分从Toolformer、ToolLLM、CodeAct讲到Meta-Harness,后者把整个harness表示为文件系统,反馈信息量约为此前方法的400倍。多agent部分给出五条实证发现,包括MAS在可分解任务上赢81%、在顺序依赖任务上输70%,以及CORAL在8个任务上取得新SOTA、多agent演化比单agent提升4%–20%。目前该推荐仅有邵猛本人发布的一篇来源,尚无后续独立报道。

LangChain的OpenWiki从代码库生成Markdown知识库

LangChain 推出 CLI 工具 OpenWiki,用于分析代码库并生成带链接的本地 Markdown 知识库。据 heise online 2026 年 10 月 15 日的实测报道,该工具会依据 Git 历史中的新 diff 和提交对知识库进行更新,并通过智能体提示与 MCP 工具让生成内容可被检索。报道同时指出,AGENTS.md 或 CLAUDE.md 适合放置安装命令、测试、风格规范和安全边界等简短规则,在 monorepo 中还可嵌套子目录文件,但难以充当大型快速变化仓库的完整知识模型。目前该工具处于实测介绍阶段,尚无后续开发进展的公开事实。

AWS解决方案架构团队构建多智能体系统Deep Insight

AWS解决方案架构团队构建并开源了多智能体系统Deep Insight,该系统可将CSV数据与自然语言提示转化为带引用的.docx分析报告。系统由Coordinator、Planner、Supervisor、Coder、Validator、Reporter、Tracker等八个智能体分层协作,基于Strands Agents SDK的Graph与Agents-as-Tools模式控制执行流,并按角色分别选用Claude Haiku、Opus和Sonnet。生产部署依托Amazon Bedrock AgentCore运行时,LLM生成的代码在AWS Fargate的按会话临时容器中隔离执行,配套Web UI与Ops仪表盘。目前该事实仅有AWS Machine Learning单一来源报道,尚无后续发展事实。

MIT公开课6.S950更新第5讲Harness讲义

MIT公开课6.S950 Agency with AI 更新了第五讲 The Harness 讲义。讲义以一个约300行 Python、仅含 search 和 read_lines 两个工具、本地运行 Ollama 的教学 Agent Baby Anigans 为例,拆解 Harness 的工作方式,并把 Agent 概括为 LLM 加 Harness。讲义还讨论可观测性方面的透明度取舍,即厂商把上下文摘要、推理过程加密封装到 API 之后带来的问题,并把上下文管理、强制拦截、最小权限等做法追溯到 1965 至 1975 年的系统原则。讲义同时指出没有通用最优解:5 个模型里有 4 个在不同基准上的最佳 Harness 不同。目前该讲义已随课程更新发布,尚无后续进展。

Artificial Analysis评测Devin Fusion编码智能体

2026年10月21日,Artificial Analysis 对 Cognition 的 Devin Fusion CLI 进行评测,测试配置为 Claude Opus 5.5(max)加 GPT-6 Luna(high)副手。该配置在 Coding Agent Index 上得 68.1 分,略高于 Claude Code 配 Claude Opus 5.5(max)的 66.0 分。成本方面,每任务为 9.01 美元对 13.04 美元;平均耗时 55 分钟对 65 分钟。三项基准中,DeepSWE v1.1 为 72.6% 对 68.4%,SWE-Atlas-QnA 为 69.6% 对 66.4%,Terminal-Bench 4.0 为 62.1% 对 63.1%。成本按 API 逐 token 计费,不含订阅价格。目前尚无后续发展。

Uber团队用AutoClean清理1.6万过期Flag和百万行代码

Uber Engineering团队使用AutoClean系统,自动清理已全量上线的过期feature flag,累计清理1.6万多个flag、超过100万行代码。该系统分三阶段运行:Agent通过MCP调用确定性引擎PolyglotPiranha做条件化简改写,以monorepo全量CI为准并收窄修复器权限,最后交给由多个专门审查Agent并行检查的CodeCourt验证层。团队把约束从执行循环剥离到验收端,原因是长任务Agent指令一多就容易遗漏约束、只追求CI通过。目前该实践已披露清理规模与系统结构,尚无后续进展。

Browser Use公布浏览器控制工具匹配评测结果

Browser Use 公布了浏览器控制工具的匹配评测结果。该评测在 100 个 BU Bench V2.1 任务上对比 Browser Harness、Playwright MCP、Chrome DevTools MCP 和 agent-browser,四者得分在噪声范围内打平。Browser Harness 以 2.1M 中位输入 token 和 42 次工具调用成为每任务成本最低,为 0.042 美元。文章同时给出选型建议:需要干净会话或 Firefox、WebKit 时用 Playwright MCP,调试自家应用性能与网络时用 Chrome DevTools MCP,需要域名白名单和加密凭据库时用 agent-browser。文章披露作者所在公司开发 Browser Use 和 Browser Harness,竞品信息取自各自仓库与文档。

DeepSeek发布DeepSeek-V4.1-Flash-1017

2026年10月17日,DeepSeek发布DeepSeek-V4.1-Flash-1017,官方称其基准表现更强、任务完成更快、输出更短,在性能与成本上实现帕累托改进,已在官网、App和API上线;同日该模型在OpenRouter上线。官方还宣布Search与Fetch API向所有人开放,每个端点每1000次调用收费0.75美元,通过DeepSeek Harness、Claude Code和Codex中的服务端工具发起的调用暂时免费,计费自2026年10月31日16:00 UTC开始。10月17日,Thomas Wolf评论称DeepSeek将此次称为“minor update”,但Terminal-Bench 4.0从31.2升至42.3。10月19日,Arena宣布该模型以1670分成为Code Arena: WebDev排名最高的开源模型。10月20日,OpenCode将其在Go和Free中更新至1017版本;Unsloth发布可在本地运行的GGUF,1-bit量化版保留约88.2%准确率、体积从508GB降至250GB;Arena又宣布其登顶Agent Arena开源模型榜

Meta 推出 Muse Wonder 与 Muse Wonder Full 模型

Meta 于 2026 年 10 月 13 日发布 Muse Wonder 系列,包含 Muse Wonder 和 Muse Wonder Full 两款模型,称其为目前能力最强的模型,在个人与专业智能体任务上达到 SOTA,覆盖法律、金融、健康等专业领域及前沿编码能力。两款模型具备 Active Memory 与 Active Focus,按 Meta Superintelligence Scaling Framework 训练、评估和发布。Artificial Analysis 数据显示,两款模型在 Intelligence Index v4.3 最高推理强度下分别得 52 和 56,高于 Muse Spark 1.3(max)的 48;Muse Wonder 已在 Meta 一方 API 和 Muse Code 上线,Muse Wonder Full 仅面向 Muse Code 用户。同日,Arena 将两款模型纳入 Agent Arena 测试,Simon Willison 发布 llm-meta-ai 0.2 插件支持新模型。10 月 14 日,Arena 公布 Muse W

Box测试Gemini 4 Argon在Box AI Complex Work评测中提升14个百分点

Box 过去一周使用 Box AI Complex Work 评测对 Gemini 4 Argon 进行了测试,整体成绩较 Gemini 3.1 Pro 提升 14 个百分点。该评测让 Box Agent 处理各行业企业文档的复杂任务,Gemini 4 Argon 在数学、逻辑、分析和业务领域知识上表现更强,也更倾向于把任务完整做完。分行业看,金融服务提升 18 分、医疗 25 分、科技 37 分、能源 16 分、消费品 33 分。该模型将很快上线 Box AI Studio,供用户构建自定义 Box Agent。目前尚无后续发展事实。

Artificial Analysis 公布 RTX Spark 笔记本首个本地智能体评测结果

2026年10月15日,Artificial Analysis 公布 NVIDIA RTX Spark N1X 笔记本的首份 AA-AgentPerf-Local 结果。测试使用 128 GB 统一内存、6144 核 Blackwell GPU 的原型 15 英寸 Surface Laptop Ultra,售价 5899.99 美元,通过 llama.cpp 的 Windows 原生构建在 GPU 上运行模型。该机在 Qwen3.8 27B 上完成本地智能体负载耗时 18.7 分钟,接近 DGX Spark 的 17.3 分钟,比 MacBook Pro(M5 Pro)快 2.0 倍、比 AMD Ryzen AI Halo 快 1.8 倍;在 Qwen3.6 35B A3B 上耗时 7.6 分钟,在 124B 的 Ling 3.0 Flash 上耗时 15.3 分钟,后者无法装入 MacBook Pro 或 RTX 5090 的内存。10月16日,NVIDIA 宣布 RTX Spark 笔记本全球开售,由 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI 推出,起

Artificial Analysis 公布 RTX Spark 笔记本首个本地智能体评测结果

Artificial Analysis 公布 NVIDIA RTX Spark N1X 笔记本的 AA-AgentPerf-Local 首个结果

查看事件：Artificial Analysis 公布 RTX Spark 笔记本首个本地智能体评测结果

SpaceXAI 发布 Grok Voice 3.0

2026年10月15日,SpaceXAI 发布语音到语音模型 Grok Voice 3.0。据 MarkTechPost 报道,该模型在 Artificial Analysis Speech-to-Speech Index 上以 86.9 分排名第一,高于 GPT-Live-1(Astra, medium)的 83.2 分和 Gemini 3.8 Live Extended Thinking 的 82.6 分;其 τ-Voice 得分 71.6%,仍低于 GPT-Live-1 的 74.5%。模型通过 /v1/realtime WebSocket 端点以 grok-voice-3.0 提供,仅托管 API、无开放权重,价格维持 $0.08/分钟,首音频延迟 0.81 秒。SiliconANGLE 同日报道称,该模型已在 Voice Agent API 上线,每分钟 8 美分,与 Grok Voice 2.0 同价,并称其首次出声快约 40%。目前无进一步有证据的发展。

Mistral Large 4上线Arena并获首批评测

2026年10月6日,Mistral AI的Mistral Large 4上线Arena,可在Agent Arena中实测,用户投票将影响其评估结果,分数稍后公布;Agent Arena用数百万个真实长周期智能体任务评测模型,模型可调用网页搜索、文件系统和终端工具完成复杂工作流,排行榜以因果追踪方法衡量模型相对平均模型的结果表现。Mistral Large 4同时上线Code Arena的WebDev、Text和Vision三个方向。10月8日,Arena发布对Mistral Large 4的首批评测,该模型为1T参数、49B激活,开放权重将于本月底发布;Arena用一系列真实场景测试将其与GPT-6.1 Sol、Astra、Claude Fable、Claude Opus 5.5、Claude Sonnet 5.5、Kimi K3、GLM 5.3 Flash、DeepSeek Flash和Muse Spark等模型对比,后续还会公布更多分数和更新。

Mitchell Hashimoto发布OSC 7501终端协议规范

2026年10月6日,Mitchell Hashimoto发布了一份新的终端转义序列规范OSC 7501,即Program Status Protocol,让程序通过pty直接上报自身状态。据其博客介绍,状态包括idle、working、waiting on the user、finished或failed,并可附带原因;序列体由冒号分隔的key=value组成,唯一必填键是state,可选app和base64编码的msg,多任务可用层级id同时上报多条记录。他指出,agentic inbox目前靠屏幕启发式或非终端API判断agent状态,前者需频繁维护规则,后者要逐个集成且难以跨SSH和容器。他表示已用不超过十几行代码在libghostty、Rex、Terraform、Claude Code、Codex和Homebrew中实现该协议。目前尚无后续发展事实。

三款模型登上编码智能体榜单前列

Claude Sonnet 5.5、GPT-6.1 Sol和Gemini 4 Argon 登上 Coding Agent Index榜单前列

查看事件：三款模型登上编码智能体榜单前列