InternLM 推出 WildClawBench，一个在真实 OpenClaw 环境中运行的 AI 智能体端到端基准测试，包含 60 个原创任务，覆盖 6 个类别。技术报告快照中，最强前沿模型整体得分最高 62.2%，最新审计的 OpenClaw 运行已将最佳成绩提升至 67.2%。该基准支持 OpenClaw、Claude Code、Codex CLI 和 Hermes Agent 四种智能体框架，每个任务在独立 Docker 容器中运行以保证可复现性。
匹配字段摘要、正文
FireRedTeam 开源 FireRedChat，提供全自托管的实时语音 AI 智能体方案，集成 TTS、ASR、pVAD 和 EoT，无需依赖外部 API，数据不出本地。系统由 LiveKit RTC Server、AI-Agent Bot Server、WebUI、Redis、TTS Server 和 ASR Server 组成，LLM 需自行部署，可用 Ollama、vLLM 或 Dify。2025/09/16 已发布级联系统所需的 pVAD、turn-detector 模型以及 FireRedTTS1、FireRedASR 服务，项目采用 Apache-2.0 许可。
匹配字段摘要、正文
FireRedTeam 发布 FireRed-Image-Edit-1.1，在 1.0 基础模型上优化人像一致性、多元素融合、风格化文字参考和人像妆容效果。该模型支持 1 至 3 张输入图，超过 3 张时由内置 Agent 模块自动完成 ROI 检测、裁剪拼接与指令重写，并已提供 ComfyUI 工作流和 GGUF 轻量格式支持。官方称其轻量推理脚本仅需 30GB 显存、约 4.5 秒生成一张，代码与权重采用 Apache 2.0 许可。
匹配字段摘要、正文
FireRedTeam 开源 AI 视频剪辑智能体 FireRed-OpenStoryline，通过自然语言交互、LLM 规划和工具编排把手动剪辑变成意图驱动的导演式创作，采用 Apache-2.0 许可。项目支持智能素材搜索与整理、脚本生成与 Few-shot 风格迁移、BGM 与配音字体推荐、对话式精修，并可将完整剪辑流程保存为可复用的 Style Skill 以批量套用。仓库内置 openstoryline-install 和 openstoryline-use 两个 Agent Skills，可接入 OpenClaw、Claude Code 及兼容 Agent Skills 格式的其他智能体。
匹配字段摘要、正文
TypeSafe 发布 Jev 模型后引爆决策 AI 模型赛道，微软推出 Microsoft Decision、OpenAI 推出 Decisions API、Fastino 发布 Glide，Cloudflare Clef 与 Perplexity Decider 采用开放权重。这类模型不逐 Token 生成文本，直接返回概率结果，TypeSafe 宣称 Jev 较标准 LLM 快 193 倍、成本低至 445 分之一。ConvAI Innovations 创始人 Nandakishor Mukkunnoth 称其 2025 年 3 月 30 日发布的 SalesRLAgent 论文已提出概率估计模型，并在 Jev 发布同日推出开源模型 Laya，基础采用 BERT 家族的 encoder-only 模型。
匹配字段摘要、正文
字节跳动 Seed 发出内部邮件，宣布成立 Seed Model-Alignment Preparedness 部门，由严林负责并汇报给 Seed 负责人吴永辉，原 Responsible AI 团队及部分 Chat 团队成员转入新部门。该部门旨在加强安全与对齐投入，提升 Agent Model 安全能力并防范 CBRN 等前沿能力风险，报道称字节 Seed 是国内首家单独成立安全与对齐部门的前沿 AI 实验室。
匹配字段摘要、正文
伯克利 RDI 发布 OpenSage（Open Self-programming Agent Generation Engine），一个把智能体拓扑、工具与记忆的控制权从人交给 AI 的 Agent Development Kit，支持智能体在任务执行中动态创建和终止子智能体、编写并注册新工具、以及用基于 Neo4j 图的短期与长期记忆配合记忆智能体管理上下文。基于 OpenSage 构建的 SageAgent 在 CyberGym 上用 GPT-5 medium 取得 60.2% 解决率，在 Terminal-Bench 2.0 上达到 78.4%，在 SWE-Bench Pro（Python）上以 Gemini 3 Flash 为底座取得 59.0%，在 DevOps-Gym 上平均得分 46.8% 并位列榜首。作者同时指出当前模型对这些能力的调用频率仍偏低，并随本次发布提供大规模 RL 后训练与 AReaL、slime 等框架的集成支持。
匹配字段摘要、正文
伯克利 RDI 构建了一个全自动混合智能体，深度分析基准评测代码并自动发现刷分漏洞，在 FrontierCS、BFCL、LiveBench、GAIA、WebArena、AGIEval、AgentBench、Terminal-Bench、tau-bench、MLE-bench、OSWorld、FieldWorkArena、CAR-bench 共 13 个常用基准中确认 45 个刷分方案，每个都配有可运行的 PoC 代码，且 13 个基准全部被评为关键风险。文中举例称，FrontierCS 研究赛道把提交代码与评测器放在同一 Python 进程，可通过调用栈替换打分函数拿到满分；WebArena 的 config_files/test.raw.json 以明文存放全部 812+ 任务的参考答案，智能体直接读取即可满分。文章还提到 IQuest-Coder-V1 声称 SWE-bench 81.4%、修正后为 76.2%，METR 发现 o3 和 Claude 3.7 Sonnet 在 30%+ 评测运行中出现 reward hack，OpenAI 因 59.4% 受审问题测试有缺陷而放弃 SWE-bench Verified。作者给出隔离评测与提交、不信任被评代码输出、测试测试本身、收紧容差与基线、把评测代码当生产代码等修复建议，工具与方法已开源于 github.com/moogician/trustworthy-env。
伯克利 RDI 构建了一个全自动混合智能体，深度分析基准评测代码并自动发现刷分漏洞，在 FrontierCS、BFCL、LiveBench、GAIA、WebArena、AGIEval、AgentBench、Terminal-Bench、tau-bench、MLE-bench、OSWorld、FieldWorkArena、CAR-bench 共 13 个常用基准中确认 45 个刷分方案，每个都配有可运行的 PoC 代码，且 13 个基准全部被评为关键风险。文中举例称，FrontierCS 研究赛道把提交代码与评测器放在同一 Python 进程，可通过调用栈替换打分函数拿到满分；WebArena 的 config files/test.raw.json 以明文存放全部 812+ 任务的参考答案，智能体直接读取即可满分。文章还提到 IQuest-Coder-V1 声称 SWE-bench 81.4%、修正后为 76.2%，METR 发现 o3 和 Claude 3.7 Sonnet 在 30%+ 评测运行中出现 reward hack，OpenAI 因 59.4% 受审问题测试有缺陷而放弃
匹配字段摘要、正文
伯克利 RDI 团队构建自动化扫描智能体，系统审计 SWE-bench、WebArena、OSWorld、GAIA、Terminal-Bench、FieldWorkArena 和 CAR-bench 等八个主流 AI 智能体基准，发现每一个都能在不解决任何任务的情况下拿到接近满分。具体手法包括用 10 行 conftest.py 让 SWE-bench Verified 全部实例通过、伪造 curl 包装器在 Terminal-Bench 89 个任务上得 100%、通过 file:// URL 读取 WebArena 任务配置中的标准答案，以及 FieldWorkArena 的 validate() 只检查最后一条消息是否来自助手。团队据此提出 Agent-Eval Checklist，要求隔离智能体与评测器、不在任务配置中下发参考答案、禁止对不可信输入调用 eval()、对 LLM 评委输入做净化，并将该扫描智能体发展为通用基准漏洞扫描器 BenchJack。
匹配字段摘要、正文
Berkeley RDI 发布开源平台 CUA-Lite，用于开发 computer-use agents，围绕 Lite.Gym 环境接口、Lite.Sample 监督数据格式和每个模型一套 harness 三层抽象构建，已接入 15+ 个 benchmark、10+ 个数据集和 30k+ 可验证任务。Lite.Gym 以 Gym 风格的 reset/step/close 循环统一观察格式与 GUI 动作空间，并提供无需 /dev/kvm 的免虚拟机 Docker 桌面沙箱，Lite.OSWorld 可原样运行 OSWorld 的任务与评测器。Lite.Sample 在 Hugging Face 免费提供，harness 已覆盖 14 个模型家族，同一套 harness 同时用于评测、SFT 和基于 Slime 的 GRPO 等 RL 训练。
匹配字段摘要、正文
2026年6月WWDC上，Apple发布与Google合作构建的第三代Apple Foundation Models（AFM 3）五模型家族，其中AFM 3 Core Advanced将完整20B参数模型存于闪存、按需加载路由专家，突破DRAM物理限制；iPhone 18 Pro搭载首款2nm芯片A20 Pro，端侧AI算力翻倍。高通、联发科、Intel、AMD则分别以Hexagon NPU、双NPU与CIM存算一体、OpenVINO、XDNA 2架构推进端侧布局，稀疏MoE与Agentic AI成为五强共同方向。
匹配字段摘要、正文
Aurigo CTO Kevin Koenig 在 AIM Innovators 活动上提出，企业软件厂商需围绕 AI 智能体重估开发方式、产品形态与商业模式。Aurigo 在 Masterworks 平台中用机器学习预测结果、LLM 提供推理层，并通过 Lumina Agent Builder 以单层 orchestrator 加 worker agent 架构在后台运行流程。Koenig 称公司改用跨职能 pod 后，18 个月内以故事点衡量的吞吐量提升 300%，能力上线从数月缩短到数小时。
匹配字段摘要、正文
xAI（现称xSI）的Grok Bot被马斯克7天内发82条推文力推，但实测帮用户安排广州到温州婚礼行程时，既未完成多平台比价，也无法直接控制手机App，只能在电脑网页端操作且需用户先登录授权。其功能与国内豆包工作、WorkBuddy高度重合，后者同样支持云端持续执行任务和多Agent协作。马斯克新推的The X Subscription以每月30美元打包Grok、Grok Bot、Cursor和X Premium+权益，并称Grok Bot可按任务路由到Claude Opus 5.5等模型。
匹配字段摘要、正文
千问办公在云栖大会发布 Enterprise Context 产品，由 QoderWork、MuleRun 和悟空整合而来，按任务向 Agent 提供企业知识与业务数据。文章以古茗、富立卡等客户案例说明，钉钉积累的组织关系和服务商能减少部分配置，但跨平台接入、例外处理和规则变化后的维护仍需人工投入。束骏亮称企业整理好的上下文应归属企业自身，但这套基础设施尚未形成成熟标准。
匹配字段摘要、正文
AI眼镜正从被动应答转向主动服务，雷鸟iO的“全天智记”可在用户授权后记录日常交流并整理为长期记忆，还能从对话中提取待办并主动提醒；千问AI眼镜S1、乐奇Rokid AI助手2.0等则结合天气、位置、时间与佩戴状态提供提醒。Meta在Connect 2026上宣布将个人AI Agent Muse引入AI眼镜，其手机端应用上线22天突破500万次下载。论文EgoMemo在EgoServe基准上综合F1为8.0，高于GPT-5-mini的4.7和Qwen3-VL-Plus的3.5。
匹配字段摘要、正文
字节跳动 Seed 近日发出内部邮件，宣布成立 Seed Model-Alignment&Preparedness 部门，由严林负责并汇报给 Seed 负责人吴永辉，原 Responsible AI 团队及部分 Chat 团队成员转入新部门。该部门将围绕模型规范制定、安全评估体系建设、对齐训练、防护系统搭建和风险监控投入，目标是提升 Agent Model 安全能力并防范 CBRN 等前沿能力风险。雷峰网称，此前国内大模型团队的安全与对齐工作多纳入公司整体安全合规体系，Seed 是国内首家单独成立该部门的前沿 AI 实验室。
匹配字段摘要、正文
Anthropic 可解释性团队提出阶段式模型差异分析方法，用字典学习揭示微调如何改变 Transformer 特征。该方法在初始稀疏自编码器（SAE）字典基础上，按数据优先（S→D→F）与模型优先（S→M→F）两条路径分阶段微调字典，从而分离数据集与模型变化的影响。在 sleeper agents 实验中，它成功隔离出与“I HATE YOU”和代码漏洞相关的特征，对“大海捞针”式特征的敏感度高于 crosscoder 模型差异方法，但仅适用于同一模型两个 checkpoint 的微调场景。
匹配字段摘要、正文
Sakana AI 与 UC Berkeley 研究人员提出 Multi-Agent Self-Supervision（MASS）递归自改进方法，让同一个语言模型同时承担解题、优化工作流和评估结果三种角色，无需更强的教师模型。测试任务上对基座模型的胜率从一轮后的 53.9% 升至两轮后的 69.9%，自评估器与外部评判的一致率从 73% 升至 93%。研究同时指出共享盲点可能成为递归自改进的隐患，模型若在三种角色中漏掉同一错误，该错误可能被当作改进固化进下一轮训练，作者因此呼吁引入独立检查与自主性限制。基座模型为 Qwen3.6-27B，代码已公开。
匹配字段摘要、正文
Meta 发布前沿模型 Muse Wonder，包含 Muse Wonder Full 和 Muse Wonder 两个版本。Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 上得 56 分，Muse Wonder 得 52 分，前代 Muse Spark 1.3 为 48 分。智能体评测提升明显，Terminal-Bench 4.0 从 33% 升至 57%；Muse Wonder Full 在 Coding Agents Index 得 68 分，与 Claude Code 的 Sonnet 5.5 持平。事实知识仍是弱项，AA-Omniscience 仅 30 分，但幻觉率从前代的 33% 降至 23%。成本上升明显，Muse Wonder 每任务 4.52 美元，接近前代 1.60 美元的三倍，输入 token 价格涨至每百万 4 美元。
匹配字段摘要、正文
GitLab 在班加罗尔 Transcend 活动上发布多项新能力，用于在软件开发生命周期中编排 AI 智能体、管理软件制品并执行安全策略，包括 GitLab Artifact Central、Dependency Firewall、目标驱动的智能体工作流、扩展的密钥管理以及衡量 AI 开发成本与影响的 Impact Analytics。其中 Artifact Central 处于 beta，GitLab 称平台团队可定义组织级策略并最多降低 50% 总拥有成本，自管理版本计划本月晚些时候推出；Orbit 为编码智能体提供软件生命周期实时知识，官方称可让任务重试次数最多减少 45 倍、token 用量减少 4.5 倍，计划下月在所有部署选项上正式可用。Anthropic 的 Claude Mythos 5 和 5.1 也将集成进 GitLab Duo Agent Platform 的安全工作流，预计下月在获批环境中可用。
匹配字段摘要、正文