一、 今日核心洞察与重点摘要

  • Google Gemini 3.5 Flash获Computer Use能力，OSWorld得分78.4登顶：Google将Computer Use功能直接集成到Gemini 3.5 Flash模型中，模型可自主看、理解并操作电脑、浏览器和移动设备，在OSWorld基准测试中得分78.4，远超此前独立模型方案。配合Chrome 149新增"Select from screen"功能，用户可框选屏幕内容直接送入Gemini进行AI交互。这标志着计算机操作Agent从"独立API调用"进化为"浏览器原生集成"，开发者无需额外部署即可构建跨平台自动化智能体。

  • OpenAI Jalapeño芯片正式发布+GPT-5.6内部路径曝光：OpenAI联合Broadcom推出首款自研AI推理ASIC芯片Jalapeño，专为LLM推理负载优化，早期样品已运行未发布的GPT-5.3-Codex-Spark模型。同时GPT-5.6在内部模型访问路径中被发现，预计将在Fable 5重新发布后很快推出。OpenAI正构建从芯片到模型到产品的全栈垂直整合——自研推理芯片可降低30%-50%推理成本，摆脱对NVIDIA的单一依赖，微软预计将采购其中40%的产能。

  • Anthropic指控阿里千问"史上最大蒸馏攻击"，Fable 5仅限美国用户回归：Anthropic致信美国参议院，指控阿里通义千问（Qwen）在4月22日至6月5日期间通过约2.5万个虚假账号与Claude进行2880万次交互，实施"迄今已知最大规模的蒸馏攻击"，规模远超此前指控的DeepSeek、MiniMax和Moonshot三家合计（1600万次）。与此同时，Fable 5在Claude Code和AWS Bedrock中重新出现，但仅限美国用户和企业客户，欧洲被完全排除在外。CEO阿莫迪因沟通强硬被替换，联合创始人Tom Brown重新牵头与美国政府协商解封。

  • 扩散语言模型取得重大突破：iLLaDA 8B全双向注意力从零训练达Qwen2.5 7B水平：ByteDance Seed发布iLLaDA（Improved Large Language Diffusion Models），8B参数的掩码扩散语言模型从零训练至12T token，在全程保持掩码扩散目标和全双向注意力的前提下，在BBH提升21.6分、MATH提升14.5分、HumanEval提升16.5分，在多项基准上与Qwen2.5 7B竞争。这是扩散模型路线在语言生成领域迄今最具说服力的规模化证据——证明了非自回归训练是通向强语言模型的有竞争力路径。

今日企业+高校研究合作趋势：今日论文聚焦三大方向——（1）Agent原生记忆系统的系统化评测：上海交大团队发表"Are We Ready For An Agent-Native Memory System?"（HF当日#1论文），将Agent记忆从简单的RAG机制拆解为存储、抽取、检索路由、维护四大模块，评估12个代表性系统发现没有单一架构在所有场景占优，局部维护比全局重组更高效；Snowflake团队（Aman Mehta, Anupam Datta）揭示LLM Agent的"计划信号"在上下文驱逐后急速衰减——标准Agent不将计划作为持久状态携带，ALFWorld成功率因朴素计划驱逐下降34.7个百分点；（2）Agent工具调用的安全与可靠性：BAAI（北京智源）提出ToolPrivBench评估Agent过度特权工具选择问题，发现主流LLM Agent普遍选择超出必要权限的工具；ServiceNow团队推出PrivacyAlign框架，用1350条标注+599位标注者驱动隐私对齐RL训练，前沿模型隐私泄露率仍高达23%-41%；（3）大模型架构创新：ByteDance Seed的iLLaDA验证扩散语言模型规模化可行性；Fudan/HKUST团队提出RoPE感知的KV缓存量化（Block-GTQ），在K3V2位宽下将DeepSeek-R1-Distill推理性能从0分恢复到接近fp16。产学研合作重心从"模型训练"走向"Agent系统级可靠性评测+安全对齐框架+推理效率优化"深度融合。

二、 详细内容追踪

1. 前沿学术与技术突破（Hugging Face 精选 + Arxiv 精选）

Are We Ready For An Agent-Native Memory System?

  • 核心亮点：首次从数据管理系统视角系统化评估LLM Agent的记忆系统，将Agent记忆拆解为存储表示、抽取、检索路由、维护四大核心模块，对12个代表性记忆系统和2个基线在5个基准工作负载11个数据集上进行端到端评测。发现没有任何单一架构在所有场景占优，效果高度依赖于记忆结构与工作负载瓶颈的匹配。通过细粒度消融实验量化了各模块对表示保真度、检索精度、更新正确性和长时程稳定性的影响，揭示局部维护比全局重组更具成本效率。
  • 团队背景：上海交通大学（Wei Zhou, Xuanhe Zhou, Shaokun Han, Hongming Xu, Guoliang Li, Zhiyu Li, Feiyu Xiong, Fan Wu），HF当日#1论文。
  • 相关链接：📄 点击阅读论文原文

Improved Large Language Diffusion Models (iLLaDA)

  • 核心亮点：提出iLLaDA，一个8B参数的掩码扩散语言模型（Masked Diffusion Language Model），从零训练至12T token，全程保持掩码扩散目标和全双向注意力（Fully Bidirectional Attention）。引入变长生成提升效率和基于置信度的多选题评分。相比LLaDA，iLLaDA-Base在BBH提升21.6分、ARC-Challenge提升14.9分；iLLaDA-Instruct在MATH提升14.5分、HumanEval提升16.5分。即使采用非自回归训练，iLLaDA在多项基准上仍与Qwen2.5 7B竞争。这是扩散模型路线在语言领域最具说服力的规模化证据。
  • 团队背景：ByteDance Seed（Shen Nie, Qiyang Min, Shaoxuan Xu等），企业研究团队出品。
  • 相关链接：📄 点击阅读论文原文

Plans Don’t Persist: Why Context Management Is Load Bearing for LLM Agents

  • 核心亮点：引入"Replay Pairing"诊断方法，测试LLM Agent是否真正将计划作为持久状态携带。发现计划信号在计划后一步激增至0.453，但在单个动作-观察步骤后衰减4.1倍（HotpotQA衰减12.4倍）。这证明标准LLM Agent不将计划前向传递为持久状态，而是依赖计划文本保持在上下文中。朴素计划驱逐使ALFWorld成功率下降34.7个百分点，而探测门控的重新呈现也无法恢复。揭示了上下文管理是Agent的承重墙，但仅保护计划是不够的。
  • 团队背景：Snowflake（Aman Mehta, Anupam Datta），企业研究团队。
  • 相关链接：📄 点击阅读论文原文

When Lower Privileges Suffice: Investigating Over-Privileged Tool Selection in LLM Agents

  • 核心亮点：首次系统研究LLM Agent的"过度特权工具选择"问题——当存在足够低权限替代方案时，Agent仍选择或升级到高权限工具。提出ToolPrivBench基准，覆盖8个领域和5种风险模式，评估Agent的初始选择和瞬时失败后的权限升级。发现过度特权工具选择在主流LLM Agent中普遍存在，且瞬时失败进一步加剧。通用安全对齐不能可靠迁移到最小权限工具选择，提出基于后训练的特权感知防御，在不损失通用能力的前提下大幅减少不必要的高权限工具使用。
  • 团队背景：北京智源人工智能研究院（BAAI）/北京大学（Kaiyue Yang, Yuyan Bu, Jingwei Yi, Yuchi Wang, Biyu Zhou, Juntao Dai, Songlin Hu, Yaodong Yang）。
  • 相关链接：📄 点击阅读论文原文

Constraint Tax in Open-Weight LLMs: Tool Calling Suppression Under Structured Output Constraints

  • 核心亮点：发现在生产级Agent系统中，当工具调用（Tool Calling）和JSON Schema约束同时启用时，多个开源权重模型会停止调用工具，尽管仍保持高Schema合规率。将此行为命名为"Tool Suppression"（工具抑制）。深入分析揭示JSON Schema约束被编译为基于语法的Token掩码，导致工具调用Token在解码过程中不可达。提出"Constraint Priority Inversion"假设和"Transparent Two-Pass Execution"推理时策略，无需模型重训练即可恢复工具调用，同时保持结构化输出保证。
  • 团队背景：企业/独立研究者（Fangzheng Li, Aimin Zhang, Chen Lv）。
  • 相关链接：📄 点击阅读论文原文

PrivacyAlign: Contextual Privacy Alignment for LLM Agents

  • 核心亮点：提出以人为中心的隐私对齐框架，构建了包含1350条隐私敏感Agent响应对、3516条标注、599位标注者的数据集。发现前沿模型隐私泄露率惊人：GPT-5.5达23.3%、Claude Opus 4.7达34.1%、Gemini 3.1 Pro达41.4%。引入"标注条件奖励建模"（Annotation-Conditioned Reward Modeling），在RL训练中让奖励判官参考同一场景的人类标注和解释，使小型开源Agent模型在隐私对齐方面显著改善。
  • 团队背景：ServiceNow Research（Manveer Singh Tamber, Abhay Puri, Marc-Etienne Brunet, Perouz Taslakian, Jimmy Lin, Spandana Gella），企业研究团队。
  • 相关链接：📄 点击阅读论文原文

RoPE-Aware Bit Allocation for KV-Cache Quantization (Block-GTQ)

  • 核心亮点：提出Block-GTQ，一种RoPE感知的KV缓存量化位分配方法。在RoPE编码下，Key对未来注意力logit的贡献分解为位置相关的二维频率块之和，使Key缓存量化成为一个块级位分配问题。Block-GTQ为每个RoPE块计算无标签能量分数并贪心分配整数位宽。在K2V2位宽下，将Llama-3.1-8B的六任务NIAH平均从70.6提升到97.4，LongBench-EN从36.87提升到53.31。在DeepSeek-R1-Distill上，K3V2量化得分51.7/37.5，接近fp16的54.2/37.9，而均匀量化完全崩溃至0分。128K上下文下峰值显存从56GB降至19.85GB。
  • 团队背景：复旦大学/香港中文大学（Fengfeng Liang, Yuechen Zhang, Jiaya Jia）。
  • 相关链接：📄 点击阅读论文原文

Autodata: An Agentic Data Scientist to Create High Quality Synthetic Data

  • 核心亮点：提出Autodata通用方法，使AI Agent能扮演数据科学家角色构建高质量训练和评估数据。通过"元优化"（Meta-Optimize）训练数据科学家Agent使其学会创建更强的数据，具体实现为"Agentic Self-Instruct"。在计算机科学研究任务、法律推理任务和数学对象推理上取得优于经典合成数据集创建方法的结果。进一步元优化数据科学家Agent本身可获得更大性能提升，为将推理算力转化为更高质量模型训练数据提供了新范式。
  • 团队背景：Meta AI / FAIR（Ilia Kulikov, Chenxi Whitehouse, Tianhao Wu, Yixin Nie, Swarnadeep Saha, Eryk Helenowski, Weizhe Yuan, Olga Golovneva, Jack Lanchantin, Yoram Bachrach, Jakob Foerster, Xian Li, Han Fang, Sainbayar Sukhbaatar, Jason Weston），企业研究团队。
  • 相关链接：📄 点击阅读论文原文

Beyond NL2Code: A Structured Survey of Multimodal Code Intelligence

  • 核心亮点：首份系统性梳理多模态代码智能（Multimodal Code Intelligence）领域的综述论文。覆盖从截图、图表、矢量图、视频中生成、编辑、精炼代码的系统。将领域按代码角色分为：渲染产物、可编辑符号结构、科学表示、中间推理轨迹、可执行策略或工具接口。按GUI、科学可视化、结构化图形和前沿任务四大域组织基准和方法。提出四大以验证为中心的未来方向：多信号验证、多状态验证、跨任务迁移测试和可验证Agent轨迹。
  • 团队背景：武汉大学/蚂蚁集团/中国科技大学等多所高校联合团队（Xuanle Zhao, Qiushi Sun等16位作者）。
  • 相关链接：📄 点击阅读论文原文

Neglected Free Lunch from Post-training: Progress Advantage for LLM Agents

  • 核心亮点：揭示RL后训练已隐含了有效的步骤级评分信号——“Progress Advantage”。在随机MDP下推导出RL训练策略与参考策略之间的对数概率比精确恢复了最优优势函数，使该信号免标注、领域无关，可从标准RL后训练管线中作为副产品获取。在测试时扩展、不确定性量化和失败归因三个应用中，持续超越基于置信度的基线，且无需任务特定训练即超越专用训练的奖励模型。
  • 团队背景：威斯康星大学麦迪逊分校（Changdae Oh, Wendi Li, Seongheon Park, Samuel Yeh, Tanwi Mallick, Sharon Li）。
  • 相关链接：📄 点击阅读论文原文

Why Multi-Step Tool-Use Reinforcement Learning Collapses and How Supervisory Signals Fix It

  • 核心亮点：系统研究多步工具使用RL训练崩溃问题。发现RL训练中特定控制Token的意外概率激增会破坏结构化执行，导致性能骤降和工具调用结构失败——但底层工具使用能力仍然完整，仅被特定格式遮挡。系统调查多种监督信号（离策略监督、提示引导、错误样本监督等），发现SFT与RL交替训练显著提升稳定性，但在格式和内容OOD评估下表现退化。
  • 团队背景：中国科学院自动化研究所（Yupu Hao, Zhuoran Jin, Huanxuan Liao, Kang Liu, Jun Zhao）。
  • 相关链接：📄 点击阅读论文原文

The Unfireable Safety Kernel: Execution-Time AI Alignment for AI Agents

  • 核心亮点：提出"不可解除的安全内核"概念——一种执行时AI对齐层，位于Agent自身运行时之外。识别出授权机制必须满足的四项属性：进程分离、预动作执行时强制、请求和系统级双重失败关闭、外部可验证签名证据。Rust参考实现通过了SMT定理（Z3）和有界模型检查（Kani）双重机器验证。在1000次自修改实验中，安全核心的704次攻击全部被拒绝，6240次授权往返零绕过。
  • 团队背景：独立研究者（Seth Dobrin, Łukasz Chmiel）。
  • 相关链接：📄 点击阅读论文原文

FORCE: Efficient VLA Reinforcement Fine-Tuning via Value-Calibrated Warm-up and Self-Distillation

  • 核心亮点：提出FORCE三阶段框架解决VLA模型RL微调的样本效率问题。通过价值校准预热阶段利用在线策略展开缓解Q函数分布偏移，随后在校准Q函数引导下过滤策略自身提案和专家数据，确保仅高价值动作用于策略更新。在仿真和真实世界任务上实现79%绝对成功率提升，超越先前RL方法10个百分点，训练加速32.5%，且无需人工干预。
  • 团队背景：北京大学/王仲远团队（Shuyi Zhang, Yunfan Lou, Hongyang Cheng等），产学研合作。
  • 相关链接：📄 点击阅读论文原文

In-Context World Modeling for Robotic Control

  • 核心亮点：提出ICWM框架，将系统辨识转化为上下文适应问题。不同于传统上下文学习用示范指定"做什么任务"，ICWM利用上下文窗口理解"系统如何运作"——通过处理一段自生成的任务无关交互历史，模型隐式捕捉当前系统的世界动力学，无需参数更新即可适配新相机视角和机器人形态。在仿真和真实机器人平台上显著超越标准VLA基线。
  • 团队背景：复旦大学/北京大学（Siyin Wang, Junhao Shi, Senyu Fei, Zhaoyang Fu, Li Ji, Jingjing Gong, Xipeng Qiu）。
  • 相关链接：📄 点击阅读论文原文

RevengeBench: Reverse Engineering Code-Space Policies from Behavioral Experiments

  • 核心亮点：提出将行为恢复作为代码空间的逆问题——给定一个Agent在游戏环境中的行为轨迹，学习者能否重建底层决策程序为可执行代码？引入RevengeBench，包含75个LLM生成的Elo校准策略，横跨5个游戏环境。学习者设计行为探测（自定义对手策略）来引出目标策略的信息行为，然后提交可执行假设。12个前沿LLM的恢复质量差异显著（闭合34%-72%的距离），重建策略在下游对战中带来可衡量的竞争优势。
  • 团队背景：图宾根大学/ETH Zurich附属（Babak Rahmani, Sebastian Dziadzio, Joschka Strüber, Sergio Hernández-Gutiérrez, Matthias Bethge）。
  • 相关链接：📄 点击阅读论文原文

2. 产业动态与产品创新（AI Hot 精选）

Google Gemini 3.5 Flash 获 Computer Use 能力

  • 核心内容：Google将Computer Use功能直接集成到Gemini 3.5 Flash模型中，模型可自主看、理解并操作电脑、浏览器和移动设备。结合函数调用、Search和Maps等工具，开发者可构建跨平台智能体。在OSWorld基准测试中得分78.4，高于Gemini 3 Flash（65.1）。Chrome 149同步推出"Select from screen"功能，用户可框选屏幕图片或文字直接送入Gemini。
  • 落地应用场景：软件测试自动化、办公流程自动化、跨平台智能助手。开发者无需额外部署独立Computer Use模型，降低集成门槛。
  • 相关链接：🌐 点击查看新闻来源

OpenAI Jalapeño 自研AI推理芯片正式发布

  • 核心内容：OpenAI联合Broadcom推出首款自研AI推理ASIC芯片Jalapeño，由Broadcom负责硅工程、TSMC制造、Celestica构建板卡系统。芯片集成Broadcom Tomahawk网络硅，专为ChatGPT、Codex、API及未来Agent的LLM推理负载优化。早期样品已运行未发布的GPT-5.3-Codex-Spark模型，达到目标频率和功耗。OpenAI自身模型参与了芯片设计加速。
  • 落地应用场景：降低ChatGPT/Codex等核心产品的推理成本（预计降30%-50%），支撑2026年底吉瓦级规模部署，微软预计将采购40%产能。摆脱对NVIDIA硬件单一依赖。
  • 相关链接：🌐 点击查看新闻来源

Anthropic 指控阿里千问"史上最大蒸馏攻击"

  • 核心内容：Anthropic致信美国参议院银行委员会和白宫，指控阿里通义千问（Qwen）关联方在4月22日至6月5日期间通过约2.5万个虚假账号与Claude进行超2880万次交互，实施"迄今已知最大规模的蒸馏攻击"，目标锁定软件工程和Agent推理能力。此前2月Anthropic曾点名DeepSeek、MiniMax、Moonshot AI三家合计1600万次交互——阿里一家的规模即为此前的18倍。
  • 落地应用场景：AI模型知识产权保护、蒸馏检测与防御、跨境AI监管合规。
  • 相关链接：🌐 点击查看新闻来源

Fable 5 回归但仅限美国用户

  • 核心内容：因CEO阿莫迪与美国政府沟通强硬，Anthropic更换协商人选——联合创始人Tom Brown取代阿莫迪牵头对接美政府。Fable 5在Claude Code和AWS Bedrock中重新出现，已有视频证据证明用户可实际使用。但重大限制：仅限美国公民和企业客户，欧洲被完全排除。AWS将其生命周期标记为Active。
  • 落地应用场景：影响全球AI开发者对前沿模型的访问权限，欧洲企业面临AI能力鸿沟风险。
  • 相关链接：🌐 点击查看新闻来源

DeepReinforce 发布 Ornith-1.0 开源智能体编码模型家族

  • 核心内容：DeepReinforce发布Ornith-1.0系列MIT许可开源模型，覆盖9B Dense、31B Dense、35B MoE和旗舰397B MoE（17B活跃参数）。采用自我改进训练策略：RL同时生成解决方案和任务脚手架。旗舰397B MoE在SWE-Bench Verified达82.4、Terminal-Bench 2.1达77.5，均超越Claude Opus 4.7；9B Dense针对边缘设备优化。
  • 落地应用场景：Agentic Coding全场景——终端编程、SWE自动化、边缘设备代码生成。开源MIT许可支持企业私有化部署。
  • 相关链接：🌐 点击查看新闻来源

Google 核心AI研究员持续流失，重组编码突击队追赶Anthropic

  • 核心内容：Google核心AI研究员Jonas Adler（AI编码方向）和Alexander Pritzel（训练方向）计划加入Anthropic。此前诺贝尔奖得主John Jumper和Gemini联席负责人Noam Shazeer已分别加入Anthropic和OpenAI。Gemini推理团队负责人Denny Zhou也已离职加入Meta TBD Lab。Google将AI编码突击队扩展为更正式的"midtraining"小组，位于预训练与后训练之间，旨在提升Gemini编码能力并扩展至创建演示文稿等商业任务。
  • 落地应用场景：反映AI人才争夺白热化，Google编码能力追赶Anthropic迫在眉睫，影响Gemini生态开发者。
  • 相关链接：🌐 点击查看新闻来源

GPT-5.5 Instant 重大升级 + GPT-5.6 内部路径曝光

  • 核心内容：OpenAI升级GPT-5.5 Instant模型（其使用最多的模型），新版本更好理解问题意图、更可靠处理复杂约束，购物和本地推荐更实用连贯。已向付费用户推送，次日起向免费用户开放。同时GPT-5.6在内部模型访问路径中被发现，预计将在Fable 5重新发布后很快推出。
  • 落地应用场景：面向免费用户的大规模模型能力升级，影响ChatGPT全部用户的产品体验。
  • 相关链接：🌐 点击查看新闻来源

高通进入数据中心市场：自研Dragonfly处理器 + 收购Modular

  • 核心内容：高通推出数据中心处理器Dragonfly C1000，针对AI智能体优化，主打低功耗高能效，Meta计划2028年起部署。同时高通以约40亿美元收购AI初创公司Modular，其软件支持跨芯片架构运行AI应用（一次构建到处运行）。高通预计到2029年非智能手机业务营收翻倍至400亿美元。
  • 落地应用场景：数据中心AI推理、跨芯片AI应用部署、降低AI推理基础设施成本。
  • 相关链接：🌐 点击查看新闻来源

IBM 推出全球首个亚1纳米芯片技术

  • 核心内容：IBM推出全球首款亚1纳米芯片技术，采用首创NanoStack三维纳米堆栈架构，晶体管达0.7纳米（7埃），在指甲盖大小芯片上集成近1000亿晶体管。相比2纳米节点性能提升最多50%、能效提高70%，SRAM缩小40%。IBM预计该技术未来5年内进入生产阶段。
  • 落地应用场景：下一代AI芯片、移动处理器和高性能计算芯片的物理基础，将大幅提升AI推理/训练的能效比。
  • 相关链接：🌐 点击查看新闻来源

浦发银行携手百度智能云：超2500个金融智能体上岗

  • 核心内容：浦发银行全行已上线超2500个金融智能体，近200个深度嵌入真实业务流程，覆盖营销、风控、运营等核心场景。智能体采用低代码与高代码结合、商用与开源模型互补的研发模式，首创"三态管理"（创设、发布、运行）适配金融强监管。财报智能识别分析智能体将企业财报录入、校验与分析流程从数小时压缩至分钟级。
  • 落地应用场景：金融行业大规模Agent落地——智能营销、自动化风控、财报分钟级分析、合规运营。
  • 相关链接：🌐 点击查看新闻来源

阿里云推出AI智能体安全约束基础设施

  • 核心内容：阿里云发布面向AI智能体的约束基础设施（Constraint Infra），提供治理层解决Agent混乱问题。核心能力：通过Nacos热更新提示词与规则实现动态控制；支持token限制及多智能体安全的细粒度治理；已在生产环境验证，StarOps SRE智能体在该边界内安全运行高风险任务；通过AgentLoop数据飞轮驱动规则自我进化。
  • 落地应用场景：企业级Agent安全治理、多智能体协作安全约束、SRE自动化运维。
  • 相关链接：🌐 点击查看新闻来源

胡润《2026全球独角兽榜》：Anthropic、OpenAI、字节跳动前三

  • 核心内容：胡润发布《2026全球独角兽榜》，全球独角兽企业达1603家创历史新高，总价值54万亿元。美国806家居首，中国381家第二。前三名Anthropic（6.6万亿元）、OpenAI（5.8万亿元）、字节跳动（3.3万亿元）均布局大模型。DeepSeek以3400亿元价值跻身全球前15名。
  • 落地应用场景：反映全球AI产业格局——大模型公司占据估值金字塔顶端，中国AI独角兽生态持续壮大。
  • 相关链接：🌐 点击查看新闻来源

OpenRouter MCP 服务器发布：为智能体实时选择模型

  • 核心内容：OpenRouter推出MCP服务器，将实时模型智能直接嵌入Agent。Agent不再依赖6个月前的训练数据猜测合适模型，而是实时查询OpenRouter获取可用模型列表、定价和能力，自动为具体任务选择最优模型并测试。
  • 落地应用场景：多模型Agent编排、成本优化模型路由、开发者在Agent中集成动态模型选择。
  • 相关链接：🌐 点击查看新闻来源

苹果 iOS 27 独立 Siri 应用 + 自然语言日历

  • 核心内容：iOS 27引入独立Siri应用，采用聊天机器人风格，支持文本输入、图片和文件附件上传、历史对话查看。默认调用Siri AI，可手动切换至ChatGPT。iOS 27日历引入基于Apple Intelligence的"智能事件详情"，支持自然语言输入事件和提醒，系统自动补全标题、时间、地点。
  • 落地应用场景：移动端AI助手入口之争——Siri从语音助手进化为全功能AI聊天应用，影响iPhone/iPad用户体验。
  • 相关链接：🌐 点击查看新闻来源

Hyperagent：AI智能体专属云端机器

  • 核心内容：由Airtable团队构建的Hyperagent为每个AI Agent分配独立云机器，提供真实浏览器与代码执行环境，确保Agent在离线和无监督状态下持续运行。针对OpenClaw等本地框架常见的每日崩溃、泄露秘密、频繁监控等问题提供稳定安全替代方案。注册即获$100推理积分。
  • 落地应用场景：AI Agent持久化运行、无人值守自动化任务、解决本地Agent基础设施脆弱性问题。
  • 相关链接：🌐 点击查看新闻来源

Databricks GLM-5.2 推理速度登顶

  • 核心内容：Databricks在Artificial Analysis平台上对GLM-5.2推理速度排名第一，达到每秒392 token（此前智谱官方为328 token/s）。Databricks进行了大量推理优化工作。GLM-5.2同时以CursorBench成本跻身Opus前沿水平。
  • 落地应用场景：企业级高吞吐LLM推理服务、降低每Token推理成本、支持大规模并发Agent调用。
  • 相关链接：🌐 点击查看新闻来源