本周 63 篇日报呈现出一条清晰主线：AI 系统的竞争重点正在从模型本身，转向运行时、验证器、资源调度和使用边界。与此同时，评测开始追问模型是否真正完成任务、能否处理信息缺失，以及结论是否有可核验证据。

这并不意味着模型能力问题已经解决。相反，越接近真实工作流，知识、探索、集成、泛化和安全约束越容易成为瓶颈。

智能体的核心正在转向运行时

本周多篇工作都在削弱一个过于简单的假设：只要模型更强，智能体就会自然变得可靠。StateM 的结果把注意力放在持久状态、受检转换和可恢复运行手册上，在不修改模型权重的情况下扩展执行层；Agent Lightning 则试图让部署时的智能体框架直接参与后训练，把搜索、编码等交互循环纳入强化学习路径。不改模型权重也能达到95.3%：StateM扩展智能体运行时、训练引擎不再掌控交互循环：Agent Lightning重构智能体强化学习

更值得关注的是，运行时能力开始和外部验证、环境设计结合起来。SemaPLC 用规格、编译和真实运行时三层检查约束代码智能体，FACET 则强调任务环境、解法与验证器之间的一致性。EnvHarness 进一步允许通过插件改造静态环境，再用黑盒轨迹诊断弱点并生成更有针对性的训练场景。真正拉开差距的是运行验证：SemaPLC让生成代码进入真实PLC项目、终端任务合成的关键不是生成：让环境、解法与验证器保持一致、静态环境也能随智能体进化：EnvHarness用插件重塑训练场景

这组工作共同指向一个工程判断：智能体的能力不只由一次输出决定，也由状态如何保存、动作如何被检查、失败如何恢复，以及环境是否能提供有效反馈决定。FlowEvo 将成功工作流编译为可执行技能并持续复用，说明“记住怎么做”可能比单次生成更多答案更接近长期生产力，但它也需要效用追踪来抑制负迁移。让智能体把成功经验留下来：FlowEvo协同进化工作流与技能

评测从分数转向证据与边界

评测正在从“模型得了多少分”转向“它完成了什么、依据是什么、在哪些条件下失败”。HarnessEval-W 把世界模型评测拆成可测子任务，由子智能体取证、父智能体验证，试图建立细粒度诊断和完整证据链。ASI-Bench 则逐步撤掉方法指导，直接检验科研智能体能否自主选择方法、完成项目并产出可验证结果。世界模型评测不该只有分数：HarnessEval-W 构建可核验证据树、ASI-Bench直测科研自主性：撤掉方法指导后成绩明显下滑

这会改变我们理解基准结果的方式。视频生成领域的 SemComp-Bench 不只看过程是否完整，还检查目标是否达成以及结果是否落到任务相关语义上；RA-Bench 用真实危机视频测试多类检测路线，结果显示现有方法无法持续跨实例泛化。前者强调“做对了什么”，后者提醒“在新实例上是否仍然成立”。视频生成不只看过程完整：SemComp-Bench评测结果达成与语义落地、危机视频检测仍难可靠泛化：RA-Bench系统检验三类方案

长文本和专业任务也暴露出同样问题。ContractScrub 显示模型在合同终审中的术语、引用和语言一致性检查仍有明显短板；InsufficiencyBench 专门测试法律问题的信息缺失，发现模型既难找全关键事实，也容易基于假设仓促下结论。MemTrapBench 则说明，即使长期记忆准确且相关，也可能固化错误推理或扭曲当前判断。合同审查自动化仍不可靠：ContractScrub揭示大模型长文本能力边界、法律问法不完整，模型先别急着回答：InsufficiencyBench检验补全能力、记忆越准确也可能越危险：MemTrapBench揭示大模型认知陷阱

推理优化开始进入系统协同阶段

性能优化的重点也在变化。Mobius 将知识存储与推理解耦，用共享 FFN 承载知识、多个自注意力模块迭代推理；FreeToken 则联合设计模型加载、专家驻留和 CPU-GPU 执行，使边缘设备能够动态承载大规模 MoE。Daedalus-150M 从 CPU 单用户逐 token 推理出发，将卷积与注意力结合，目标是在长上下文下同时控制质量、文件体积和解码速度。知识存储与推理解耦：Mobius报告训练数据节省与近四倍提速、本地机器不再只做小模型：FreeToken 自适应调度 MoE 推理资源、小模型应为CPU而生：Daedalus-150M用卷积减少长上下文开销

几个标题中的数字值得保留，但不应被脱离条件传播。同一集群仅改变任务执行顺序便显示出 33 个百分点的利用率差异，LFM2.5-DSpark 宣称最高 3.2 倍推理提速，但两者的指标口径、实验设置或对照基线都不完整。这里的信号不是“某个技巧已经普适”，而是调度、硬件配置和基准定义可能比表面上的模型大小更能影响实际吞吐。同一集群利用率高出33个百分点：改变的只是任务执行顺序、LFM2.5-DSpark 最高提速 3.2 倍：推理收益仍需基准细节支撑

产品化与治理边界同时前移

本周的产品动态显示，模型商业化和用户分层正在更贴近具体使用场景。ChatGPT Ads 扩展至欧洲 31 个市场，明确进入用户探索、比较和决策链条；Replit 以 GPT-5.6 Luna 驱动免费模式，试图降低 token 成本对软件创作的限制。NVIDIA 的案例则强调用 ChatGPT Work 串联快速变化的信号，并在全球复用成功工作流。ChatGPT 广告扩至欧洲 31 个市场：商业化开始贴近用户决策链、Replit 推出免费模式：GPT-5.6 Luna 降低软件创作门槛、NVIDIA 用 ChatGPT Work 扩展专业能力：将成功工作流推向全球

另一端，治理开始从原则表述进入具体机制。OpenAI 重申合格 API 客户可使用前沿模型的零数据保留，并预告兼顾隐私与高级安全能力的新处理方式；面向青少年的 ChatGPT 同步加入保护、健康使用和家长控制；针对网络安全，OpenAI 强调攻击与防御能力同时增强，并要求防护措施影响模型开发和发布节奏。前沿模型继续支持零数据保留：OpenAI预告私有安全处理、青少年版 ChatGPT 不只强调学习：更强保护与家长控制同步加入、AI 正在同时改写网络攻防：OpenAI 提醒防守方抓住当前窗口

这种前移也发生在透明度与公共资源上。Claude 将系统提示词纳入发布说明，模型行为配置开始成为可追踪对象；关于稀有纸质资料的两篇讨论，则把 AI 训练需求与实体资料保护放在同一问题中。对开发者而言，系统提示词、数据来源、保留策略和外部监督都不再只是外围议题，而是部署判断的一部分。Claude 将系统提示词纳入发布说明：模型行为层开始被单独审视、别等稀有书籍消失：AI公司应尽快扫描珍贵纸质资料

值得注意的信号

我的判断

本周最值得记录的不是某个模型又提升了多少，而是 AI 系统的有效性越来越依赖模型之外的工程结构。状态管理、任务环境、验证器、调度策略、记忆机制和数据保留规则，正在共同决定一个系统能否进入真实工作流。

这也意味着“模型能力”这个单一指标的解释力继续下降。科研自主性、合同终审、法律信息缺失、危机视频泛化和科学代码修复都显示，模型在受控演示中表现良好，并不等于它能在开放任务中稳定完成工作。开发者评估系统时，应把失败原因、外部验证和条件边界放在分数之前。

另一方面，治理与商业化并没有等待技术成熟后再出现。广告进入决策链、青少年保护、零数据保留、系统提示词披露以及稀有资料扫描，都是部署阶段必须面对的具体问题。当前更可靠的路线不是把模型包装成全能主体，而是明确它的运行边界，让系统具备可检查、可恢复、可追踪的结构。