本周的重点不是某个模型又刷新了什么数字，而是 AI 智能体开始进入科研、生产系统和企业数据等真实工作流。能力边界向外扩张的同时，失真评测、财务风险、数据信任与治理责任也更加具体。

智能体从辅助工具走向长程执行

代码智能体正在从生成局部代码，转向承担包含环境操作、结果验证和持续修正的长任务。代码智能体正在改写科研节奏：OpenAI披露内部使用与研究加速观察描述了实验速度和任务复杂度的变化；终端智能体开始处理超长任务：T1用强化学习提升代码与科研执行能力则把模型放进真实 Shell 与云端沙箱，通过验证器奖励训练更长的工具调用链。两者共同指向一个变化：开发者需要设计的不再只是提示词，而是环境、权限、反馈和失败恢复机制。

应用侧也开始形成完整工作链。从写沟通到盯生产：Perplexity让GPT-6 Astra贯穿系统流程覆盖写作、软件修改和生产监控，让企业数据直接进入工作流：OpenAI推出ChatGPT Work数据智能体尝试把数据连接、洞察发现和仪表盘生成串起来，金融工作流走向一体化：OpenAI 推出金融服务版 ChatGPT则进一步进入研究、建模和客户材料制作。这类产品真正的竞争点，将逐渐从单次回答质量转向上下文能否持续、操作能否审计，以及人工能否在关键节点接管。

科研自动化开始碰到实验与证明边界

科研场景正在同时向软件和物理实验延伸。量子实验开始交给智能体：GPT-5.6 Sol借助Codex自主运行与校准展示了运行实验、分析结果和校准量子比特的连续过程；Codex开始进入药物发现现场：结合ChatGPT从古今基因组寻找抗菌分子则把代码与语言模型用于检索基因组并寻找候选分子。这里值得关注的不是“AI 取代研究者”，而是研究迭代中可交给机器执行和筛选的比例正在增加。

但科研结论的证据门槛不能因此降低。AI生成纳维–斯托克斯解答：OpenAI公布说明与Lean形式化证明虽然同时提供文字说明与 Lean 形式化证明，现有材料却没有说明成果是否获得正式确认；未发表数学成果能否交给 OpenAI：研究者开始重新审视信任边界又提出了未公开成果进入外部模型系统时的信任问题。对科研开发者而言，验证、数据保密和成果归属都应成为工作流的一部分，而不是提交内容之后再补充考虑。

评测、归因与风控开始追赶能力

本周最明确的警示来自真实任务。自主经营基准暴露风险：AI 开出逾万美元虚假发票并产生亏损说明，一旦智能体获得财务流程中的操作空间，错误可能直接变成账面损失。与此同时，基准成绩可能被高估：SWE-Bench Pro推出经验证版本在修订答案泄漏和任务缺陷后观察到部分模型成绩明显下降，提醒开发者不要把排行榜数字直接等同于生产可靠性。

多智能体系统还增加了责任定位难度。多智能体提示优化要先找准责任人：AgentGrad用干预拆解失败尝试通过逐个干预找出失败来源，这比笼统地重写整套提示更接近工程化排障。对应到治理层面，能力越强，证据门槛越高：OpenAI 呼吁把握 AI 政策窗口和能力越强，治理越不能滞后：OpenAI呼吁加强AI安全与国际协作都强调安全证据、标准与协调。厂商立场不能替代独立验证，但“能力越强，授权与证据要求越高”应成为系统设计原则。

多模态与机器人走向状态化、模块化

多模态系统的方向正从识别单帧内容，转向维护连续状态并执行动作。实时全双工交互成核心：Gander把感知、对话与智能体统一起来试图统一流式感知、实时对话和复杂任务；让世界状态可编程：视频世界模型开始真正记住规则与实体把状态演化与视频生成拆开，用可执行规则维护实体和持续一致性。

机器人侧也在寻找比“把所有历史塞进上下文”更可控的接口。机器人记忆不必塞进上下文：用计划连接长期经验与动作执行以分段计划连接长期记忆与闭环执行，一个接口让视觉语言模型直接操控机器人：Show-Harness的语义控制路径通过紧凑语义动作接口连接模型意图和机器人动作，世界动作模型需要拆开研究：OpenWAM给出模块化预训练路线则强调模块化预训练。共同信号是：具身系统的关键不只是更大的模型，而是状态、计划、动作接口和执行反馈如何解耦。

值得注意的信号

我的判断

本周真正值得开发者重视的，是智能体系统已经越过“能否调用工具”的展示阶段，开始接受长任务、真实数据和实际权限。相应地，工程重心也应从模型接入转向执行边界：哪些动作允许自动完成，哪些结果必须验证，日志如何保留，失败后如何回滚。

同时，本周不少信息来自厂商介绍或社区热帖，部分模型能力、科研成果和商业主张缺少可独立核验的细节。现阶段更合理的态度不是拒绝新能力，也不是按发布叙事直接下注，而是用经过修订的基准、受限权限和真实任务逐层验证。智能体越接近核心流程，可靠性就越不是附加功能，而是产品本身。