本周智能体继续往更久、更广、更多代码的方向推，评测和开源维护者给出的却是另一组数字。模型名字比规格先到；治理与内部安全也不再只是外围话题。开发者需要把产能叙事和验收结果分开看。

智能体写得更快、跑得更久，软件仍卡在最后一公里

编程智能体不宜再用「能写代码」概括。生成更多代码，不等于交付更多软件：编程智能体的产出落差 只有标题与热度，却和后续评测对上了。真实交付才是瓶颈：FDE-Gym最佳配置仅解决14/95任务 用 95 个真实改编交付任务衡量：最佳配置均分 0.56，仅 14 项达标，未声明约束是主要瓶颈。规则侧同样冷。复杂多文件场景下规则推理仍难：RuleTrek上11个前沿模型端到端最高仅55% 中，11 个前沿模型识别最高 62.47%、推导最高 60.43%，端到端仅 26.97% 至 55.29%。较弱模型盲信子智能体：CLASHarness 生成可验证计算机冲突任务 构造 600 道可验证冲突题：现有基准多假设协作一致，弱模型易盲信误导，强模型会核验视觉证据。

规模实验并未停。万级智能体连跑超36小时：新模型支撑数天专注并随用改进 用 GPT-6 Astra、GPT-6.1 Sol、Codex 与 Daybreak 同时运行约一万个智能体超过三十六小时。Amp将智能体从写代码推向更广场景：接入GPT-6与GPT-Live-1 接入 GPT-6 Astra、Ultrafast、GPT-Live-1 以及 ChatGPT 登录，评测未披露。小团队数周上线智能体产品：插件带来三倍注册与最高十倍创建 称两人用 Codex 数周上线，注册增至三倍、智能体创建最高十倍。热帖记录超大规模试探：智能体被用来反编译第一人称射击游戏 消耗约五千亿 token，156 分、109 评，方法与成败未披露。这更像算力意愿，不是交付证明。

仓库、法律与实验室内部同时划线

QGIS 暂停 AI 贡献：开源社区对生成代码进入仓库态度趋严 367 分、398 评，核心仓库对生成内容仍高度谨慎。热帖追问AI公司为何未被控黑客：抓取与入侵的法律边界仍未清算 312 分、333 评，材料仅有提问；凯奇因 AI 争议拒绝再与亚马逊合作：一线演员公开切断平台合作 约 83 分、26 评，细节未披露，只构成生态信号。

内部安全被推到前台。OpenAI工程师因窃听高管会议室被捕：内部物理安全被推上前台 397 分、348 评；OpenAI再披露四起越权事故：金融、医疗与政府数据被点名 115 分、140 评，可核验细节仍少。亚马逊用AI监控英国仓库工会风险：HN热帖引发关注 把问题从模型对齐拉到劳工监控。这些条目拼不出完整案情，但方向清楚：开发者面对的不只是幻觉，还有权限、监控与合作能否维持。

模型热帖很高，可核验规格很少

高热低信息：HN热帖Gemini 4 Argon尚无可核对数 于 10 月 13 日获 977 分、742 评，规格与评测缺席；信息有限下的保守解读：DeepMind谈Gemini 4 Argon负责任与安全开发 同样只有标题，不能当成安全结论。产品侧直接报时长：AI 视频从 1 分钟拉到 10 分钟以上：Higgsfield 接 GPT-6 Astra 用 GPT-6 Astra 做到 10 分钟以上，并用 GPT-Image-2.5 与 GPT-Live 补画面和语音。

开放与端侧也在报名字，摘要同样薄。Hugging Face 推出 501B 开放模型 Beam：可拥有、定制并扩展、只凭标题：LFM2.5-24B-A2B瞄准端侧快速私有智能体、信息有限：IBM Granite Switch 4.1 宣称单端点覆盖聊天、决策与语音、信息有限：NVIDIA披露Indic预训练2.8万亿token与开放数据管线 均应按标题级观察处理，不推断效果与开源范围。LLM能力共识正在撕裂：共享理解的鸿沟加速扩大 所记 Karpathy 观察，与「热度先于规格」是同一件事：共享理解在拉开，而不是在收敛。

研究在补长程可训、决策原生和计算机使用

训练侧在把稀疏结果改成可学信号。Agent-Reflex教智能体主动反思：噪声反馈下提升长程工具使用表现 以三阶段框架激励反思与失败恢复，基于 Qwen3-8B。稠密进度奖励让长程智能体可训：Tev-Gym 与 Tev-27B 构建 1170 个可验证稠密渐进奖励环境，Tev-27B 在 ALE-CM 的 Pass@5 上匹配 GPT-6 Astra 与 Claude Opus 5。优势85%方差来自抽哪条回复：ReMaRk改按请求并集计分 指出 Rank-GRPO 单条抽样使优势 85% 方差来自抽到哪条，改并集奖励后以 25%–53% 步数达到同等召回。训练按单会话、推理却多会话：Mosaic用分层优势替代广播 用会话用量和边际贡献做分层优势，BrowseComp 上优于广播且更省会话。

架构侧在减少「先生成一段话再当答案」。决策不该靠拼文本：Jeva 同时满足空答、排列不变与可缓存 用独立选项编码与 coverage 估计；空间判断不必生成文字：MJev-Spatial用原生注意力一次分类完成三类任务 基于 Qwen3.5-4B，一次前向、不生成答案 token，训练数据为 1230 万转换问答对。把上下文收益写进参数：Cortex多数设置落在巩固-保持帕累托前沿 覆盖 4B 至 120B 稠密与 MoE 及多模态骨干。计算机使用栈也在开源化：开源GUI智能体一站式底座：MAI-Gym用9B模型报出两项最优 将手机、电脑与网页的评测、采集和在线强化学习收进同一平台，9B 统一智能体两项基准达开源 10B 以下最优；OpenGCUA首发开源GCUA全栈：代码执行与决策转移显著提升多模型表现 在 OSWorld-v2 上平均提升部分得分 19.6 分并减少 53% 步骤。

值得注意的信号

我的判断

本周不必追每一条热帖的结论，值得记下的是两张对照表。一张是智能体产能：代码更多、连跑更久、入口从写代码扩到插件和视频；另一张是验收：FDE-Gym 仅 14/95 达标、RuleTrek 端到端最高约 55%、QGIS 暂停 AI 贡献。热帖可以没有规格，仓库不能没有标准。GPT-6 Astra、Gemini 4 Argon、Beam 501B 都还停留在名字先到的阶段，写成已可部署能力会高估；只看冷评测、否认工作流已经迁移，会低估。更稳妥的读法是：把智能体当加速器而不是交付单元，把治理当约束而不是附录，把缺摘要的发布当成未完成声明。能力共识在撕裂，不是因为模型停了，而是生成速度已经跑在可复现验收前面。