OpenAI 发布 Decisions API 15 天后，Jev 被质疑没有护城河
OpenAI 在 DevDay 上发布 Decisions API，基于当前体量最小、价格最低的 GPT-6 Luna，让模型在一组预设答案中作出选择并返回置信度分数，官方给出的延迟为 150 毫秒，而直接用 GPT-6 Luna 完成同类任务需 1.6 秒。
为什么值得看
围绕OpenAI新API与Jev的能力重合度，梳理了双方产品形态与护城河所在，可帮助读者判断这一赛道的竞争格局。
#Agent
#Agent
今日 0 条AI前线精选AI 评估 · 79/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 79/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 掘金本周最热AI 评估 · 54/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 54/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Space-Bunny 匿名模型观察：0.03 倍积分、1M 上下文与模型选型的算术题
作者在 WorkBuddy 模型面板观察到匿名模型 Space-Bunny，倍率 0.03x 且限时折扣，9 月 23 日上线后登顶 OpenRouter 与 OpenCode 调用量榜首，截至 10 月 2 日仍无人认领。
有新NewinAI 评估 · 54/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 54/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 苹果收紧 macOS 完全磁盘访问权限，个人 Agent 面临用户信任门槛
苹果 10 月 2 日在开发者网站发布公告，将为 macOS 的完全磁盘访问权限增加控制措施，确保用户通过更明确的主动操作才能授予应用这一权限，并指出随着 AI Agent 能力和自主性增强，这类权限带来的风险将显著上升。
meng shao(@shao__meng)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 阿里「AI Native 研发范式实践手册」：企业知识库为何是最容易被忽略的 AI 基础设施
阿里「AI Native 研发范式实践手册」指出，企业级 AI 研发基础设施中最容易被忽略、也最容易自以为没问题的一环是企业知识库。多数企业只是把文档攒下来，存在目录混乱、部门规则不一、关键证据缺失、权限各异等问题，同一实时多篇文档难以确定以哪个为准。作者建议由公司牵头做知识整理、知识加工与知识供给，再输入 Agent 使用并反馈，形成闭环，并在质量、版本、权限、责任四方面持续治理。
架构师之路AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 写好 Claude Code Skill 的两个要点：description 是触发器，正文是路由器
写好 Claude Code Skill 的关键在两点：description 不是摘要而是触发时机说明，需包含能力清单、具体场景和用户触发关键词；SKILL.md 正文则应是路由器而非知识仓库，用指针指向细节文件，并统一使用祈使句而非第二人称。Anthropic 内部最佳实践给出的正文骨架包括定位、流程、边界、坑点与参考表。
meng shao(@shao__meng)AI 评估 · 45/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 45/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 斯坦福 CS 329Z《Engineering AI Agents》2026 秋季课程前三讲讲义公开
斯坦福 2026 秋季课程 CS 329Z: Engineering AI Agents 前三讲讲义已统一发布在课程官网，主题分别为 Intro to Agentic Systems、LLMs for Builders 和 RAG + Agents。
歸藏(guizang.ai)(@op7418)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Muse Home Link 设备发布：接入 WiFi 即可让 Muse 协同局域网智能设备
Muse 推出 Muse Home Link 设备，连接到 WiFi 后即可自动识别局域网内所有支持 Muse 的设备，让 Muse 调用它们协同工作，例如开灯、控制电视或把文档发送到打印机。该设备面向 Muse 订阅用户免费领取，仅限美国。
meng shao(@shao__meng)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 CMU 11-768《AI Agents》第 12 讲讲义公开：强化学习系统
CMU 秋季课程 11-768《AI Agents》第 12 讲讲义公开，主题为强化学习系统（RL Systems），由 @gneubig 主讲，聚焦如何在真实多 GPU 集群上跑通 LLM Agent 的 RL 训练。
歸藏(guizang.ai)(@op7418)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Claude Code 上线 mods：有人做了个匹配等待中玩家的 MW2 多人对战 Mod
Claude Code 上线 mods 功能后，开发者 Alex Christou 制作了一个 Mod，把等待 Claude 完成任务的用户匹配进同一个 MW2 Quick scoping 多人对战房间，对手全是同样在等 Claude 的人。
山行AIAI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 CourseRaptor 本地校园 Agent 架构拆解：31 个工具、三端入口与本地凭证保护
南京工业大学适配的校园 Agent 项目 CourseRaptor 把课表、成绩、考试、通知、待办、文档生成和日历订阅拆成 31 个可调用工具，终端 TUI、本地 Web UI（127.0.0.1:3210）、QQ 机器人和无头 CLI 共用同一个 ToolLoopAgent 内核。
李继刚(@lijigang_com)AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 李继刚：半年过去，「一个 Agent」这条路开始挤了
李继刚认为，半年过去，「一个 Agent」这条路开始挤了。他抛出问题：三年之后，人们会拥有「一个」极其「懂你」的 Agent，还是会拥有「一群」分工协作的 Agent Team，并询问基于这一判断当下该做哪些方向调整。
meng shao(@shao__meng)AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 HuggingFace 与 LiquidAI 发布多 Harness 强化学习训练指南
HuggingFace 和 LiquidAI 团队提出一种多 Harness 强化学习训练方案，不改框架代码，在框架与模型之间加一个记录代理，让同一模型同时在四个真实框架里做 RL。
逛逛GitHubAI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AI 时代的 GitHub 定律：今天 xxx 刷屏，明天 Openxxx 登上开源热榜
从 2023 年 ChatGPT 带出 ChatGLM-6B、2024 年 Sora 带出 Open-Sora、Devin 带出 OpenDevin（后更名 OpenHands），到 2025 年 Manus 与 OpenManus 同日开源，AI 产品的开源复刻已从数月缩短到按天计算。
Z PotentialsAI 评估 · 67/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 67/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Instinct 成立5个月估值迈向100亿美元，个人助理是风投的假嗨还是真机会？
Instinct 把个人 AI 助理做成短信和电话里的联系人，用户通过 iMessage、WhatsApp 或电话交代目标，后台用云端电脑、浏览器和 Connected Services 执行订餐、签证、退款等任务。
机器之心AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 StartLux 开源 StartLux-Decision 决策模型，0.8B 至 27B 五档版本
StartLux（原点星辉）开源决策模型 StartLux-Decision，一次推出 0.8B、2B、4B、9B 和 27B 五档版本，并提供支持本地部署的量化模型。
meng shao(@shao__meng)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Github Copilot 推出「Computer Use」功能
Github Copilot 推出「Computer Use」功能，可让 Copilot 直接操作用户电脑界面完成任务，相关说明发布在 GitHub 官方 changelog。目前该功能的具体能力范围、可用性与上线时间尚未在原文中披露。
Jerry Liu(@jerryjliu0)AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 发布 Extract v2.5 提取智能体，支持跨页表格与高级引用
LlamaIndex 发布 Extract v2.5，一组面向文档抽取的前沿智能体，覆盖 cost-effective、agentic、agentic plus 三档，强调取值准确率与溯源。
OpenAI Developers(@OpenAIDevs)AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI Agents API 本周更新：计算机使用、Bedrock 托管智能体与 GPT-6.1 Sol 上线
OpenAI Agents API 本周新增计算机使用能力，1 次 API 调用即可启动浏览器加智能体；同时推出 Bedrock Managed Agents 和 GPT-6.1 Sol。环境方面支持轻量与高配 oai-hosted 环境、跨会话复用，仪表盘可直接配置子智能体。官方称单轮可靠性达 99.97%，SSE 断连减少，工具调用提速 20%。
Notion(@NotionHQ)AI 评估 · 42/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 42/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenClaw 新增 50+ 插件，支持 Notion、Canva、Dropbox 等
OpenClaw 新增 50+ 插件，接入 Notion、Canva、Dropbox 等公司。用户直接向智能体提出需求即可在对话中安装，插件热重载无需重启网关。
Genspark(@genspark_ai)AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 花 10 小时做完本可交给 GenTeam 3 个智能体 5 分钟搞定的项目
Genspark 发帖调侃：自己花 10 小时完成了一个项目，而在 GenTeam 里用 3 个智能体只需 5 分钟。GenTeam 是 Genspark 推出的多智能体协作功能。
AI Engineer(@aiDotEngineer)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 你的智能体能读懂企业业务所依赖的文档吗？@jerryjliu0 谈解析、搜索与来源引用
Jerry Liu（@jerryjliu0）在 World's Fair 2026 的演讲中探讨智能体如何解析、搜索企业业务所依赖的文档并给出来源引用。相关录播已发布，配套活动将于 10 月 12 日至 14 日在纽约举行。
OpenAI Developers(@OpenAIDevs)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 介绍 dot：跨应用保留上下文并协调 Codex 任务
OpenAI Developers 预告 dot：它会学习用户的工作方式，在多个应用之间保留上下文，协调 Codex 任务，并标记出需要用户关注的事项。该内容未披露模型版本、参数或可用性信息。
Replit ⠕(@Replit)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Replit 本周更新：聊天内交互式图表、GPT-6.1 Sol 与 Claude Sonnet 5.5、Jev 集成上线
Replit 本周上线聊天内交互式图表，用户对 Replit Agent 说 "let's visualize this" 即可在对话中生成可视化。平台新增 GPT-6.1 Sol 和 Claude Sonnet 5.5 两个可选模型，并支持 auto 模式自动选择。
OpenRouter(@OpenRouterAI)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenRouter 推出 Router Index 评分：按 60% 质量、20% 耗时、20% 成本加权
OpenRouter 为每个 benchmark 给出 Router Index 评分，权重为 60% 质量、20% 每任务耗时、20% 成本。页面提供滑块，用户可拖动调整权重，找出符合自身优先级的领先模型。
Lenny Rachitsky(@lennysan)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI DevDay 直播演示前 5 分钟，Dot 发现生产系统宕机并请求修复
OpenAI DevDay 直播演示开始前 5 分钟，@thsottiaux 的 Dot 察觉到生产系统已宕机，主动请求修复，还判断这会影响即将进行的演示、应尽快通知相关人员。它随后被回复"我觉得你还没到那一步，小 Dot，但谢谢你的尝试"。
lmarena.ai(@lmarena_ai)AI 评估 · 6/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 6/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Agent Arena 帕累托前沿实时结果上线
Agent Arena 的实时结果与帕累托前沿现已可通过 arena.ai/leaderboard/ag 查看。该页面用于展示各 AI 智能体在 Arena 评测中的实时排名与前沿分布。
lmarena.ai(@lmarena_ai)AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-6.1 Sol (Max) 进入 Agent Arena 排名第 5
Arena 宣布 OpenAI 的 GPT-6.1 Sol (Max) 进入 Agent Arena，排名第 5，提升 11.23%，并改变了帕累托前沿。其每任务中位成本为 $0.56，性能与 GPT-6 Sol 和 GPT-6 Astra 相差 2 个百分点以内，成本分别低 39% 和 81%。
a16z(@a16z)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Lio CEO Vlad Keil：前线部署工程师的 KPI 就是自动化自己的工作
Lio 联合创始人兼 CEO Vlad Keil 称，公司前线部署工程师（FDE）的 KPI 就是自动化自己的岗位，完成后转向下一个任务。Lio 85% 的员工是工程师，即便没有工程师头衔的人大多也有工程背景，因为 Lio 不想做成咨询公司。Lio 用多智能体系统承接从寻源、RFQ 到谈判、物流跟踪和发票的端到端工作。
lmarena.ai(@lmarena_ai)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Agent Arena 帕累托前沿实时结果上线
Agent Arena 帕累托前沿的实时结果已可查看，访问 arena.ai/leaderboard/ag 即可查看该排行榜。
lmarena.ai(@lmarena_ai)AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Claude Sonnet 5.5 在 Agent Arena 排名第 3，单任务成本 2.74 美元
Claude Sonnet 5.5 在 Agent Arena 排名第 3，单任务中位成本 2.74 美元，净提升分数 +12.5%。Claude Opus 5.5 排名第 2，单任务成本 1.58 美元且得分更高，这一权衡使 Sonnet 5.5 未能进入 Agent Arena 的帕累托前沿。
Notion(@NotionHQ)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Notion 接入 Opus 5.5：自动检索文档、会议记录与 Slack 消息生成案例研究
有用户称 Notion 中的 Opus 5.5 表现强悍，让它撰写案例研究时，它会自动翻阅相关 Notion 文档、会议记录和 Slack 消息。随后它还会参照用户的写作规范与品牌风格，直接生成一份精炼草稿。
lmarena.ai(@lmarena_ai)AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Claude Sonnet 5.5 在 Agent Arena 首次登榜第 3
Arena.ai 公布 Claude Sonnet 5.5 (Max) 在 Agent Arena 首次登榜即排名第 3，净提升 +12.5%，比排名第 13 的 Claude Sonnet 5 (High)（+4.4%）高出 8.1 个百分点。
Stanford AI Lab(@StanfordAILab)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Stanford AI Lab 发布 SWE-chat v2：23 万条真实开发者与 AI 编程智能体交互数据集上线 HuggingFace
Stanford AI Lab 与 Joachim Baumann 发布 SWE-chat v2，包含来自真实开发者的 23 万条 prompt、覆盖 1.8 万次会话，已上线 HuggingFace。该数据集记录人类与 AI 编程智能体的真实交互，v2 在上一版基础上规模进一步扩大，团队将在 COLM 会议上介绍相关工作。
eric zakariasson(@ericzakariasson)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SpaceXAI 发布实验性 TypeScript SDK，统一接入 Grok 文本、语音、图像与视频能力
SpaceXAI 发布实验性 TypeScript SDK，可通过 npm install @xai-official/sdk 安装，在一个 SDK 中调用文本、语音、图像和视频能力，并接入最新的 Grok 模型与工具。该 SDK 还支持运行在 SpaceXAI 服务器上的实时 X 搜索、网页搜索、代码执行和远程 MCP。
ChatGPT(@ChatGPTapp)AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ChatGPT 推出 Finances 功能，可查订阅、账单和信用分
OpenAI 在 ChatGPT 中上线 Finances 功能，用户可查找忘记取消的订阅、识别陌生或疑似重复扣款、查看哪些周期性账单涨价，并每周获取财务更新。该功能还支持按实际支出制定预算、追踪信用分并了解影响因素、探索还债计划、估算应急基金额度、通过 Voice 讨论换工作对财务的影响，以及查看投资组合的集中度和跨账户配置。入口为 chatgpt.com/finances。
ChatGPT(@ChatGPTapp)AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ChatGPT 财务功能向美国 Free 和 Go 用户开放
ChatGPT 的 Finances 功能正在向美国 Free 和 Go 用户推出，用户可通过 Plaid 和 Experian 安全连接自己的账户，获得基于个人财务信息的回答。该功能此前仅在更高层级提供，此次扩展到免费与 Go 用户。
Genspark(@genspark_ai)AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Genspark 将在 Spark House 展示如何用内部智能体运营公司
Genspark 将于 10 月 7 日在 Spark House 的 SF Tech Week 活动上，向创始人展示其如何用内部智能体运营公司，以及如何搭建同样的方案来加速业务。活动需通过 Partiful 报名。
Harrison Chase(@hwchase17)AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Harrison Chase 点评 Google 多智能体证明发现论文的验证者独立上下文模式
Harrison Chase 点评一篇 Google Research 的多智能体证明发现论文，认为验证者从干净上下文起步的模式值得借鉴，探索者的推理无法说服验证者接受错误证明，探索者因此可以大胆尝试，由验证者筛掉错误方向，DeepAgents 子智能体拥有独立上下文也是同一道理。
Harrison Chase(@hwchase17)AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LangSmith Custom Apps 让智能体团队基于自己的 traces 构建 review UI
LangSmith 推出 Custom Apps，让每个智能体团队基于自己的数据与 traces 构建专属 review UI，并直接发布到 workspace 中。官方称无需自己处理托管、认证和权限工作，目前可通过 LangChain 博客的入门教程开始使用。
lmarena.ai(@lmarena_ai)AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 本周 Arena 榜：GPT-6.1 Sol、Sonnet 5.5、Gemini 4 Argon、MiMo-V2.6-Pro 四款发布重塑 Text、Code 与 Agent 竞技场帕累托前沿
OpenAI DevDay 后 GPT-6.1 Sol (Max) 进入 Code Arena: WebDev 排第 3，以 $8/MToken 进入帕累托前沿；同日 Sonnet 5.5 上榜后 Sol 降至第 4 并跌出前沿，Sonnet 现以低 80% 成本落后第 2 名 GPT-6 Astra (Max) 2 分。