月之暗面发布旗舰模型Kimi K3.1 Pro，参数规模2.8T（MoE，104B激活），支持100万Token上下文，继续开源。API价格较K3砍半，仅为GPT-6 Astra的五分之一。跑分仅次于Claude Opus 5.5和GPT-6 Astra，Terminal-Bench 4.0达65.7%，OfficeQA Pro v2获SOTA，幻觉率从23.4%降至8.3%。作者重点测试了视觉方向：3D建模能力已可与GPT-6 Astra正面竞争，包括网页3D果冻、高精度机械键盘、根据户型图与装修图生成Three.js第一视角漫游网站、结合平面图与手持视频还原办公室3D模型。视频动效方面提升巨大，可一轮直出动效作品集、宣传片及科普视频，虽距Opus 5.5仍有差距，但已属国产模型巅峰水平。
作者分享了使用英伟达RTX Spark笔记本（华硕ProArt创16，128G统一内存+1T，售价37999元）一周的深度体验。该设备结合了大内存与CUDA生态，解决了本地跑大模型要么选Mac要么受显卡显存限制的痛点。作者演示了通过WorkBuddy部署各类本地模型，包括Qwen3.8-27B大语言模型、图像生成、视频生成、OCR、ASR、TTS等，并打包成一个专家应用方便开箱即用。文章还讨论了AI全天候工作带来的成本问题，认为本地算力是实现Token自由、摆脱API费用束缚的关键方案。
作者通宵整理了 OpenAI DevDay 2026 发布会的全部内容。主要发布包括：个人 Agent 产品 Dots，具备云电脑、浏览器和执行环境，可主动替用户做事，对标 Grok Bot 和 Muse；配套的 ChatGPT Space 工作空间；新模型 GPT-6.1 Sol，以约七分之一的成本接近 Astra 水平；推出 500 美元 Pro 会员但砍削原有额度；Decisions API 直接对标刚发布的 Jev；Codex 全面升级云端可复用环境与安全扫描；以及 ChatGPT 订阅生态打通等。作者对 OpenAI 的定价策略和与 Claude Opus 5.5 的差距表达了看法。
TypeSafe AI推出的新模型Jev只做高频决策判断，不能聊天或写代码，是一个通用分类器。它由前OpenAI创始人Diogo Almeida打造，采用自研RLCD训练方法（面向校准决策的强化学习），响应仅需380毫秒，速度快20-200倍，成本低40-400倍。文章通过浏览器插件过滤X内容、玩马里奥、操控浏览器等案例展示其能力，并在预筛任务中与GLM、DeepSeek、Qwen对比，Jev在并行判断任务上综合表现最优。其名源自杰文斯悖论，寓意智能判断将因便宜而被大量使用，可能代表Agent时代的重要新方向。
搭载豆包手机助手消费者版本的努比亚NaviX Ultra正式发布开售。作者提前拿到真机并实测：AI键首次加入指纹鉴权，保护隐私安全；复杂长程任务能力提升，可一次性完成飞书报销等流程，并支持任务排队与插队；记忆功能大幅升级，可记住用户偏好并自动执行重复任务；支持把跑通的流程保存为快捷指令；能理解屏幕内容直接干活；系统级应用如相机、录音接入更多AI能力。文章同时指出免费额度有限及生态支持受限等不足。
OpenAI发布GPT-6 Astra，定位为迄今最智能且最对齐的模型。文章详细解析其新特性：105万Token上下文窗口、作为全球最佳操作电脑的模型（OSWorld完成率72.6%）、ARC-AGI-3达到99.9分远超人类平均水平、视觉判断力和审美大幅加强、更强的主动性（Judgment）能自主消化不确定性、安全对齐显著提升（幻觉率降至2.0%）、成为首个达到网络安全Critical等级的模型。同时文章指出隐忧：模型思维链可监控性显著下降，人类越来越难理解其推理过程，AI正在走向奇点。
文章揭秘了海外爆火的匿名模型OX Alpha的真实身份——智谱发布的GLM-5.3-Flash。该模型是总参数320B、激活18B的MoE架构，GLM-5系列首个原生多模态模型，支持图像、视频和文本输入，上下文达100万。其能力逼近Opus 4.8，而价格极低（每百万Token输入0.8元、输出2.8元），比DeepSeek V4还便宜一半。作者通过自建1000条新闻评测集实测发现其在精选率和品味上优于MiMo 2.5 Pro和DeepSeek V4 Pro，前端代码能力也直逼顶级模型。此外，智谱用10万张国产卡扛下了匿名测试期的全部推理流量。作者决定将AIHOT网站模型全面切换至GLM-5.3-Flash。
文章通过分析多个真实场景评测集（如RealReplicaBench、E-Bench等），指出尽管大模型在编程领域表现优异，但在电商、生活等复杂真实任务中的成功率极低，甚至不足50%。这揭示了模型从解题到实际工作之间仍存在巨大差距。
本文作者分享了DeepSeek V4 Pro和Grok 4.6两款新模型的发布体验，认为它们从性能和价格两个方向打破了传统大模型的不可能三角（性能、价格、速度），将行业斩杀线推向前所未有的高度。作者详细对比了两款模型与Claude Fable 5的跑分和实际使用感受，并分享了自己重新分配AI工具组合的策略，包括将日常开发切换到Grok Build + Grok 4.6，将自动化任务交给DeepSeek V4 Pro。文章最后指出，新模型的出现将淘汰大量夹在中间的玩家，大模型市场进入新的竞争阶段。
文章详细解读了北京市发布的《关于加快智能体引领发展的若干措施》，涵盖提升基础模型能力、Harness Engineering、原生应用、智能终端融合、OPC新模式及Token经济等10条重磅内容，描绘了未来智能体经济的宏伟蓝图。
文章盘点了瑞幸、麦当劳、飞猪、滴滴等16款国民级应用，这些产品正通过封装Skill、MCP或CLI接口，向Agent开放点咖啡、订票、打车、办公等核心能力。作者指出这标志着Agent化时代的到来，并对比了当前支付环节的“信任”壁垒，认为该趋势类似于2017年小程序爆发的前夜，未来Agent将成为人们在数字世界的另一个“贾维斯”。
文章详细总结了 Google I/O 2026 大会的核心发布。技术层面推出了 Gemini 3.5 Flash 和 Omni Flash 模型，并升级了 Antigravity 2.0 Agent 系统。产品端发布了 Gemini Spark 个人 Agent 和 Android Halo。同时，Google 搜索整合 Agent Coding 并升级 AI Mode，视觉生成领域推出 Pics 和 Stitch。全场强调 AI Agent 的落地应用与生态整合。
文章详细评测了 DeepSeek V4 模型。V4 采用混合架构，参数量达 1.6T，虽未集成多模态能力，但在推理和代码领域表现优异。作者指出该版本通过 MXFP4、TileLang 和 MegaMoE 等技术，深度适配华为昇腾等国产芯片，旨在解决算力卡脖子问题。实测中，V4 在写作和长文本处理上表现出色，但在 Agent 意图识别和复杂开发约束遵守方面仍存在瑕疵。
