BestBlogs 早报 · 08-04｜从 Qwen 长程能力、生产推理到办公智能体，模型如何进入真实工作
本期早报深入探讨模型进入真实工作的实践路径。精讲内容涵盖 Qwen3.8-Max 的长程自主工作与评测、Baseten 的生产推理工程取舍，以及腾讯、阿里、字节在 AI 办公领域的组织竞争。此外，还速览了 OpenAI GPT-Live、MiniMax H3 开源、Agent 框架及 SQLite 安全等前沿动态。
相关文档
发布前我就测过的那只太空兔（Space Bunny），现在叫 MiniMax M3.1 Flash
作者在 MiniMax M3.1 Flash 还以匿名模型 Space Bunny 身份活跃时，用自己维护的 300 题封闭测试集（HumanEval+/MBPP+ 代码题与 MMLU-Pro 推理题）进行了评测，匿名期得 240 分。正式版发布后用同一套题复测得 246 分，两版表现几乎一致，主要提升在代码题。代码能力与 DeepSeek V4.1 Flash-1017 基本打平；官方数据显示其在企业流程自动化和操作电脑两项为国产第一，且成本显著低于 Claude Opus 5。短板是困难推理。整套 300 题成本仅一元出头，性价比突出。
实测 GPT6 Sol 和 Luna 和 Claude Opus 5.5，我们再不用愁额度少和速度慢了
作者对 GPT-6 Sol、GPT-6 Luna 和 Claude Opus 5.5 三款新模型进行横向实测。价格方面，GPT-6 系列比 GPT5.6 便宜 50%，Opus 5.5 速度提升 30%、成本降低 40%。通过鹈鹕骑单车、可互动饺子网页、前端动效设计、写作 skill 生成、Blender 3D 建模复现舞蹈等多个案例对比，作者发现 Opus 5.5 在终端编程和前端能力上依然领先，细节表现惊艳；GPT-6 Sol 速度极快且能力不俗；Luna 则适合简单批量 Agent 任务。总体来看三款新模型在性能与成本上均有显著进步。
一夜三连发，Claude Opus 5.5、GPT-6 Sol和Luna全部都来了
Anthropic与OpenAI同日发布多款新模型：Claude Opus 5.5、GPT-6 Sol和Luna。作者详细评测了各模型的定位与表现：Opus 5.5作为Claude系列性价比模型，Coding能力达到SOTA，成本下降40%，速度提升30%，但Token消耗大；GPT-6 Sol和Luna主打降本，价格比上代便宜50%甚至低于Deepseek，Token效率出色、幻觉率大幅降低，但审美与细节能力有明显降级。作者指出两家公司差异化路线：Anthropic专注Coding通往AGI，OpenAI专注全面Agent能力，并给出不同场景下的模型选择建议。
GPT-6 实测一整天：用了两年半 GPT，这是我第一次觉得 AI 真换代了
作者陈硕实测 GPT-6 Astra 一整天，通过 30-45 分钟制作可跑的 3D 游戏 Demo，验证了其核心能力。文章总结了 GPT-6 的四大升级：Computer Use 真正执行操作、异步工具调用、任务中追加指令、推理强度按阶段切换。还筛选了 X 上三个典型案例：重建火车图为 3295 个可编辑对象、自动跑模拟器测试、核对 41 份财务文件。作者强调应将 AI 整合进工作流，拆分输入、工具调用、验收和人工确认环节，而非神化模型能力，敏感操作仍需人工把关。
GPT-6发布，OpenAI说AGI时代来了
OpenAI于2026年9月4日发布GPT-6 Astra，与Anthropic的Claude Fable 5.1正面竞争。Astra在数学（FrontierMath 97.6%）、ARC-AGI-3（99.9%）、电脑操控（OSWorld 2.0）等评测上大幅领先，编程类任务则与Claude咬得较紧未全面胜出。文章分析了各项benchmark数据、定价（与Fable 5.1相同）、Codex跨上下文记笔记等新功能，指出Astra是首个触发Critical网络安全阈值的模型，因此漏洞利用能力被限制。作者认为AGI时代特征初显，电脑操控能力将碾压此前人机协作的苦力活。
GPT-6 Astra全面解析 - “欢迎来到AGI时代。”
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。
BestBlogs 早报 · 08-17｜设计师焦虑、RAG 持久化与 Kalanick 实体自动化方法论
本期早报包含三个核心话题：Lenny 调研显示设计师焦虑源于角色期望不清，OpenAI 产品负责人提出双速节奏与 Do Less 策略；技术方面探讨 RAG 系统设计持久化知识层以解决推理成果丢弃问题；商业部分复盘 Travis Kalanick 的实体自动化方法论及滴滴补贴战经验。此外涵盖 Qwen 3.8 过度思考问题、Agent 优化陷阱及 API 降本策略等速览内容。
BestBlogs 精选周刊第 108 期：智能的执行层
本期周刊聚焦 AI Agent 执行层的工程实践，探讨模型如何穿过真实环境稳定完成任务。文章围绕执行模型、Harness、质量评测、多智能体与权限、路由缓存等六条主线展开，分析了 Grok 4.6、DeepSeek V4 Pro、Gemini 3.7 Flash 等模型的长程执行能力，拆解了 DeepSeek Harness 和 OpenAI Codex Harness 的架构设计，并介绍了阿里、美团等团队的评测与改进流程。核心观点是：智能体的可靠性不仅取决于模型能力，更依赖于 Harness 的工程化设计、可观测的反馈闭环和合理的成本调度。
构建永不遗忘的 Agent：从原理到 Graph-Vector 混合架构
文章从第一性原理出发，深入探讨了 Agent 记忆机制的演变。作者指出单纯依赖 Context Window 会遭遇“中间迷失”效应，并借鉴认知科学将记忆分为感觉记忆、工作记忆和长时记忆。文章通过对比 Python 列表、Markdown 文件和向量搜索等不同技术层级的优劣，揭示了传统方案在持久性、语义理解和关联推理上的局限性，最终提出了结合图数据库和向量搜索的 Graph-Vector 混合解决方案。
GLM-5深夜登场：国产开源模型首次逼平Claude Opus 4.5
本文评测了智谱最新发布的开源大模型GLM-5。作者认为GLM-5在编码能力、长任务规划及Agent能力上已逼近Claude Opus 4.5和GPT-5.2水平，是国产模型的重大突破。文章详细展示了使用GLM-5开发文章分发插件、斗地主记牌器及QQ农场的实战案例，并对比了其API价格与性能优势，称其为国内性价比最高的AI Coding选择。
AI 早报：Anthropic 交付架构、LangChain 设计智能体与 Ai2 新颖性裁判研究
本期早报围绕智能体系统建设展开：一是 Anthropic 负责人解释 Claude 交付架构，将会话记录、运行框架与沙箱执行环境分离，使失败恢复不影响工作连续性；二是 LangChain 分享设计智能体的实践，将设计师的审美判断沉淀为技能与知识库，中位费用从 8 美元降至 0.50 美元；三是 Ai2 研究检验 LLM 判断研究想法新颖性的可靠性，发现提示词变化可导致准确率剧烈波动。此外还涵盖 Google A2UI 推理格式、Optiver 模型接入平台、小红书 AllSpark 数据管线及 K2 Lab 垂直 AI 产品等内容。
OpenAI Dots: 7x24小时运行GPT-6 Astra，成为只做监督的独立开发者完整指南
文章介绍如何在OpenAI发布Dots常驻Agent和GPT-6 Astra（百万token记忆）后，搭建一个24/7自主运行的AI工作流。核心难题是常驻Agent会高频产生大量简单决策，用前沿模型成本高昂。解决方案是TypeSafe推出的System One模型Jev：它只能输出结构化决策（是/否、选择、评分）并附带置信度，单价仅$0.042/百万token，使百万次决策成本约$42。文章展示了将Jev作为低层决策器、Astra作为高阶思考引擎的组合架构，让独立开发者从写代码转变为定义任务、设限并审核产出的监督者角色。
