本文实测了智谱最新发布的GLM-5.3模型，该模型基于GLM-5.2的750B参数基础模型，仅通过后训练提升性能，在AA榜上以60分进入前十，成为同分段参数最小的模型。作者通过多个编码与安全案例测试，包括修复Ice菜单栏工具漏洞、开发2D跑酷游戏、3D愤怒的小鸟及音乐工作台等，展示了GLM-5.3在复杂编码、长程Agent任务和防御性网络安全方面的出色表现，并对比了DeepSeek、Grok等模型，认为后训练Scaling是提升模型能力的重要路径。
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。
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。
作者实测智谱新发布的 GLM-5.3-Flash 模型，对比 DeepSeek V4 Flash 的价格与性能。该模型每百万 Token 输入 0.8 元、输出 2.8 元，在 Artificial Analysis 榜单上以 $0.045 成本获得 57 智力分，14 项 benchmark 中赢 DeepSeek 11 项，视觉端六项全胜，与 Opus 4.8 对比 13 项赢 9 项。实际测试中，模型可通过一句话从截图、视频、链接复刻网站（如 GitHub、3D 游戏 Krunker），前端与视觉能力极强。作者计划将日常 coding 和 agent 任务分流给它以节省成本。
本文分享了在 AI 生成内容泛滥的时代，通过多花 10-20% 的心思在 UI 设计上，可以成为最大的竞争优势。作者介绍了 Together AI 大神哈桑的 /Hallmark design skill，该技能通过将 AI 生成的常见设计套路列为负面规则，有效提升了 AI 生成 UI 的质量。文章还总结了几个关键心得：摸清 AI 套路、给 agent 喂参考图、使用更具体的长提示词，以及利用便宜小模型进行快速迭代。
红杉资本团队撰文探讨企业是否应自建 AI 能力而非依赖前沿实验室。开源模型（如 Kimi K3、GLM 5.2）性能逼近前沿，后训练技术栈日益成熟，成本、速度、专有数据与自主掌控成为自建的核心动因。文章给出实践路线图：组建专职团队、公开研究成果，并系统介绍了评估（Evals）、Harness 与上下文工程、后训练（SFT/偏好调优/RL/蒸馏）以及在线学习四个技术步骤，帮助企业在特定领域超越通用前沿模型。
文章回顾了2026年AI技术的指数级爆发，特别是Claude Mythos模型在网络安全领域的突破性表现。该模型不仅通过了AISI的全套网络攻击模拟，更因能力过强导致METR基准测试面临挑战。Anthropic为此发起Project Glasswing联盟，优先利用AI进行网络防御，而非作为通用产品发布。文章最后展望了AI系统自主进行AI研发的可能性，认为这是继网络安全之后的下一个前沿领域，并称这种强大的通用能力如同双刃剑，既是巨大的风险也是巨大的机遇。
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。
文章介绍了 Anthropic 发布的 Claude Opus 5.5 模型，其性能达到 Fable 5.1 水平但运行成本低 40%，尤其在长时间自主任务中表现突出。作者指出动效设计、Harness 工程和循环工程三者实为一个完整技术栈，并以五部分结构展开讲解：模型本身的基准数据与定价、如何用它做纯代码驱动的动效/动画创作、让输出可靠化的 Harness 工程、让 Agent 持续自主工作的循环机制，以及如何用单个模型串联整个工作流。文章强调缓存读取降价 60% 使长循环成本可控，并列举了大规模代码迁移、翻译 HAProxy 等实际案例。
月之暗面发布 Kimi K3.1 Pro，基于 K3 做 post-training 升级，2.8T 总参数、104B 激活（MoE）、1M 上下文、多模态。Terminal-Bench 4.0 得分 65.7，超越 GPT-6 Astra（58.2），仅落后 Claude Opus 5.5（66.4）0.7 分，是开源模型离闭源最强最接近的一次。API 价格输入 $2/输出 $10，比上一代降价三分之一，权重将于 11 月 4 日开源。文章拆解了 14 项评测表现，指出其在编码、Agent、金融分析领域表现出色，但科学计算类任务偏科严重（38.1 vs 68.1），并给出小白使用入口与避坑清单。
REA 团队发布的一份实用逆向工程（Reverse Engineering Anything, REA）学习路线图，涵盖官方仓库与网站、安装与 Agent 配置、首个调查示例、MCP 提示词等入门资源。内容还包括配套教程视频（软件克隆、Pi Coding Agent、Ghidra、Frida、pwn.college）、真实调查案例（Notes 导出、Notion 剪贴板、DX-Ball、Aegis APK 等）、GitHub 精选仓库、逆向工程经典书籍、反编译相关研究论文以及免费课程与练习平台，并给出建议的学习顺序。
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。
本期早报精讲三篇文章：Google 公开 Agent Compute Engine 架构，通过 Harness 与 Sandbox 分离、凭据外置和快照空闲机制，兼顾智能体持续工作的便利、安全与成本；Claude 应用团队分享何时将子智能体合并回主循环，指出配合技能的单一智能体在质量、延迟和成本上常优于多角色设计，并给出渐进迁移与评测方法；CrowdStrike CEO George Kurtz 谈 AI 时代的安全变化，包括攻击速度加快、身份成为入口、数字孪生对抗演练等。速览部分涵盖 WorkForge 训练框架、Air Canada 智能体测试实践、个人 Agent 评测等内容。
