01
OpenAI 发布 GPT-6 Astra，强化计算机操作、编码与长周期 Agent 任务
OpenAI 发布 GPT-6 Astra，在计算机操作、浏览、软件工程、网络安全、科学和专业工作等任务上更新前沿成绩，其中 FrontierMath Tier 4 得分 98%、ARC-AGI-3 得分 99.9%，并支持 105 万 Token 上下文；模型将从首批机构逐步扩展至 ChatGPT、API、Azure 和 AWS Bedrock。
原文链接02
Anthropic 发布 Claude Fable 5.1 和 Claude Mythos 5.1
Anthropic 于 9 月 2 日发布 Claude Fable 5.1 和 Claude Mythos 5.1，重点面向编程、知识工作和长时间自主任务，其中 Fable 5.1 面向普通用户，Mythos 5.1 的访问范围更受限制。新版本继续把模型能力与更严格的网络安全防护结合起来，使编码 Agent 的实际表现、使用限制和安全策略同时成为开发者需要评估的变量。
原文链接03
阿里发布 Qwen3.8-Max-0902，Code Arena WebDev 得分 1691
阿里发布 Qwen3.8-Max-0902，模型规模为 2.4T 参数、支持 1M 上下文，公开价格为每百万输入 Token 2 美元、输出 Token 6 美元，并在 Code Arena WebDev 以 1691 分位列第一。模型能力、超长上下文与较低 API 价格同时提升，使其成为编码 Agent 和大上下文应用中具有直接成本竞争力的候选模型。
原文链接04
Meta 发布 Muse Spark 1.3，重点提升编码和长周期 Agent 任务
Meta 发布 Muse Spark 1.3，重点强化编码、复杂指令遵循和长时间 Agent 工作流，并强调相比前代减少工具调用和 Token 消耗。对于实际 Agent 系统，这类提升直接关系到任务成功率、执行轮数和单任务成本，而不仅是静态基准得分。
原文链接05
World Labs 发布多模态世界模型 Atlas，可从图像生成和重建可导航 3D 空间
World Labs 发布 Atlas，模型可进行像素级相机控制、从少量甚至单张图像重建大型场景、在模拟时空中重构视频，并直接生成原生 3D 空间。统一生成、重建与空间建模的能力，使世界模型开始直接服务影视制作、3D 内容和机器人 Real-to-Sim 工作流。
原文链接06
Google 发布 Gemini 3.8 Flash Cyber，公布 CyberGym 和 CWE-Bench 成绩
Google 发布面向网络安全任务的 Gemini 3.8 Flash Cyber，并公布 86.2% CyberGym、47.2% CWE-Bench 补丁修复成绩，以及内部漏洞发现基准超过 70% 的成功率。专用网络安全模型开始在接近 Flash 级速度和价格的条件下提供漏洞发现与修复能力，为安全 Agent 的自动化部署提供了新的模型层选择。
原文链接07
Epoch AI 报告 Astra 在 FrontierMath Erdős 中解出 2 道此前未被模型解决的问题
Epoch AI 报告 Astra 在 FrontierMath Erdős 上取得 3% 得分，68 道题中有 2 道通过 Lean 验证，而此前参与评测的模型没有解决其中任何一道。该结果为 Astra 在开放数学问题上的能力提供了独立于发布方宣传的增量证据，也显示形式化验证正在成为衡量前沿数学推理的重要手段。
原文链接08
Kimi API 增加 OpenAI Responses API 和 Anthropic Messages API 兼容接口
Kimi 开放平台为 API 增加 OpenAI Responses API 和 Anthropic Messages API 兼容格式，使 Codex、Claude Code 等现有工具可以直接接入而无需额外协议转换。模型供应商开始主动兼容主流 Agent API 协议，这会明显降低应用切换模型和多供应商部署的工程成本。
原文链接09
DeepSeek 开源 DeepSeek-V4-Flash-Vision-Exp 多模态模型权重
DeepSeek 开源 DeepSeek-V4-Flash-Vision-Exp 权重并采用 MIT 协议，模型在 V4-Flash 文本能力基础上加入图片理解、OCR、图表分析和视觉 Agent 能力。开放权重意味着开发者可以围绕视觉工具调用和多模态 Agent 进行私有部署与二次开发，降低对闭源视觉模型 API 的依赖。
原文链接10
ByteDance Seed 提出 HarnessDev，用下游反馈评测和改进 Agent Harness
ByteDance Seed 的 HarnessDev 要求模型从一个可运行但较弱的初始 Harness 出发构建执行系统，再利用下游反馈继续改进，并同时评估任务能力与执行 Token 成本；实验覆盖 6 个模型、4 个领域和 2207 个下游样本。结果显示自动生成 Harness 在写作和机器学习实验中已能达到或超过人工系统，但在代码、搜索和研究任务上仍有明显差距，为 Harness Engineering 提供了更系统的评测框架。
原文链接11
vLLM-Omni 与 FastVideo 演示快于播放速度的同步视频音频生成
vLLM-Omni 与 FastVideo 的 FastH3 演示将一段 10.1 秒的同步视频和音频在 8.7 秒内生成完成，实现生成速度快于实际播放速度。多模态生成进入实时速度区间后，交互式视频 Agent、实时内容生成和持续世界模拟开始具备更可行的基础设施条件。
原文链接12
腾讯混元将 Hy4 Preview 权重从约 1.5 TB 压缩至约 214 GB
腾讯混元使用 Sherry 稀疏三值量化和混合精度逐层量化，将 Hy4 Preview 权重从约 1.5 TB 压缩至约 214 GB，并称长文理解、多轮检索和编码任务表现接近 BF16 原版。对超大 MoE 模型而言，权重体积下降到原来的约七分之一，会直接降低部署所需显存、存储和节点规模。
原文链接13
SGLang 推进 Miles RL 训练框架，以 SGLang 作为 Rollout 推理引擎
SGLang 团队介绍 Miles RL 训练框架，使用 SGLang 承担 Rollout 推理，并将其定位为更标准化的强化学习后训练基础设施。随着 Rollout、推理服务和训练调度逐渐产品化，模型团队可以减少自建 RL 基础设施的工作量，后训练栈也开始出现类似推理服务层的标准化趋势。
原文链接本期完