Together AI 发布《The Open Source AI Stack》一文，把开发者从闭源转向开源模型所需的技术栈拆成模型、推理服务商或网关、harness、上下文四层，并称各层相互独立，换模型通常只需改一个配置值。文中以 Kimi K3（1.8T 总参数、104B 激活参数）和 GLM 5.3 Flash（320B 总参数、18B 激活参数）为例说明大模型与小模型的取舍，并列出 OpenRouter、Vercel AI Gateway、LiteLLM 等网关以及 skills、MCP 等扩展方式。作者还建议用大模型规划、小模型实现、大模型审查的三段式工作流，并强调切换模型或任务时新开会话以控制上下文。
#教程/实践#开源生态#部署/工程
RAG 通过在模型回答前检索外部信息并加入上下文，让 LLM 使用训练数据之外的最新、私有或大规模知识。其流程包括知识分块与嵌入、查询处理、段落检索、上下文注入和答案生成，但检索质量、来源质量及模型误读仍可能造成错误。ElevenLabs 还介绍了 ElevenAgents 的查询改写与模型竞速架构，称其将 RAG 中位延迟从 326 ms 降至 155 ms。
#教程/实践#RAG#Agent
这期学习型播客逐步解读 Kimi K3 技术报告，并由 Yutao 串联十余篇相关论文。节目旨在帮助听众理解其中的技术之美，但提醒 Yutao 的语速很快。
#教程/实践#数据/训练
NVIDIA 团队用 NemoClaw 构建了记忆驱动的 Chief of Staff 智能体，通过 Markdown 自模型与 SQLite 账本分离证据与判断。在 Agent Memory Benchmark 上，自模型将整体准确率从 82.8% 提升到 90.9%，变化事实的跟踪率从 60.0% 提升到 100%。运行时由 NVIDIA OpenShell 沙箱管控文件系统、进程和网络访问，凭据留在沙箱之外，相关配方与设计提案已开源在 NVIDIA/nemoclaw-community 仓库。
#教程/实践#Agent#部署/工程
选择一个熟悉的个人或工作流程，用趁手的 AI 产品将其完整自动化，并逐步扩大目标范围。这个练习会促使开发者思考端到端体验、MCP 与工具的使用、人类介入的位置以及评估方法。
#教程/实践#Agent#MCP/工具调用
波兰软件工程师 Piotr Migdał 用1040张蘑菇照片测试16个模型，表现最好的 Gemini-3.8-flash 首次猜测准确率为65%，前五猜测命中率85%。Qwen3.8-27b 表现最差，首猜准确率13%，并把有毒蘑菇误判为可食用达36%。Migdał 指出危险误判并非随机，例如把致命丝膜菌认成鸡油菌，他警告不要因为 AI 说安全就吃下蘑菇。
#现象/趋势#评测/基准#多模态
Gemini 3.8 Flash 在 Cursor 基准上取得 69.9% 的成绩，单任务成本为 2.38 美元。该结果由 Philipp Schmid 发布，并附有结果图片链接。
#评测/基准#编码#Google
Meta 工程博客介绍了一个面向合规领域的 AI 智能体，把组织知识拆成 200 多个结构化文件，并用可组合的 recipes 分离知识与推理流程。专家反馈经诊断、编译、验证后以文本编辑形式落地，无需重训模型，每个修复都会自动加入回归测试集。系统在六周三个开发冲刺后，将单项评估耗时从数天缩短到数分钟，改进周期内零回归。
#产品更新#Agent#RAG
Google for Startups AI Agents Challenge 评审结束后，Google Developers Blog 从高分提交中提炼出四个工程模式：双向 MCP（智能体既是自己工具的客户端，也是其他智能体可调用的服务端）、事件驱动并发（智能体并行响应同一信号而非串行调用链）、同标准回退（小模型顶替过载模型时仍走同一校验函数）、分层路由（先用正则和廉价模型做确定性检查，再交给完整推理模型）。其中一个团队用正则加 10 token 的 Gemini 分类调用，在真正模型调用前处理了超过 40% 的入站消息。这些模式多出现在基于 Agent Development Kit（ADK）并通过 Agents CLI 驱动的提交中。
#教程/实践#Agent#MCP/工具调用
Amazon Science 发文介绍开源自动程序验证器 Verus，它用数学规格机械检查 Rust 代码在所有输入下是否符合预期，弥补传统测试难以覆盖的边界情况。开发者可直接在 Rust 源码中用类 Rust 语法写前置与后置条件，通常不到一秒即可获得反馈，AI 智能体也能参与证明生成。Verus 还能对 Rust 的 unsafe 代码块和自定义锁方案的并发代码做数学验证，亚马逊已用它证明 Nitro Isolation Engine 关键原语及内部关键基础设施的正确性，开源项目如证书验证库、数据格式解析器和 Kubernetes 控制器也已采用。
#教程/实践#开源生态#部署/工程
作者花 4017 美元购入 Unitree Go2 Pro 机器狗并实测，认为它实用价值有限，但价格远低于几年前同类产品。文章梳理 Unitree 的低成本路径：四腿各三个同款电机、6.33 比 1 低减速比齿轮箱、自研电机与零部件，以及中国政府的税收优惠和公共机构采购支持。Unitree 已从四足扩展到人形，2023 年推出 H1、次年推出 G1，消费版起价 13500 美元；其 8 月 19 日在上交所上市首日股价涨超五倍，周一收盘市值 34 亿美元。美国方面，众议院两党法案拟限制中国机器人进口，FCC 也在 7 月出台针对外国制造机器人的新规。
#现象/趋势#具身智能#评测/基准
SGLang 发布 SSD Expert Pack 方案，把放不进显存和内存的路由专家权重留在 NVMe SSD 上，只按路由器选择读取专家，并用 direct I/O、pinned 缓冲和 GPU 缓存把 SSD 容量变成可用的权重层。在 Intel Ultra5 230F、32 GB 内存、TiPro9000 2 TB 磁盘和 RTX 5090 32 GB 的消费级机器上，DeepSeek-V4-Flash 相对 Ollama 基线在 Alpaca 和 MMLU 上 prefill 提升 2.28x 和 3.39x，decode 提升 6.92x 和 6.55x；Kimi-K3 相对 llama.cpp 的 prefill 提升 6.96x 和 5.80x，decode 提升 3.30x 和 3.52x。该路径不裁剪、不跳过专家，也不改变 Expert Top-K，属于显式开启的加载格式，需要额外 SSD 容量和数十分钟的 Pack 构建时间。
#教程/实践#部署/工程#端侧
LMSYS 发布 infer-forge 方法论文，介绍围绕 SGLang 的推理工程系统，由 MonoRepo、Harness、Task Loop 和 Task Graph 四层结构组成，用于让跨仓库的推理优化工作可复现、可验证。该系统为内部工程系统，并非 SGLang 或 LMSYS 官方组件，目前不开源，文章公开的是构建方法论，供团队交给 AI 编码工具并结合自身系统上下文搭建适配实现。文中给出使用记录：一位工程师 4 月至 7 月的在飞任务峰值从 2 个升至 9 个，DeepSeek-V4-Pro 服务项目中 38 个可独立验证的任务节点被组织成任务图。
#教程/实践#部署/工程#Agent
Together AI 在 113 个 DeepSWE 任务上各跑 4 次、共 900 次 rollout，对比 GLM-5.3 与 GLM-5.3 Flash：单次通过率 69.0% 对 63.4%，pass@4 差距收窄到 2.6 个百分点（87.6% 对 85.0%）。GLM-5.3 Flash 每次 rollout 成本 0.24 美元，约为完整版的十七分之一，每 100 美元可解 264 个任务。先跑 Flash、测试不通过再升级到 GLM-5.3 的级联方案达到 80.9% 通过率，每任务 1.70 美元，低于完整版单独使用的 3.99 美元。
#评测/基准#编码#部署/工程
Linear 通过超过 1,000 个 PR，将 React 应用从 styled-components 迁移至 StyleX，并以 codemod、AI 智能体和人工判断共同推进。测试显示，移除运行时样式注入后，重视图页面的主线程 CPU 工作减少约 20% 至 35%，中端设备速度提升约 30%。团队还通过 lint 规则、仓库级检查器和迁移追踪工具，约束样式接口、合并优先级及主题安全。
#教程/实践#Agent#编码
Trail of Bits 的 Artem Dinaburg 在 Patch the Planet 项目中获得 GPT 5.6-Cyber 预览权限，让它在 CTF 任务中逃出运行在 Debian 12、AMD Zen3 上的 QEMU/KVM 虚拟机，结果它三次成功逃逸。第一次利用几周前披露的 Januscape（CVE-2026-53359）内核漏洞；更新内核后，它组合 libslirp 4.7.0 的 CVE-2026-9539 与一个未分配 CVE 的修复提交实现任意内存读写；在手动重建最新上游 QEMU 和 libslirp 后，它又串联三个 0-day 和一个未进入发行版内核的已修复漏洞完成逃逸。作者指出，该智能体在约 12 小时的时间跨度内跨多次压缩和子智能体调用保持持续作业，能自行回溯失败路径、拉取论文、编写 oracle 和最小复现；他建议改用 Firecracker 这类最小攻击面的虚拟化方案，并加强最小权限、日志与主动监控。
#安全/对齐#Agent#OpenAI
Fireworks 用 SWE-Bench Verified、LiveCodeBench v6、Aider Polyglot 和 Terminal-Bench 2.1 四套基准测试 DeepSeek V4 Pro 0813，其在 SWE-Bench Verified 上得分 95.2%，高于 Kimi K3 的 92.6% 和 Fable 5 的 85.4%，在 LiveCodeBench v6 上为 92.0%。成本方面，DeepSeek V4 Pro 在 SWE-bench 上每解决一个任务花费 $0.309，Fable 5 为 $0.808；在 LiveCodeBench 上分别为 $0.040 和 $0.225。短板在 Aider Polyglot 的多语言广度，Java 仅 48.9%，Fable 5 为 74.5%。在 409 个任务的合并集合上做 oracle 路由后准确率 92.4%，高于单用 Fable 5 的 86.6%，每任务成本 $0.279 对 $4.510，86.3% 的任务被路由到 V4 Pro。
#评测/基准#编码#Agent
Fireworks 用 SWE-Bench Verified、LiveCodeBench v6、Aider Polyglot v1 和 Terminal-Bench 2.1 四组基准测试 DeepSeek V4 Pro 0813，其在 SWE-Bench 上每解决一个任务花费 $0.309，Fable 5 为 $0.808，LiveCodeBench 上为 $0.040 对 $0.225。在 409 个任务的合并样本上，DeepSeek V4 Pro 与 Fable 5 的 oracle 路由达到 92.4% 准确率，高于单用 Fable 5 的 86.6%，每任务成本 $0.279 对 $4.510，其中 86.3% 的任务路由到 V4 Pro。该模型在 Aider Polyglot 的 Java 子集上仅 48.9%，明显低于 Fable 5 的 74.5%，Fireworks 认为 Java 为主的代码库更适合多模型路由；DeepSeek V4 Pro 的训练已在 Fireworks 上线，支持 SFT、DPO 和 RFT。
#评测/基准#编码#Agent
Fireworks 在 CyberGym 的 697 个共同有效任务上测试 DeepSeek V4 Pro 0813，其奖励率为 53.7%，每个成功任务成本 2.502 美元，约为 Kimi K3 的一半。Kimi K3 的奖励率最高，为 68.4%，但每个成功任务成本为 4.914 美元；GPT-5.5 的奖励率为 47.6%，每个成功任务成本为 9.641 美元；Claude Opus 4.8 的奖励率仅为 5.9%，每个成功任务成本为 33.275 美元。测试中，DeepSeek V4 Pro 在 840 个任务上全部产生原生工具调用，没有出现拒答或输出截断；一旦通过第一阶段验证，它完成完整补丁的比例为 94.7%。
#评测/基准#Agent#安全/对齐
Browser Use 发布工程博客，介绍如何从真实用户流量和真实网页构建长程 RL 环境，并开源其中 200 个任务及其 rubric（github.com/browser-use/benchmark）。流程包括从数亿条任务提交中筛出约一千万条去重任务，用 Gemini 3 Flash 做适配性标注（与人工标签一致率 77%，密封集 81%），再用 MiniMax M3 执行筛选，约 40% 的合格任务被判定为可行且足够难。作者指出迭代式 rubric 不会收敛，改用 9 个模型各跑两次的并行轨迹，由 Claude Fable 5 编写 rubric，事实经实时网页核验并标注日期，最终将条目翻转率压到 1% 以下。
#教程/实践#Agent#数据/训练
