每日 Harness 开源 · Source
全部刊期 · All issues

每日 Harness

2026-09-24 · Thursday, September 24, 2026

智能体迈向可控高效工程化

视图 · View

今日重点 · Today's Highlights

[AutoGym: Blueprint-First Generation of Verifiable Agent Gyms](https://arxiv.org/abs/2609.22592)[^1] - 把任务、可执行环境和 verifier 从同一份蓝图生成，并用主动课程随模型能力调整难度；它把“可解性”前置为构造约束，正面回应合成 benchmark 只改措辞、不改难度的问题。

全文 ↓

[AgentRouter: Heterogeneous Model Routing for Cost-Optimal Multi-Step Agentic Workflows](https://arxiv.org/abs/2609.22951)[^2] - 用 12M 参数、<5ms/步的分类器在四档模型间路由轨迹子任务；50,000 步训练后，成本降 72% 而保留 97.3% frontier 质量，说明逐步路由比单轮选择更贴近 agent 的真实成本结构。

全文 ↓

[Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents](https://arxiv.org/abs/2609.23986)[^3] - 让轻量控制面承担记忆类型、图遍历和停止决策，把大模型推理留给复杂综合；LoCoMo 上得分 0.777、构建加速 6.6 倍，显示记忆系统可以从“每次都生成”转为“先控制、后推理”。

全文 ↓

[Toollery: Scaling LLM Agents to Thousands of Skills and Tools](https://arxiv.org/abs/2609.22218)[^4] - 以工具说明生成意图查询，再把数万候选压到固定 top-k；在约 79K 能力库和 3,396 个座舱请求上保持可控上下文，工程重点是候选集管理而非再训练一个更大的选择模型。

全文 ↓

[AgentRun](https://github.com/Parcha-ai/agentrun)[^5] - 将工具调用、代码节点、Jev 判断、并行和升级路径写进可检查、可复跑的 DSL；它把 agent 从一次性 prompt 变成宿主可控制预算和权限的工作流文档。

全文 ↓

论文 · Papers

15 项 · 论文

Agreement Overstates Evidence: Error Dependence in LLM Judge Consensus6arxiv.org原文 ↗

arxiv.org

论文检验多数 LLM judge 是否真的提供独立证据，发现十个评审的平均错误相关为 0.21，统计信息量约等于 3.5 个独立评审。在最多 28% 的比较中，忽略共享失误会把“不显著”误判成显著优越；作者因此主张先用可信样本估计错误结构，再决定投票方法。

–

本期重点AutoGym: Blueprint-First Generation of Verifiable Agent Gyms1arxiv.org原文 ↗

arxiv.org

AutoGym 先定义有效解空间、环境要求和验证标准，再实例化完整训练场，并通过显式参数操控任务拓扑、交互深度和干扰项。主动课程会随模型能力重配参数分布，使生产力与时间推理任务持续覆盖能力谱，而不是一次生成后难度停滞。

–

MAWILE: Multi-Axis Workbench for Inspecting LLM Evaluators7arxiv.org原文 ↗

arxiv.org

MAWILE 对 judge prompt、rubric、被评输入和输出做受控扰动，明确标记 verdict 应不变还是应改变，从而把“评审敏感性”变成可定位的测试面。它支持二值、序数和 pairwise judge，且不依赖 gold label，适合审计已经上线的评测配置。

–

CraftBench-UE: Deterministic Evaluation for Coding Agents in Unreal Engine9arxiv.org原文 ↗

arxiv.org

CraftBench-UE 在新建 Unreal 项目中重放 agent 提交，用构建、资产和运行时断言做确定性验收，覆盖 70 个 C++/Blueprint/编辑器脚本任务。相同玩法的十个配对任务里，C++ 完成率高出 Blueprint 30.0 和 42.9 个百分点；即便 Blueprint 资产检查通过，仍有 42.2%/50.0% 的提交在运行时失败，揭示“看起来完成”与可玩之间的落差。

–

Do Not Trust the Benchmark: Limitations of General LLM Rankings and a Case for Task-Specific Evaluation10arxiv.org原文 ↗

arxiv.org

这篇立场论文把通用排名的失真归因到配置不透明、商业依赖、饱和与污染、迎合计分规则以及任务不相关，而不是简单归咎模型波动。它要求同时披露成本、时间、成功完成和泛化范围；Isotanta 的众包设计也被用来说明重复采样只能稳定估计，不能替代效度验证。

–

WorkWorlds: An Infrastructure for Evaluating AI Agents on Workplace Tasks12arxiv.org原文 ↗

arxiv.org

WorkWorlds 先固定组织版本、日期和员工席位，再把任务放进角色可见的完整环境，避免任务编写者顺手泄露检索路径。192 次评估中，证据获取率从任务精选上下文的 90.4% 降到 74.5%，标准通过率从 79.4% 降到 68.2%；主要损失发生在找到证据之前，说明 workplace agent 的瓶颈首先是定位信息。

–

本期重点Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents3arxiv.org原文 ↗

arxiv.org

Jev-Mem 让 System-One 控制面负责记忆类型、关系组织、查询路由和自适应停止，System-Two 只处理复杂推理与答案综合。LoCoMo 得分 0.777、记忆构建 158 秒、查询延迟 0.93 秒，效率提升来自减少生成式控制，而不是牺牲检索结构。

–

EDGEGEN: Improving Tool-Calling Agents Beyond Happy Paths with Synthetic Edge Case Generation13arxiv.org原文 ↗

arxiv.org

EDGEGEN 从规范中抽取合规规则，利用数据库状态合成故意触发边界条件的任务，形成自动生成、微调和 harness 优化闭环。tau2bench airline 上微调带来 2%-42% 的平均进步；对 Gemma-4-e4b 做 harness 优化时，比人工 harness 高 10%、比基础版本高 30%，具体收益来自覆盖“违规状态”而非堆更多正常样例。

–

Self-Healing Harness for Runtime Oversight of Agent Self-Modification14arxiv.org原文 ↗

arxiv.org

该 harness 让 agent 先在外部工作区提出行为规则，经过 Detect-Notice-Heal-Validate 和回放/前向试验后才决定持久化。16 对运行中拒绝了 383 个提案，其中 211 个虽修复触发失败却破坏原有通过案例；所有配对的任务完成分数都提高，说明“允许自我修复”必须和独立准入门绑定。

–

When and How Should an Agent Clarify? CIGAsk: Teaching LLMs to Clarify via Counterfactual Information Gain15arxiv.org原文 ↗

arxiv.org

CIGAsk 用 counterfactual information gain 奖励真正消除歧义的回答，再用带符号的 ambiguity bonus 训练模型判断是否应该提问。7B 模型在表格、段落和开放域三个澄清基准超过更大外部基线，还能跨数据集迁移；贡献点在于把“时机”和“问题质量”作为同一条 RL 回路学习。

–

本期重点Toollery: Scaling LLM Agents to Thousands of Skills and Tools4arxiv.org原文 ↗

arxiv.org

Toollery 为每个技能说明生成意图查询，再将用户请求压缩到固定 top-k 候选，最终选择仍由 LLM 完成。它在约 79K 能力的 SkillRouter、440+ 工具的 BFCL-V4 和智能座舱数据上提升召回，质量收益取决于工作负载覆盖与 provider cache，而不是无条件随库规模增长。

–

MM-ContextFold: Context Folding for Multimodal Agentic Retrieval16arxiv.org原文 ↗

arxiv.org

对约 10,000 条轨迹的分析显示，视觉线索被工具转成文字后继续保留原图反而提高输出熵。MM-ContextFold 用文本主上下文加临时图像分支，完成子任务后只回写摘要并丢弃分支；七个基准上平均准确率提高 6.3 个百分点，工作上下文缩短 27.5%。

–

开源 / 项目 · Projects

12 项 · 开源 / 项目

本期重点AgentRun5github.com原文 ↗

github.com

AgentRun DSL 把工具、代码、Jev judge 和 agent 节点写成可检查的工作流图，解释器在运行时校验中间状态路径。它支持嵌套、并行 map 和有界循环，宿主继续掌控权限、预算与模型；README 的 support demo 甚至能在没有 API key 的脚本响应上复现升级路径。

–

Lifeboat17github.com原文 ↗

github.com

Lifeboat 把自有机器上的开放权重模型放到 OpenAI/Anthropic 兼容 API 后面，附带负载均衡、Web 控制台和本地网络边界。桌面版按平台使用 Metal/MLX 或 Vulkan，仓库只发布安装包和 Kubernetes/Docker 说明，源码不公开；因此它更像可部署运行时发行版，而不是可审计的推理引擎。

–

rubric-attest18github.com原文 ↗

github.com

项目把 agent 决策变成链式 SHA3-256/JCS 承诺，使用 Merkle proof、跨区域 ML-DSA-65 阈值签名并锚定 Hedera；写入免费、验证一次 0.10 美元。当前三处签名节点都由 Rubric 运营，阈值解决密钥泄露风险，却尚未解决单一运营机构的信任集中。

–

Jotter19github.com原文 ↗

github.com

Jotter 录制 mic/system 双轨并本地实时转写，CLI 的 `--json`、cursor 和稳定 error kind 让旁边的 agent 能增量读取会议上下文。离线收尾会替换 live draft，Parakeet TDT 0.6b v2 模型约 675MB；它选择 Apple Silicon macOS 与 PipeWire Linux，且明确暂不做跨会议语义搜索。

–

Reflex20github.com原文 ↗

github.com

Reflex 的优化目标是冷启动到首 token，而不是长时间吞吐；CUDA kernel 在构建期由 nvcc 预编译进二进制，绕开 NVRTC 首次 JIT 的多秒延迟。这个取舍适合短决策循环，但运行依赖 NVIDIA GPU/CUDA，项目也提供跳过 CUDA 的编辑检查路径而不承诺无 GPU 执行。

–

Psychosis Guard21github.com原文 ↗

github.com

该中间件把安全判断从单轮内容过滤提升到整段轨迹，累计风险达到阈值时进行渐进式干预，可作为 HTTP proxy 或 Python 库接在多种模型服务前。README 的 preliminary psychosis-bench（n=16）中，安全干预比例由 15% 提至 87%，但样本很小，指标仍应视为早期信号而非临床验证。

–

Ox22openox.ai原文 ↗

openox.ai

Ox 定位为本地开源网络 agent，能代用户操作网站和应用，并把成功的操作沉淀为可复用动作。产品重点因此落在“已有登录态的执行”和“动作复用”两端，而不是单次网页问答。

–

Sanemark23github.com原文 ↗

github.com

Sanemark 是为笔记优化的 Markdown LSP，把内联 URL 转成引用式链接，同时保留 go-to-definition 和复制时的展开动作。跨全文解析引用定义让摘录保持自包含，CLI 与编辑器插件共享同一套格式化逻辑，解决的是长期维护笔记的可读性而非渲染预览。

–

Tenderness24github.com原文 ↗

github.com

Tenderness 直接用 Cairo/Pango 生成布局已知的图片、SVG、PDF 或 NumPy 文档，Text/Image/TableBlock 通过轻量 flexbox 组合。它输出字符、行、块级精确 bounding box，省掉 OCR 与人工标注，适合作为 VLM 布局理解的结构化合成数据源。

–

PCBClaw25github.com原文 ↗

github.com

PCBClaw 把自然语言硬件需求变成可编辑 KiCad 工程，调用 ERC/DRC、导出和元件可用性检查，再比较 JLCPCB Economic PCBA 报价。Python 辅助脚本坚持标准库离线可跑，但制造商网页研究仍需授权浏览器；项目明确工程 review 与打样不能被 agent 取代。

–

Ax26useax.dev原文 ↗

useax.dev

Ax 提供本地 Claude、Codex、OpenCode agent 之间的通信层，使它们可以互相发送任务，重点是让不同 agent 共享本地协作通道。

–

Karada.ai27karada.ai原文 ↗

karada.ai

Karada 把 OpenAPI 编译为 MCP，并以 `karada_agent` 这一 meta-tool 在服务端发现和执行，避免客户端携带大量原始 schema。页面示例给出 OAuth PKCE、加密凭据、限流、语义缓存（94% 命中）和 84ms 热重载；核心工程选择是把上下文和凭据复杂度移到 gateway。

–

行业动态 · Industry News

10 项 · 行业动态

Gemini 3.8 text-to-speech29blog.google原文 ↗

blog.google

Google 发布 Gemini 3.8 Flash TTS 与 Flash Lite TTS，并加入自定义声音能力。信息重点在模型档位与 voice 定制入口，具体延迟、语种和价格仍需结合产品文档判断。

–

GPT-6 Astra has gained the ability to drive a car30drivingbench.com原文 ↗

drivingbench.com

DrivingBench 用驾驶任务展示 GPT-6 Astra 的能力。该条的可验证内容是 benchmark 展示本身；在没有公开道路、指标和安全对照的情况下，不能把演示直接等同于可部署驾驶系统。

–

Strands Harness31strandsagents.com原文 ↗

strandsagents.com

Strands 发布 Apache 2.0 的完整 agent harness，可在多家云/本地模型间切换，并内置工具结果截断、85% 上下文触发压缩和 overflow recovery。官方在六个 benchmark 宣称同模型成本低 28%，另称 Fable 5 上比 Claude Code 低 77%；这些数字的解释关键在上下文管理默认值，而不只是模型选择。

–

Stripe's Knowledge AI Platform32stripe.dev原文 ↗

stripe.dev

Stripe 介绍把企业知识接入 AI 工作流的 Knowledge AI Platform，文章定位为工程/AI 基础设施。它代表支付公司把内部知识治理与 agent 工作流放到同一平台叙事中，具体组件和规模以其后续开发者文档为准。

–

Offloaded inference for real-world physical AI robotics33microsoft.com原文 ↗

microsoft.com

Microsoft 的测量研究显示，小型机载 GPU 让规划慢最多 383%、导航及时检测降 30%、VLA 准确率降 50%；将推理卸载到边缘/云端则提高任务成功和电池寿命，Stretch-3 的续航提升超过 100%。配套 Kubernetes 工具把机器人、边缘和云 GPU 视为一个可调度的推理平面，代价是网络延迟与带宽成为新约束。

–

Ringg’s AI agents resolve up to 65% of customer calls with OpenAI34openai.com原文 ↗

openai.com

Ringg 每月处理 700 万+ 接通电话，agent 最高解决 65% 请求，平均 CSAT 4.8；其编排层把 CRM、支付和排班工具串进语音/聊天流程。把部分 GPT-4.1 实时负载切到 GPT-5.6 后成本约降 90%，并按任务让 Luna、Terra、Sol 分工，展示的是模型路由与运营评测的组合，而非单模型魔法。

–

Harvey turns legal context into stronger drafts with GPT-6 Astra35openai.com原文 ↗

openai.com

Harvey 把法院信息、律所文件、判例研究和律师偏好一起送入 Astra，强调更完整的格式和上下文保持。memory panel 能固定编号列表、来源优先级或颜色标注等偏好，但页面没有提供准确率基线，主要证据仍是工作流层面的结构化改善。

–

Airbnb widens access to GPT-6 Astra and OpenAI frontier models36openai.com原文 ↗

openai.com

Airbnb 通过 API 与 Bedrock 扩大工程团队对 Astra 等模型的访问，并把 Codex/远程 agent 延伸到搜索、反欺诈、客服和理赔。公司案例称某项非编码工作 3-4 轮即可产出、过去需 20+ 轮，CTO 还报告功能交付比一年前高约 80%；这些是企业自报效率指标，适合作为采用信号而非因果实验。

–

How invideo improves color grading 3x with GPT-6 Astra37openai.com原文 ↗

openai.com

Invideo 的 agent 用 Astra 规划时间线、选择调色路径并保持可编辑效果，官方称色彩校正成功率提高约 3 倍、一天生成约 50 个自定义效果。案例的技术含量在于模型要隔离并追踪人物后再改背景色，而不是单纯生成滤镜；编辑者仍保留最终剪辑控制。

–

博客文章 · Blog Posts

11 项 · 博客文章

Gemini 3.8 TTS Playground38simonwillison.net原文 ↗

simonwillison.net

Simon Willison 发布允许自带 API key 的 Gemini TTS 试用界面，把模型试玩变成可复现的个人工具。它的价值在于降低密钥和调用配置门槛，适合快速比较声音输出，而不是另一套托管 API。

–

Shadow roots, explained with live examples39simonwillison.net原文 ↗

simonwillison.net

文章用实时交互例子讲清 CSS shadow roots 的封装边界、样式隔离和嵌套影响。相较只读规范，操作式演示把“为什么外部选择器不生效”变成可观察实验，适合排查组件样式问题。

–

Claude Opus 5.5, GPT-6 Sol, GPT-6 Luna, and a new price war40simonwillison.net原文 ↗

simonwillison.net

文章把新模型价格表和亲自运行的 SVG 测试放在一起：GPT-6 Luna 为 $0.10/$0.50 每百万输入/输出 token，Opus 5.5 为 $4/$20；Opus 5.5 的 max 思考在 128k 输出上限前耗尽，单次约花 $2.56。价格下探与过度思考并列，说明单位 token 便宜并不自动意味着任务成本可预测。

–

llm 0.3641simonwillison.net原文 ↗

simonwillison.net

llm 0.36 加入 GPT-6 Sol/Luna，插件可声明模型不支持 conversation，CLI 会在带历史前直接拒绝；Markdown 日志则折叠 reasoning trace。这个小版本把模型能力差异落实成接口契约，避免把单轮 decision model 当作普通聊天模型使用。

–

llm-anthropic 0.2942simonwillison.net原文 ↗

simonwillison.net

插件新增 `claude-opus-5.5`，使 Claude 新模型在发布当天即可通过 LLM CLI 和脚本调用。变化很窄，却展示了开源适配层如何把模型发布延迟压缩到一次版本更新。

–

Why Omarchy Exists43mikael.pika.page原文 ↗

mikael.pika.page

作者从项目目标和设计取舍解释 Omarchy 为何存在，重点是把产品边界说清而非罗列功能。对读者而言，价值在于看到一个系统如何用明确的优先级约束后续实现，而不是把所有能力都纳入默认方案。

–

Jev in 25 Lines of Python44nobodywho.ai原文 ↗

nobodywho.ai

这篇短文用约 25 行 Python 展示 Jev 的最小调用与决策形态，适合把“System One/decision model”从概念压缩成可运行接口。它没有试图替代完整框架，反而让控制面与生成式回答的边界更直观。

–

SAML: A fractal of bad design45blog.trailofbits.com原文 ↗

blog.trailofbits.com

Trail of Bits 从协议、实现到部署生态追踪 SAML 复杂性如何递归放大，批评对象是设计与周边约束共同形成的维护负担。文章适合作为安全工程视角的协议审查案例：问题往往不在单个字段，而在层层兼容性叠加。

–

Tokens Too Cheap to Meter46jyn.dev原文 ↗

jyn.dev

文章讨论 token 价格持续下降后，按 token 计量是否仍是合理产品边界，以及固定订阅、任务定价等方式会怎样变化。核心判断是成本曲线会反过来塑造 API 设计和用户预期，而不只是让账单变小。

–

Why didn't anybody tell me about Redis hash slots?47blog.verygoodsoftwarenotvirus.dev原文 ↗

blog.verygoodsoftwarenotvirus.dev

文章通过实例解释 Redis Cluster 如何用 hash slot 把 key 映射到节点，以及客户端为何必须理解槽位迁移和路由。它补上了从单机 Redis 到集群部署之间常被忽略的心智模型，重点在分片机制而非命令清单。

–

The current balance of power in open models48interconnects.ai原文 ↗

interconnects.ai

Nathan Lambert 以国会证词梳理开放模型生态：文中称中国模型在 Hugging Face 下载总量领先美国约 32 亿对 16 亿，OpenRouter 使用份额超过 80%，AI 论文提及率约 38% 对美国 28%。他估计开放权重距闭源前沿约 2-5 个月，并指出开放能力扩张同时放大网络安全治理与跨境依赖问题。

–

引用来源 · References

55 条 · 引用
  1. 1 AutoGym: Blueprint-First Generation of Verifiable Agent Gyms. arXiv:2609.22592https://arxiv.org/abs/2609.22592 ↩ 回到正文 · back to text
  2. 2 AgentRouter: Heterogeneous Model Routing for Cost-Optimal Multi-Step Agentic Workflows. arXiv:2609.22951https://arxiv.org/abs/2609.22951 ↩ 回到正文 · back to text
  3. 3 Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents. arXiv:2609.23986https://arxiv.org/abs/2609.23986 ↩ 回到正文 · back to text
  4. 4 Toollery: Scaling LLM Agents to Thousands of Skills and Tools. arXiv:2609.22218https://arxiv.org/abs/2609.22218 ↩ 回到正文 · back to text
  5. 5 AgentRunhttps://github.com/Parcha-ai/agentrun ↩ 回到正文 · back to text
  6. 6 Agreement Overstates Evidence: Error Dependence in LLM Judge Consensus. arXiv:2609.22512https://arxiv.org/abs/2609.22512 ↩ 回到正文 · back to text
  7. 7 MAWILE: Multi-Axis Workbench for Inspecting LLM Evaluators. arXiv:2609.22599https://arxiv.org/abs/2609.22599 ↩ 回到正文 · back to text
  8. 8 LazyAgent: Demand-Driven Materialization and Physical Optimization of Agentic Programs. arXiv:2609.23058https://arxiv.org/abs/2609.23058 ↩ 回到正文 · back to text
  9. 9 CraftBench-UE: Deterministic Evaluation for Coding Agents in Unreal Engine. arXiv:2609.23142https://arxiv.org/abs/2609.23142 ↩ 回到正文 · back to text
  10. 10 Do Not Trust the Benchmark: Limitations of General LLM Rankings and a Case for Task-Specific Evaluation. arXiv:2609.23201https://arxiv.org/abs/2609.23201 ↩ 回到正文 · back to text
  11. 11 Total Cost of Agency: Exact Attribution of Memory Injection Cost in Multi-Agent LLM Workflows. arXiv:2609.23790https://arxiv.org/abs/2609.23790 ↩ 回到正文 · back to text
  12. 12 WorkWorlds: An Infrastructure for Evaluating AI Agents on Workplace Tasks. arXiv:2609.23806https://arxiv.org/abs/2609.23806 ↩ 回到正文 · back to text
  13. 13 EDGEGEN: Improving Tool-Calling Agents Beyond Happy Paths with Synthetic Edge Case Generation. arXiv:2609.24115https://arxiv.org/abs/2609.24115 ↩ 回到正文 · back to text
  14. 14 Self-Healing Harness for Runtime Oversight of Agent Self-Modification. arXiv:2609.24130https://arxiv.org/abs/2609.24130 ↩ 回到正文 · back to text
  15. 15 When and How Should an Agent Clarify? CIGAsk: Teaching LLMs to Clarify via Counterfactual Information Gain. arXiv:2609.24290https://arxiv.org/abs/2609.24290 ↩ 回到正文 · back to text
  16. 16 MM-ContextFold: Context Folding for Multimodal Agentic Retrieval. arXiv:2609.23121https://arxiv.org/abs/2609.23121 ↩ 回到正文 · back to text
  17. 17 Lifeboathttps://github.com/IterateAI/lifeboat-releases ↩ 回到正文 · back to text
  18. 18 rubric-attesthttps://github.com/0xsims/rubric-attest ↩ 回到正文 · back to text
  19. 19 Jotterhttps://github.com/nfishel48/Jotter ↩ 回到正文 · back to text
  20. 20 Reflexhttps://github.com/lateos-ai/reflex ↩ 回到正文 · back to text
  21. 21 Psychosis Guardhttps://github.com/nwjang/psychosis-guard ↩ 回到正文 · back to text
  22. 22 Oxhttps://openox.ai/ ↩ 回到正文 · back to text
  23. 23 Sanemarkhttps://github.com/nkitsaini/sanemark ↩ 回到正文 · back to text
  24. 24 Tendernesshttps://github.com/paperchase-labs/tenderness ↩ 回到正文 · back to text
  25. 25 PCBClawhttps://github.com/liseman/pcbclaw ↩ 回到正文 · back to text
  26. 26 Axhttps://useax.dev/ ↩ 回到正文 · back to text
  27. 27 Karada.aihttps://karada.ai ↩ 回到正文 · back to text
  28. 28 Claude discovers a novel enzyme system with CRISPR-like repeatshttps://www.anthropic.com/news/claude-discovers-novel-enzyme-system ↩ 回到正文 · back to text
  29. 29 Gemini 3.8 text-to-speechhttps://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/ ↩ 回到正文 · back to text
  30. 30 GPT-6 Astra has gained the ability to drive a carhttps://drivingbench.com/ ↩ 回到正文 · back to text
  31. 31 Strands Harnesshttps://strandsagents.com/blog/introducing-strands-harness/ ↩ 回到正文 · back to text
  32. 32 Stripe's Knowledge AI Platformhttps://stripe.dev/blog/meet-stripes-knowledge-ai-platform ↩ 回到正文 · back to text
  33. 33 Offloaded inference for real-world physical AI roboticshttps://www.microsoft.com/en-us/research/blog/offloaded-inference-for-real-world-physical-ai-robotics/ ↩ 回到正文 · back to text
  34. 34 Ringg’s AI agents resolve up to 65% of customer calls with OpenAIhttps://openai.com/index/ringg ↩ 回到正文 · back to text
  35. 35 Harvey turns legal context into stronger drafts with GPT-6 Astrahttps://openai.com/index/harvey-from-context-to-confidence-with-astra ↩ 回到正文 · back to text
  36. 36 Airbnb widens access to GPT-6 Astra and OpenAI frontier modelshttps://openai.com/index/airbnb-gpt-6-astra ↩ 回到正文 · back to text
  37. 37 How invideo improves color grading 3x with GPT-6 Astrahttps://openai.com/index/invideo-builds-with-gpt-6-astra ↩ 回到正文 · back to text
  38. 38 Gemini 3.8 TTS Playgroundhttps://simonwillison.net/2026/Sep/23/gemini-tts-playground/ ↩ 回到正文 · back to text
  39. 39 Shadow roots, explained with live exampleshttps://simonwillison.net/2026/Sep/23/shadow-roots/ ↩ 回到正文 · back to text
  40. 40 Claude Opus 5.5, GPT-6 Sol, GPT-6 Luna, and a new price warhttps://simonwillison.net/2026/Sep/22/opus-and-sol-and-luna/ ↩ 回到正文 · back to text
  41. 41 llm 0.36https://simonwillison.net/2026/Sep/22/llm/ ↩ 回到正文 · back to text
  42. 42 llm-anthropic 0.29https://simonwillison.net/2026/Sep/22/llm-anthropic/ ↩ 回到正文 · back to text
  43. 43 Why Omarchy Existshttps://mikael.pika.page/posts/why-omarchy-exists ↩ 回到正文 · back to text
  44. 44 Jev in 25 Lines of Pythonhttps://www.nobodywho.ai/posts/jev-in-25-lines/ ↩ 回到正文 · back to text
  45. 45 SAML: A fractal of bad designhttps://blog.trailofbits.com/2026/09/21/saml-a-fractal-of-bad-design/ ↩ 回到正文 · back to text
  46. 46 Tokens Too Cheap to Meterhttps://jyn.dev/tokens-too-cheap-to-meter/ ↩ 回到正文 · back to text
  47. 47 Why didn't anybody tell me about Redis hash slots?https://blog.verygoodsoftwarenotvirus.dev/posts/2026/09/23/why-didnt-anybody-tell-me-about-hash-slots/ ↩ 回到正文 · back to text
  48. 48 The current balance of power in open modelshttps://www.interconnects.ai/p/the-current-balance-of-power-in-open ↩ 回到正文 · back to text
  49. 49 TencentCloud/Octophttps://github.com/TencentCloud/Octop ↩ 回到正文 · back to text
  50. 50 Tencent/BrowserSkillhttps://github.com/Tencent/BrowserSkill ↩ 回到正文 · back to text
  51. 51 hydra-db/hydradbhttps://github.com/hydra-db/hydradb ↩ 回到正文 · back to text
  52. 52 huggingface/tokenizershttps://github.com/huggingface/tokenizers ↩ 回到正文 · back to text
  53. 53 superdesigndev/treghttps://github.com/superdesigndev/treg ↩ 回到正文 · back to text
  54. 54 dream-num/univerhttps://github.com/dream-num/univer ↩ 回到正文 · back to text
  55. 55 google/axhttps://github.com/google/ax ↩ 回到正文 · back to text