1. 微软 MAI-Thinking-1：自研推理模型的里程碑#

微软在 Build 2026 上发布了中等规模的推理模型 MAI-Thinking-1。其核心亮点是 完全从头训练，未蒸馏任何第三方模型，在关键软件工程基准上达到领先水平。这标志着微软在摆脱对 OpenAI 依赖、构建独立 AI 能力的道路上迈出关键一步。

2. Holo3.1：高性价比的本地智能体#

Holo3.1 基于 Qwen 家族，提供从 0.8B 到 35B-A3B 四种尺寸，甚至包含量化版本。它在 AndroidWorld 基准上从 67% 跃升至 79.3%，量化后吞吐量提升 1.74 倍。对于需要本地运行、低成本部署的开发者，这是一个值得关注的选项。

3. 阶跃星辰 Step 3.7 Flash：极致性价比的 MoE#

196B 参数的 MoE 模型，亮点在于 KV-cache 成本仅为 DeepSeek 的 22%，且采用 Apache 2.0 许可。这种极致的成本控制策略，可能会让它在推理部署场景中具有很强的竞争力。

4. Claude Code 动态工作流：打破单屏天花板#

传统智能体在长任务中容易“注意力涣散”（智能惰性）。Claude Code 的新功能允许模型 在运行时即兴创建和协调多智能体框架。这意味着它可以动态拆分任务、委托给不同“子智能体”，然后合并结果。对于安全分析、多文件代码审查这类任务，这可能会显著提升完成质量。

5. OpenAI Codex SDK：一键嵌入编程+生图 Agent#

pip install openai-codex 即可将 Codex 的能力嵌入应用。它内置了顶尖编程和图像生成 Agent，并能复用登录态。对于想快速为自己的应用添加 AI 开发能力的团队，这是一个低门槛的选项。

6. 工具化浪潮：从 Copilot 到 Fabric#

• GitHub Copilot 应用：Build 2026 上发布的“智能体原生桌面体验”，核心目标是让 AI 适配用户的操作习惯。
• Runway Aleph 2.0：支持在多镜头序列中编辑最长 30 秒的 1080p 视频，只修改指定部分，视频后期进入“精确对话”阶段。
• Google DeepMind 科学智能体工具包：专门加速科学发现的工作流，专注于高 token 效率。

7. Alphabet 欲融资 800 亿美元；Anthropic 提交 IPO#

这两条消息放在一起非常有冲击力。Alphabet 融资主要用于扩展 AI 基础设施，显示巨头对算力军备竞赛尚未止步。而 Anthropic 在上市竞赛中领先 OpenAI，已秘密提交 IPO 申请。一个在融资，一个要上市，AI 行业对资本的需求到达了新的高度。

8. Anthropic Project Glasswing 扩展 + 支持 AI 行政令#

Anthropic 将其关键基础设施保护计划（Project Glasswing）扩展到约 150 个新组织，覆盖电力、医疗、通信行业，并推出 Claude Security 产品。同时，它公开支持美国 AI 行政令的实施。这表明头部 AI 公司正在从“技术输出”转向“安全与治理方案输出”。

9. Nathan Lambert 离开 Ai2#

主导了 OLMO 和 Tulu 等重磅开源模型的 Nathan Lambert 宣布离开 Ai2。开源社区失去了一位重要的贡献者，但他表示未来将继续深耕开放科学。

10. Anthropic 可解释性新方法：TWERA#

Anthropic 的 Transformer Circuits 团队提出了 TWERA（虚拟权重） 方法。它通过分析下游连接来预测某个特征的实际因果影响，从而区分“看似相关但实为干扰”的特征。这为识别模型内部真正的因果组件提供了新工具。

11. 微软 Aurora：天气预报速度超传统超算数千倍#

Aurora 模型在天气预报领域实现了数量级的加速。当大模型可以模拟超算级别的物理预测时，它对科学研究范式的颠覆才刚刚开始。

12. 用 Codex 做电脑清理，省了 120 刀#

一位开发者用 Codex 分析磁盘，构建了一套跨平台 AI 清理 skill，三色分级展示可清理项，实测释放近 120G 空间。这展示了智能体在系统运维和日常工具开发中的潜力。

13. Karpathy 的学习方法论 + 开放模型生态#

• Karpathy 分享的学习方法在圈内引起热议，核心强调“理解原理而非死记参数”。
• 开放模型生态 方面，OpenRouter 数据显示开放权重模型贡献了 69.1% 的 token 使用量，闭源仅占 30.9%。DeepSeek 之后，MiniMax、Qwen 等正在接棒，竞争格局持续变化。

14. Gary Marcus 的警示#

他在文章中探讨了 AI 发展面临的根本性挑战，认为数学理论的局限性与人类心理复杂性是未来风险的根源。在一片狂热中，这种冷静的审视值得参考。