OpenAI发布GPT-6.1 Terra，主打视觉推理与电脑操作OpenAI公布Kakeya猜想等三项数学难题模型结果OpenAI统计近100国165种工作场景的ChatGPT用法Greptile用GPT-6 Astra把Bug检测扩展到代码审查之外CodeRabbit用GPT-6.1 Sol排查复杂代码库安全风险Fanatics用OpenAI做球衣搭配，3万件MLB商品测试互动率涨10%SPECMEM：用实时记忆管理加速Agent工具调用Muon优化器何时起作用？梯度噪声结构决定预条件收益LLM置信度估计不用额外训练，RL critic已经会了代理犯错后总忘？自我定向修复让教训跨会话留存基准测试意外适合压缩？长任务agent的上下文压缩损耗被高估RSI-Opt：让LLM代理在训练中自我改进优化器设置Scale AI的AgentEnv评测框架可在Vercel Sandbox运行webframe实测：把网页当程序跑的抓取与沙箱工具Vercel Observability上线自定义监控告警Vercel Agent可在告警进入呼叫系统前先做验证Vercel Sandbox支持stdin输入，可向运行中命令发送数据Vercel Connect支持命令行搜索1000+服务Replit谈“自动驾驶公司”：AI把公司协调成本压向零大厂客服失联，用户转投ChatGPT求助OpenAI发布GPT-6.1 Terra，主打视觉推理与电脑操作

OpenAI公布了模型在Kakeya猜想、指数时间假说（ETH）和量子色动力学三个课题上的结果，并说明研究人员如何验证和在此基础上继续推进。这是OpenAI与学术社区合作的一部分，重点在于让科学家能复现和检验模型输出，而不是只发布结论。对数学和物理研究者来说，这意味着可以把模型当作探索工具，但仍需自行验证每一步推导。

OpenAI发布Signals数据，覆盖近100个国家的165种工作活动，展示人们如何在工作中使用ChatGPT以及使用方式随时间的变化。数据颗粒度到具体工作活动而非行业大类，可用于观察哪些任务最先被AI介入。对企业和研究者来说，这是了解实际使用分布而非意愿调查的一手材料。

Greptile正在把缺陷检测从代码审查延伸到实际用户流程测试。根据OpenAI公布的信息，Greptile使用GPT-6 Astra测试用户工作流，用Daybreak加强安全性，并用Codex减少返工。三款模型分工明确：一个负责模拟和验证真实使用路径，一个负责安全审查，一个负责降低修改成本。这说明代码质量工具正从静态检查转向对运行时行为的验证。

CodeRabbit使用GPT-6.1 Sol在复杂代码库中调查安全风险，其安全代理帮助开发者审查发现的问题和修复建议。这意味着代码审查工具正从风格检查延伸到安全漏洞的定位与解释，开发者拿到的不只是告警，还有可供判断的修复方案。具体漏报率和误报率数据未在公告中披露。

Fanatics借助OpenAI推出Shop the Look功能，帮球迷完成比赛日穿搭。在约3万件MLB商品上的测试显示，用户互动率提升了10%。这项功能把商品浏览变成搭配推荐，球迷不用自己逐件挑选就能凑齐一套。对电商平台来说，这是把大模型直接接进商品推荐链路的一个落地样本，效果用互动率而非转化率衡量。

工具调用型Agent通常以准确率为优化目标，但落地时真正的成本在延迟：每次工具调用都要自回归解码。论文提出SPECMEM，用推测解码在不改变输出的前提下加速，并通过检索历史调用来提升草稿质量。这套思路把“记忆”放进解码环节，而不是只用于上下文拼接。对部署高频工具调用Agent的团队，延迟是直接影响用户体验和成本的关键指标。

Muon已成为大语言模型训练中流行的优化器，但其理论基础仍不清楚。这项研究从梯度噪声的几何结构入手，从理论和实验两方面分析Muon的预条件收益从何而来。结论指向噪声的结构性：当梯度噪声具备特定结构时，预条件才带来明显好处。对训练大模型的团队来说，这提供了判断何时该用Muon、何时收益有限的依据。论文为arXiv预印本。

可靠的置信度估计是LLM可信部署的前提，但专门训练置信度模块需要额外数据和算力。这篇论文提出一个问题：置信度到底对应哪个预测问题，并发现强化学习中的critic网络已经隐含了可用的置信度信号，无需单独的置信度训练阶段。如果成立，团队可以直接复用RL训练中已有的critic，省掉一轮数据和算力开销，同时给输出配上可用的置信度分数。

当前智能代理从错误中恢复只是暂时的：上下文内的反思在跨会话时容易被遗忘，还要和有限的上下文窗口争空间。这项研究提出自我定向修复方法，把代理犯过的错误转化为可长期保留的经验，让智能体在后续任务中不再重蹈覆辙。对需要长期运行的代理系统来说，这解决的是"同一个坑反复踩"的问题。论文为arXiv预印本。

长周期agent任务正把LLM agent推过上下文窗口上限，agent框架必须腾出上下文空间，这一过程叫上下文压缩（context compaction）。压缩按设计通常是有损的，agent可能悄悄丢掉关键信息。这篇论文考察了基准测试在压缩下的表现，发现基准测试对压缩的容忍度出乎意料地高。这提示现有评测可能低估了压缩的实际风险，也说明用基准分数判断长任务agent的可靠性存在盲区。

传统神经网络训练依赖预设的优化配方，RSI-Opt提出用LLM代理监控训练动态并随训练进程调整优化器设置。论文指出固定策略的代理无法积累经验，因此引入递归自我改进机制，让代理从自身调整历史中学习。该方法的目标是减少人工调参，让训练过程根据实际动态自适应。目前结果来自arXiv预印本，尚未经过同行评审。

Scale AI用于测试Agent任务执行并打分的框架AgentEnv现已支持Vercel Sandbox。Vercel provider从AgentEnv 0.9.1334及之后版本提供，Agent与其任务环境分别跑在独立的Sandbox中。这种隔离方式让评测环境更接近真实部署，也避免任务之间互相干扰。开发者可以直接用官方示例在Vercel上跑一次评测。

webframe是Jeff Lindsay的一个小项目，思路是"把网页当程序运行"：给它一个URL或文件，它在隐藏的无头浏览器视图中执行，把console.log()输出到标准输出，异常也会一并抛出。Simon Willison从抓取器和沙箱两个角度做了评测。对需要从动态网页提取结构化数据的开发者来说，这种把页面执行结果直接输出的方式比传统解析HTML更直接，但沙箱隔离效果需要仔细评估。

Vercel Observability现在支持创建自定义监控器，基于查询结果触发告警。可追踪的信号包括AI Gateway成本、Core Web Vitals等性能指标、Workflow和外部API失败率，以及Vercel Sandbox的CPU时间。每个监控器跟踪单一信号，开发者可以据此在成本或性能异常时及时收到通知，而不必等用户报障。

Vercel Agent现在可以在告警进入呼叫系统之前先做调查。为某个webhook目标启用验证后，只有被Agent判定为Critical的告警才会发送过去。启用方式是在监控器的通知设置中创建或关联一个webhook目标。对值班工程师来说，这能过滤掉噪音告警，减少半夜被非关键问题叫醒的情况。

Vercel Sandbox现在支持通过标准输入（stdin）向运行中的命令发送数据。开发者可以用它和stdio类MCP服务器（如agent-browser）交换消息，或在命令行程序运行期间向其传入数据。在TypeScript SDK中，调用runCommand()时设置stdin: true和detached: true即可启用。这意味着依赖交互式输入的AI agent工具链可以直接跑在Sandbox里，不用再绕开或改造原有程序。

Vercel在Connect中上线命令行发现功能，开发者与AI代理无需离开终端即可浏览和搜索超过1000项服务。命令vercel connect discover支持按名称、别名、关键词和描述检索，结果可按类别和连接类型过滤。这意味着开发者在配置集成时不必频繁切换浏览器查文档，代理也能在终端内直接定位可用服务。

Replit博客从科斯1937年的经典问题“公司为什么存在”切入，认为企业之所以存在，是因为内部组织比市场协调更便宜，但公司本身也有管理、会议等协调成本。文章提出“自动驾驶公司”概念：当AI承担大量协调工作，这些成本被大幅压缩，公司的边界和组织方式都会改变。对创业者和团队来说，值得关注的是小团队借助AI能承担多大范围的业务。

科技平台基本不提供人工客服，用户遇到常见技术问题时无法联系到真人，越来越多人转而向ChatGPT求助。但ChatGPT对这类普通技术支持问题给出的回复往往不可靠，甚至可能误导用户。Jason Koebler在引用中指出了这一现象：当平台把客服成本压到零，AI聊天机器人成了事实上的第一道——也常常是唯一一道——支持渠道，而它并不具备解决实际账户或设备问题的能力。