1/14 OpenAI 预览 ChatGPT 个人金融体验
OpenAI 通过 ChatGPT app 账号宣布，Pro 用户在美国可以预览新的 personal finance experience，安全连接金融账户后，让 ChatGPT 帮助理解收支、余额、订阅、现金流和个人财务问题。Greg Brockman 称这是 ChatGPT 成为 24/7 personal agent 的进一步步骤。这个发布的重要性在于，通用助手开始进入“授权读取个人实时数据”的阶段：模型不再只回答泛化建议，而是可以基于账户上下文做分析。后续关键问题会是数据权限、隐私边界、账户连接质量，以及从“解释”走向“代办”的审批机制。
2/14 Runway Agent 把产品图变成完整广告
Runway 宣布 Runway Agent 可以把 product shot 和一个想法在单次 session 中变成 finished ad。Ethan Mollick 也转发试用，称其用短文本完成相对复杂的 story building，虽然不是零错误，但 one-shot 效果已经很强。Runway 的重点不只是视频生成质量，而是把创意 briefs、素材理解、镜头组织、生成和成片包装成任务型 agent。对品牌、广告和社媒团队来说，这会把“生成几段素材”推进到“让系统完成一个可投放资产”的工作流竞争。
3/14 Together AI 与 Pearl 用 Proof of Useful Work 重新包装推理成本
Together AI 发布 Gemma-4-31B-it-Pearl，这是 Pearl Research Labs 基于 Gemma 4 31B 的 instruction-tuned checkpoint，支持 32K context、configurable thinking、function calling 和 JSON mode。Together 称 Pearl 会从训练和推理中已经发生的矩阵乘法生成 proofs，用来保护 Pearl Network，并通过未来 emissions 价值抵扣 endpoint 成本，当前 serverless inference 价格有 25%+ discount。这个实验把模型 endpoint、推理经济学和加密网络绑定在一起，值得观察能否真实降低长期推理成本。
4/14 Grok 订阅接入 Nous Hermes Agent
xAI 宣布用户现在可以在 Nous Research 的 Hermes Agent 中使用自己的 Grok subscription。虽然这不是新模型发布，但它说明 frontier model 的分发正在从单一聊天产品扩展到第三方 agent runtime：用户保留订阅关系，agent 产品获得模型能力，模型提供方获得更大的使用场景。继 Codex、Claude Code、Kimi WebBridge、Grok Build 等工具之后，模型厂商和 agent 平台之间的边界继续变薄，未来竞争会更多落在权限、工具调用、长任务记忆和执行环境上。
5/14 Isomorphic Labs 融资 21 亿美元推进 AI 药物发现
Linus Ekenstam 转述 Google DeepMind co-founder Demis Hassabis 旗下 Isomorphic Labs 完成 2.1B 美元融资，用于扩大 AI drug discovery 的研发和临床推进。Isomorphic 的路线把 AlphaFold 以来的蛋白结构预测、分子设计和药物管线连接起来，目标是把 AI 从科研平台推进到实际 therapeutic programs。这个事件的行业意义在于，AI 生物公司正在进入资本密集型阶段：模型能力只是起点，真正的壁垒会来自湿实验、临床、合作药企、数据闭环和管线执行。
6/14 Databricks Lakebase 把 serverless Postgres 接进 AI agent 场景
Databricks 展示 Lakebase：fully managed serverless Postgres，集成在 Databricks platform 中，用于 data apps、internal tools 和 AI agents。Lakebase 的定位是填补传统 OLAP 和 OLTP 之间的缺口，让 lakehouse 周边应用获得事务型存储。对企业 agent 来说，这个方向很关键：agent 既需要查询数据仓库，也需要维护低延迟状态、任务、用户偏好、审批记录和工作流记忆。数据平台正在把 agent runtime 需要的应用数据库能力纳入同一治理面。
7/14 Hugging Face Storage 面向模型、数据集和 checkpoint 变成基础设施
Clement Delangue 宣布 Hugging Face Storage，面向 model weights、datasets、checkpoints 和 artifacts，强调 simple per-TB pricing、built-in CDN、Xet deduplication，以及需要时 private by default。Hugging Face 官方账号也转发了 HF storage buckets、GPU trace sharing 和 kernel 项目相关内容。这个变化说明模型社区的瓶颈不再只是 repo 和 model card，而是大文件、训练中间产物、trace、artifact 和团队权限。Hub 正在从“模型展示页”升级为 AI 工程数据平面。
8/14 SWE-ZERO-12M 把 agentic coding trace 数据集继续放大
Clement Delangue 转发 SWE-ZERO-12M-trajectories，称其是 largest agentic trace dataset in the open，规模比此前最大数据集大 5.7x；同日他还转发“open-ended coding training data may no longer be the bottleneck”的讨论。coding agent 的训练竞争正在从静态代码和 issue 数据走向完整轨迹：工具调用、失败恢复、patch 尝试、测试反馈和多步计划。若 trace 数据继续放大，agent 模型会更容易学习真实工程循环，而不是只学习最终 diff。
9/14 Gemini Deep Think 支撑 Aletheia 解决数学问题
Demis Hassabis 转发 Google Research 相关进展：Aletheia powered by Gemini Deep Think 被用于 autonomously solve 一个数学问题。Yann LeCun 同日也转发关于 LLM 在数学和代码这类“language itself is the substrate of reasoning”领域更强的讨论。数学能力继续成为 frontier 模型竞争的高信号指标，因为它同时测试搜索、形式化、长推理和验证。Deep Think、IMO/Olympiad eval、定理证明工具和自动验证会越来越多地绑定在一起，而不是只靠自然语言答案。
10/14 Cohere Compass 强调扫描件和复杂文档检索
Cohere 发布 Compass 相关示例，称其可以检索 handwritten 和 typed declassified documents 这类难处理的非结构化数据。Compass 依赖 ingestion 阶段的 Visual Parsing model，以及包含 Cohere search models 的 embedding stack。对企业 agent 来说，这类能力是进入真实知识库的前提：大量财务报告、邮件、合同、旧扫描件和行业档案并不是干净 Markdown。agent 若要可靠回答和行动，必须先把复杂文档解析、索引、权限和来源追踪做好。
11/14 LangChain 继续把 agent observability 做成生命周期平台
Harrison Chase 在 Interrupt 后继续转发 LangChain 更新，包括 SmithDB、LangSmith Engine、Managed Deep Agents、LangSmith Sandboxes GA、Context Hub 和 eval 实践讨论。SmithDB 被描述为 purpose-built distributed database for agent observability，可以把 trace 查看从分钟级拉到秒级。agent 平台正在从“调试工具”变成完整生命周期系统：托管执行、沙箱、trace、eval、failure diagnosis、continual learning 和治理都要在同一个环境中协作。
12/14 Luma Agents 把广告素材生成切成 banner 和 thumbnail 工作流
Luma Labs 继续推广 Luma Agents，强调用户只需要定义 message 和 aesthetic，系统就能生成 website banner visuals 或 thumbnail ads。相比通用视频生成，这类产品化路径更贴近广告投放和创作者工作流：banner、thumbnail、product visual、短视频广告都有明确尺寸、目标和转化指标。生成式媒体工具正在从“展示模型能力”转向“按营销资产类型交付”，这会让模型、模板、品牌控制和 A/B testing 更紧密地结合。
13/14 Cerebras 在 Nasdaq 上市，推理硬件进入公开市场叙事
Cerebras 转发 Nasdaq 欢迎帖，称“the world’s fastest AI inference is officially NasdaqListed”，股票代码 CBRS。虽然推文本身较短，但它代表 AI inference 硬件公司从融资和私有市场叙事进入公开市场检验。随着推理成本成为模型产品毛利的核心变量，Cerebras、NVIDIA、Groq、AMD、云厂商自研芯片和专用加速器都会被放在 latency、吞吐、可用性、软件栈和实际客户成本上比较。公开市场会让这些指标更透明，也更残酷。
14/14 Codex 讨论从“能写代码”转向 agent UX 和持续执行
Greg Brockman 建议“run codex on every commit”，Swyx 称 Codex 相比三个月前已经完全不同，并把它类比为 Mac 上的 agentic Excel；Ethan Mollick 则提醒 Codex 很强，但界面仍像 developer coded product，非开发者需要的是另一种复杂度，而不是被隐藏功能。今天的 Codex 讨论已经不再停留在代码补全，而是持续执行、commit 级审查、移动端监督、非开发者界面和通用任务形态。coding agent 正在成为更广义 computer-use agent 的前哨。
Deep Dive 附录
OpenAI ChatGPT personal finance
OpenAI 的 personal finance preview 面向美国 Pro 用户，核心是让用户安全连接金融账户，并让 ChatGPT 基于账户上下文解释支出、余额、订阅和现金流。它把 ChatGPT 从通用问答推进到个人数据代理：模型可以读取更贴近真实生活的 private context，但也必须处理授权、隐私、撤销连接、可解释性和行动审批。短期看，它更像财务理解和建议；长期看，若接入 bill pay、投资账户或预算执行，就会进入更敏感的 agentic finance。 查看原文
Runway Agent
Runway Agent 的定位是 task-oriented creative production。用户提供产品图和短 brief，Agent 负责构建广告叙事、生成镜头和完成成片。Runway 与 Luma 的同日素材说明都显示，AI 视频公司正在把生成能力包装成可交付的广告资产 workflow，而不是让用户在 prompt、clip 和 timeline 之间手动拼接。这个方向的竞争点会包括品牌一致性、编辑可控性、素材版权、投放规格和批量变体生成。 查看原文
Together AI x Pearl Research Labs
Together 的 Pearl endpoint 把 Gemma-4-31B-it-Pearl 作为 serverless inference 产品推出，支持长上下文、function calling 和 JSON mode。Pearl 的叙事是 Proof of Useful Work：训练和推理中的矩阵乘法同时生成可验证 proofs，网络 emissions 的价值再用于补贴 endpoint cost。它是否能成为主流推理经济模型还需要市场验证，但它反映了一个现实：随着 inference 成为最大 AI compute market，价格结构本身也会被创新。 查看原文
Isomorphic Labs Series B
Isomorphic Labs 的 21 亿美元融资把 AI drug discovery 推到更资本密集的阶段。AlphaFold 证明了 AI 能改变蛋白结构预测，但真正药物公司需要完成靶点选择、分子设计、实验验证、临床、监管和商业化。Isomorphic 的融资说明投资者押注的是从模型到药物管线的闭环，而不只是科研工具。AI 生物的 frontier 竞争会越来越像“模型实验室 + 药企 + 临床开发”的混合体。 查看原文
Databricks Lakebase
Lakebase 是 Databricks 在 lakehouse 周边补齐 OLTP/app-state 能力的一步。AI agents 不只需要离线分析，还需要保存任务状态、执行日志、审批记录、用户偏好、工具结果和应用交易数据。如果这些状态与企业数据治理分离，agent 很难被审计和复用。Lakebase 的价值在于让 data apps 和 agents 使用 Postgres 语义，同时留在 Databricks 生态的权限、治理和数据工作流附近。 查看原文
Hugging Face Storage and SWE-ZERO
Hugging Face Storage 解决的是 AI 工程中的大文件和 artifact 管理问题：weights、datasets、checkpoints、GPU traces、训练产物和私有团队数据都需要稳定存储、去重、分发和权限。SWE-ZERO-12M-trajectories 则代表 agentic coding 数据的另一条线：训练不再只看代码和 issue，而是看完整工具轨迹。两者合在一起说明 open AI stack 的核心资源正在从“模型文件”扩展到“工程过程数据”。 查看原文 查看原文
Cohere Compass
Cohere Compass 面向复杂企业文档搜索，强调 Visual Parsing、embedding search 和对扫描件/手写/typed documents 的处理。它与通用 RAG 的差别在于输入质量：真实企业知识库经常是 PDF、扫描件、表格、图片和历史档案混合体。agent 要在这些内容上行动，首先要能可靠提取结构、保留来源、跨格式检索，并把结果交给下游模型推理。Compass 是 enterprise retrieval 继续专业化的一个信号。 查看原文
LangChain SmithDB and agent lifecycle
LangChain 在 Interrupt 后继续强调 agent lifecycle：SmithDB、LangSmith Engine、Managed Deep Agents、Sandboxes、Context Hub 和 eval 方法。SmithDB 关注 trace 查询速度，背后问题是 agent 运行会产生大量事件、工具调用、错误、重试和状态变化。企业一旦运行 background agents，不能只靠日志抽样排查问题；需要秒级 trace、可复现沙箱、eval harness、policy 和持续改进闭环。 查看原文