1/14 OpenAI 发布 GPT-5.6 Sol/Terra/Luna，但先进入受限预览
OpenAI 宣布 GPT-5.6 系列：Sol 是新旗舰模型，Terra 面向高效日常工作，Luna 面向高吞吐低成本场景。官方称 Sol 相比 GPT-5.5 有阶跃提升，Terra 在更低成本下接近 GPT-5.5 能力，Luna 是最低成本模型。最关键的变化不是命名，而是发布机制：OpenAI 称在美国政府要求下，原本计划的开放发布改为 Codex 和 API 中少量 trusted partners 的 limited preview，并计划未来几周推进一般可用。Sam Altman 补充说，Sol 与 GPT-5.5 同价，7 月将把 Sol 提升到 750 token/sec。
2/14 GPT-5.6 Sol 把 frontier model 竞争推向 agentic coding 与 cyber 任务
OpenAI 在后续推文中把 Sol 的能力重点放在复杂命令行工作流和网络安全任务上。官方称 Sol 在 Terminal-Bench 2.1 上达到新 SOTA，这类测试强调规划、迭代和工具协调；同时 Sol 是 OpenAI 当前最强的 cybersecurity 模型，改善长时程漏洞研究与利用任务的性能效率边界。安全部分也被单独强调：OpenAI 称上线前强化了高风险 cyber 活动实时防护、重复滥用拦截、人类红队与 70 万 A100-equivalent GPU hours 的自动化测试。模型发布正在从聊天能力竞争，进入“agent 能否完成真实长任务”的竞争。
3/14 Anthropic 恢复 Mythos 5 给美国关键基础设施组织使用
Anthropic 表示，自 6 月 12 日以来一直与美国政府合作恢复 Claude Mythos 5 和 Fable 5 访问；今天政府通知 Anthropic，Mythos 5 可以重新部署给一批运营和防御关键基础设施的美国组织。Anthropic 称 Mythos 5 是其最强 cybersecurity model，正在快速为这些组织恢复访问，并继续争取扩大 Mythos 5 访问范围、让 Fable 5 重新一般可用。与 OpenAI GPT-5.6 受限预览放在一起看，frontier cyber-capable models 正被单独纳入高敏感发布路径，访问权、客户范围和政府审核成为模型产品的一部分。
4/14 Anthropic Econ Index 新增小时级使用节奏、artifact 与用户调查
Anthropic 更新 Economic Index，开始跟踪 Claude 使用的日内节奏、artifact 输出和用户调查。官方推文称，新闻类 prompt 在早晨上升，食谱请求在晚上达到峰值，睡眠建议常在清晨 5 点出现；artifact 现在被当作 Claude 会话的主要产出进行追踪，博客写作更多用于工作，翻译则介于工作和个人场景之间。调查部分显示，超过三分之一受访者预计 AI 一年内能完成自己大部分或几乎全部工作任务，近半数预计自己的工作职责 12 个月内会显著变化，但认为自己会在一年内失业的人不到一成。
5/14 Sakana CoffeeBench 用咖啡供应链测试 LLM agent 长期经营能力
Sakana AI 与 KPMG AZSA 发布 CoffeeBench，用 90 天咖啡行业供应链模拟测试 LLM agent 的长期经营能力。环境中有农家、焙煎店和零售店共 6 家公司，LLM agent 需要通过邮件和交易进行价格谈判、下单、库存管理并最大化净利润。Sakana 称不同模型表现差异明显：有的模型持续谈判并采取直接影响利润的行动，有的模型虽能分析自身状态却迟迟不行动，最终陷入亏损。这个 benchmark 把 agent 评估从单轮解题推进到长期互动经济系统，后续可用于观察协作、竞争、偏离行为和治理方法。
6/14 Sakana Fugu 技术报告继续押注开放技术路线
Sakana 同日继续传播 Fugu Technical Report，并被 hardmaru 转发。虽然推文本身只给出报告链接，但结合 CoffeeBench 可以看到 Sakana 的近期方向：围绕可复现实验、技术报告和 agent 行为评估构建开放研究资产，而不是只发布封闭产品能力。Fugu 与 CoffeeBench 分别对应模型/系统技术与评估环境，指向一个更完整的开源研究栈。对行业来说，这类 release 的价值在于让第三方能检验模型行为、长期任务能力和 failure modes，而不是只比较营销层面的单项分数。
7/14 Databricks Genie ZeroOps 把 agent 放进生产数据平台运维
Databricks 宣布 Genie ZeroOps，一个监控生产 workload、调查问题并建议修复的 AI background agent。官方称，随着组织部署更多 pipelines、models、dashboards 和 apps，维护生产工作负载变得越来越困难；Genie ZeroOps 会基于平台智能自动调查问题，并在修复进入生产前先在 sandbox 中测试。这个方向说明 agentic ops 正从代码生成扩展到数据平台运行时：agent 不只是写 SQL 或应用代码，还要理解生产资产、平台元数据、失败模式和治理边界，帮助团队在保持控制权的同时扩大运维覆盖。
8/14 LlamaParse 进入 n8n，把文档智能变成低代码 agent 工具
LlamaIndex 宣布 LlamaParse Platform 的 n8n node 成为官方 verified community node。新版节点把文档解析、分类、抽取、切分和检索集中到一个 LlamaParse API credential 下，并且每个 resource 都可以作为 n8n AI Agent 内的 callable tool。这样用户不必只搭静态 pipeline，而是让 agent 根据任务决定何时检索上下文、解析文件或抽取结构化数据。文档智能正在从单独 API 变成 workflow engine 里的可组合能力，适合发票、合同、知识库、研究资料和企业内部文档流转。
9/14 Replit 继续把 Agent 边界扩展到第三方集成
Replit 宣布平台已有 450 多个 integrations，并发布更容易查找的集成入口。虽然当天推文较短，但与近期 coding agent 竞争放在一起看，这类更新很关键：开发者用 agent 构建应用时，难点往往不是生成一段 UI 或后端代码，而是接入支付、消息、数据库、CRM、设计工具、分析和部署相关服务。Replit 的路线是把“连接真实软件生态”包装成 agent 默认能力，让用户描述目标后由平台处理连接、配置和样板代码。coding agent 的竞争正在从补全代码扩展到端到端构建和集成。
10/14 NVIDIA 借 AA-Briefcase 强调开放模型的长任务 agent 评估
NVIDIA 转发 Artificial Analysis 新 leaderboard AA-Briefcase，称 Nemotron 3 Ultra 在开放模型中排名靠前，并能在首次遇到的长时程 agentic tasks 中保持强表现。AA-Briefcase 的定位是评估复杂项目中的现实任务，这比静态问答或短代码 benchmark 更接近 agent 部署场景。当天 fchollet 也提醒，依赖静态数据集或训练期已密集覆盖分布的 benchmark，本质上容易测到记忆或检索，而不是智能。随着模型更擅长工具使用和检索，评估必须清楚定义网络、历史记录、工具权限和审计标准。
11/14 Google AI Studio 推出 design variations，让 app 原型迭代更快
Logan Kilpatrick 展示 Google AI Studio 的 design variations：用户可以先做一个 app，然后探索不同设计变体，把想法引向新的方向。后续推文称该能力免费可用，并会与 design previews、后台构建时的灵感生成以及即将到来的 app theming 结合。这个更新不是新模型发布，但反映 AI coding/product 工具的一个趋势：从“一次生成一个可运行 app”转向“持续生成、比较和调整多个产品方向”。对原型和内部工具来说，设计变体能力能把早期 UI 探索变成可重复的工作流。
12/14 Pika MCP 在黑客松项目中展示视频生成工具化
Pika 总结 CalHacks 中 5 个使用 Pika MCP 的项目，称 1000 多名 hackers 在 24 小时内围绕一个 Pika MCP 构建应用。其中 Lumen 可以把产品照片传入系统，并在后期制作中把产品放入视频素材。这个例子说明视频生成正在进入 agent/tool protocol，而不是只停留在独立网页生成。MCP 化后，其他 agent 可以按上下文调用视频能力，生成结果再进入后续编辑、营销、产品 placement 或 review 流程。视频模型的竞争会越来越看重可调用性、成本、速度和与开发工作流的贴合程度。
13/14 Microsoft AI 内部文化 memo 强调 eval、数据和简单方法
Mustafa Suleyman 发布 Microsoft AI 团队文化原则，强调 lean、talent dense、科学严谨、简单方法、了解数据、了解 evals、不要过早庆祝结果、记录正负实验、标注每张图表和每个数据源。作为公开 memo，它与模型发布本身同样有信号意义：frontier lab 的竞争不仅是算力和架构，也是组织如何避免叙事先行、cherry-pick、reward hacking 和复杂不可控的 recipe。随着模型训练、产品集成和 safety review 交织，实验纪律和评估文化会直接影响产品速度、可靠性与监管沟通。
14/14 企业 AI 采购仍偏向可用品牌工具，而非自建全栈
Ethan Mollick 讨论企业 AI 采用时指出，很多公司理论上可以用开源替代品自建 Workday 或 AI stack，但现实中并不会这么做；企业内部大量用户只是想获得 Claude 或 ChatGPT 这类他们熟悉的工具，并推动采购部门购买许可。他认为 AI 场景还更复杂，因为升级周期以周计算，还涉及自有推理、连接器和 harness。Cohere 同日强调企业客户需要控制部署，供应商不能看见、不能突然关闭。两条线合起来看，企业 AI 市场会在“即开即用品牌工具”和“可控可部署企业模型”之间持续分化。
Deep Dive 附录
OpenAI GPT-5.6 Sol/Terra/Luna limited preview
OpenAI 的 GPT-5.6 发布把模型产品、agentic benchmark、cyber safety 和政府审核放在同一事件里。Sol 是新旗舰，Terra 提供 GPT-5.5 级别能力但成本更低，Luna 面向高吞吐低成本场景。OpenAI 表示 Sol 在 Terminal-Bench 2.1 上达到新 SOTA，并是其当前最强 cybersecurity 模型；上线前进行了实时防护强化、人类红队和大规模自动化测试。真正改变行业节奏的是访问机制：OpenAI 称原计划开放发布，但按美国政府要求改为少量 trusted partners 的 limited preview。Sam Altman 进一步表示，OpenAI 会与政府尝试建立更透明、可靠的早期访问流程。 查看原文
Anthropic Economic Index June 2026
Anthropic 的 Econ Index 从“AI 会怎样影响劳动市场”的宏观讨论，推进到更细颗粒度的使用行为和用户感知。新报告跟踪 Claude 使用在一天内的节奏、不同 artifact 的用途，以及用户对工作变化的预期。推文披露，超过三分之一受访者预计 AI 一年内能完成自己大部分或几乎全部任务，近半数预计职责会显著变化；但不到一成认为自己一年内会失业，更多担忧集中在 junior colleagues。Anthropic 的方法重点是观察 AI 已经在哪里产生工作输出，而不是只等待就业和生产率等滞后指标。 查看原文
Anthropic Mythos 5 access restore
Anthropic 表示 Mythos 5 可以重新部署给一批运营和防御关键基础设施的美国组织。这是一个发布治理信号：高能力 cyber 模型可能不再按普通 SaaS 节奏上线，而是被拆分成领域、客户和用途都受限的访问层。Anthropic 同时称会继续争取扩大 Mythos 5 访问，并让 Fable 5 重新一般可用。问题会转向访问规则本身：哪些组织算关键基础设施，研究人员和小型防御团队是否能获得能力，海外盟友如何处理，以及模型供应商和政府之间如何分配风险判断权。 查看原文
Sakana CoffeeBench and Fugu
CoffeeBench 将 LLM agent 放入 90 天咖啡供应链模拟，测试它们是否能通过谈判、下单、库存管理和长期规划最大化净利润。Sakana 观察到模型之间差异很大：有些积极采取利润相关行动，有些则分析很多却迟迟不执行，导致亏损。这个 benchmark 的价值在于，它测的是长期互动经济行为，而不是一次性问答。Fugu 技术报告则补充了 Sakana 的开放技术路线。两者共同显示，agent 评估正在扩展到多主体、长期状态、竞争协作和治理问题。 查看原文
Databricks Genie ZeroOps
Genie ZeroOps 是 Databricks 面向生产 workload 的 AI background agent。它会监控生产资产，使用平台上下文调查问题，并在 sandbox 中测试建议修复。这个产品把 agent 从开发阶段带到运行时运维：当企业有更多 pipelines、dashboards、models 和 apps，单靠人工值守很难覆盖所有故障、依赖和性能问题。ZeroOps 的关键不是完全自动修复，而是在平台治理范围内提出可验证的 remediation，让团队在扩大覆盖的同时保留审批和控制。 查看原文
LlamaParse n8n verified node
LlamaParse 的 n8n verified community node 把解析、分类、抽取、切分和检索集成到低代码工作流中，并允许这些 resource 成为 n8n AI Agent 的 callable tools。文档处理是企业 agent 的高频基础能力：发票、合同、知识库、研究资料和工单通常都需要先转成结构化或可检索内容。通过 n8n 暴露后，团队可以让 agent 根据任务选择何时 parse、何时 retrieve、何时 extract，而不是为每种文档流程写固定 pipeline。 查看原文
AA-Briefcase / Nemotron 3 Ultra
AA-Briefcase 把评估目标转向复杂项目中的现实任务。NVIDIA 借此强调 Nemotron 3 Ultra 在开放模型中对长时程 agentic tasks 的表现。这个方向与当天关于静态 benchmark 的讨论相互呼应：如果模型可以利用训练期记忆、公开历史、网络检索或隐藏修复痕迹，那么单一分数很难说明真实能力。未来 agent eval 需要同时记录 task、tool access、runtime network、历史可见性和轨迹审计，才能区分推理、检索、记忆和环境权限带来的得分。 查看原文