1/12 Meta Brain2Qwerty v2 把非侵入式脑到文本推进到词和语义解码
Meta 发布 Brain2Qwerty v2，称其是在非侵入式 brain-to-text decoder 上的下一阶段成果。v1 论文发表于 Nature Neuroscience，v2 进一步从字符级解码推进到词和语义级解码，目标是在不植入电极的条件下从 MEG 原始脑信号实时生成句子。Meta 称模型训练使用 9 名志愿者约 22,000 个句子，每人佩戴 MEG 设备打字约 10 小时；平均 word accuracy 为 61%，最佳参与者达到 78%，且超过一半句子错误不超过 1 个词。Meta 同时开放 v1/v2 训练代码，合作方释放 v1 数据集。
2/12 Cursor for iOS 把 always-on cloud agents 放进手机工作流
Cursor 发布 iOS 原生应用公测，核心功能是从手机启动 always-on cloud agents，或远程控制正在本地电脑运行的 agents。官方称用户可以选择 repo、用语音输入描述任务、指定 frontier model 或 slash command，并通过 Live Activities 和推送通知跟踪 agent 何时完成、需要输入或准备 review。云端 agent 会产出 demo、截图和日志，用户可在手机上检查 diff、追加指令或合并 PR。这个发布说明 coding agent 正从 IDE 内的单次助手，变成跨设备、异步、可随时监督的开发工作流入口。
3/12 LangChain Deep Agents 支持 dynamic subagents，agent 编排开始产品化
LangChain / Deep Agents 发布 dynamic subagents，让主 agent 可以在 code interpreter 中动态写出 orchestration 逻辑，按任务需要创建和调度多个子 agent，而不是只调用预定义工具。团队强调的模式包括 fanout and synthesize、adversarial verification 等，适用于需要并发探索、互相检查和综合结果的复杂任务。Harrison Chase 同日还预告 Trace Judge early access，用于检测 agent trajectories 中错误，并称成本约为闭源模型方案的 1/100。两条更新都指向同一个方向：agent 运行时开始重视多 agent 编排、轨迹评估和成本控制。
4/12 LlamaIndex Retrieval Harness 给文档 agent 加上搜索、grep 和文件导航
LlamaIndex 发布 LlamaParse Index 的 Retrieval Harness，解决 autonomous agents 单靠 semantic search 或全文 grep 都不够的问题。新能力把语义检索、server-side grep、文件级导航、跨 chunk 读取、hybrid search 和 reranking 放到同一个 agent reasoning loop 里。agent 不只拿到相似片段，还可以列出 index 内容、进入具体文件、从 chunk 边界外继续阅读，从而减少“只看一小段就下结论”的失败。功能已在付费 tier beta 中提供。它的重要性在于，文档 agent 的上限越来越取决于检索和文件操作层，而不只是底层 LLM。
5/12 Databricks Omnigent 把多个 coding agents 放到企业治理控制面
Databricks 在 Data + AI Summit 发布 Omnigent，称其为位于 Claude Code、Codex、custom agents 等工具之上的 open source meta-harness。Omnigent 的目标是提供 common interface，把不同 agent 组合成可互操作系统，并支持 advanced policies 与团队实时协作。Databricks 对它的定位不是替代某个 agent，而是让企业能从一个控制面组合、约束、审计和分享 agent。结合 Agent Bricks、Unity AI Gateway 和 Genie 等发布，企业 agent 平台的竞争焦点正在转向数据权限、策略、可观察性、多模型接入和团队级复用。
6/12 Runway 同日扩展音频生成和日本娱乐企业 world model 合作
Runway 发布两条创作工具更新：Seed Audio 1.0 面向所有付费计划开放，可用文本 prompt 生成最长 120 秒的 speech、sound design 和 music；同时 Runway 与日本游戏、体育和娱乐公司 MIXI 建立战略合作，MIXI 将在组织内部署 Runway，双方探索 world models 在游戏、动画和互动体验中的应用。两条新闻共同说明生成式视频公司的边界正在扩展到完整媒体流水线：视频、音频、动画、游戏资产和互动体验会被放到同一个创作环境里生成和迭代。
7/12 Cerebras Gemma 4 31B 把高速推理扩展到多模态工作流
Cerebras 宣布 Gemma 4 31B 在 Cerebras 上进入 public preview，称这是其首个 multimodal model，面向图像和文本工作流。官方博客摘要写到 Gemma 4 on Cerebras 可达到 1,500+ tokens/s，用于 real-time image understanding、agentic workflows 和 document AI；推文中则写到超过 1,800 tokens/s。无论基准口径如何，这条更新的重点是把超高速推理从纯文本扩展到多模态输入。对 agent 应用来说，截图、文档、图像和 UI 状态识别会越来越频繁，推理延迟直接影响 agent loop 的速度和成本。
8/12 Replit Desktop 把 AI coding workspace 从浏览器移到原生桌面
Replit 发布 Replit Desktop，支持 Windows 和 Mac，定位为在桌面上更顺畅地多任务处理并使用 Replit。官方页面将其描述为脱离浏览器干扰的 native Replit experience。虽然这不是单个模型能力更新，但它和 Cursor iOS 同日出现，说明 AI coding 工具正在重新划分界面入口：云端开发环境、agent、PR review、artifact demo 和本地桌面体验会并行存在。浏览器仍适合快速访问，但长期运行的 agent、文件切换、通知和本地资源整合，会推动更多开发工具回到原生桌面或移动端壳层。
9/12 xAI voice APIs 接入 Vercel AI Gateway，模型分发继续平台化
xAI 宣布其 voice APIs 已接入 Vercel AI Gateway，推文称可在 Vercel AI Gateway 使用来自 SpaceXAI 的 voice APIs。Vercel 模型页面显示 Grok Voice Think Fast 1.0 可在 AI Gateway 中作为模型使用。这个更新的直接意义是把语音模型接入开发者已经使用的模型网关和 SDK 体系，而不是要求每个应用单独处理供应商 API。随着文本、图像、语音和工具调用模型都进入统一 gateway，开发者会更倾向于按延迟、价格、质量和可用性切换模型，模型供应商的竞争也会更多发生在分发层。
10/12 开放模型政策争论升温，Hugging Face 与创业者强调 open source 价值
今天多条推文围绕开放模型政策和国家安全叙事展开。Clement Delangue 表示 open-source AI 正在快速增长，对进步、竞争和透明度有影响，并称应最大化支持；他还转发了“美国政府训练并发布开源模型”的讨论。Pat Gelsinger 则评论称，重点不只是 Anthropic，而是高级 AI 模型正在被当作类似半导体和能源基础设施的战略资产，争论焦点从模型能力转向治理、访问和部署决策权。Matt Shumer 也指出，如果政府把 frontier models 当作国家安全威胁，开源模型禁令不能简单类比电影或音乐盗版。
11/12 Ethan Mollick 用 AA-Briefcase 讨论 open weights 与闭源 frontier gap
Ethan Mollick 继续讨论 Artificial Analysis 的 AA-Briefcase 分数，称该评测近似让 AI 完成多周复杂咨询项目，并用新分数画出 open 与 closed models 的 frontier curve。他的结论是整体能力提升很快，但 open weights gap 仍然明显；同时他补充说，Fable 是经过 guardrail 的 Mythos，用 Mythos 发布日期会影响曲线解读。他还批评 Wall Street Journal 关于 GLM 追上 Mythos 的报道会影响政策舆论，尽管证据并不充分。这组讨论把开放模型竞争从单题 benchmark 拉到长周期复杂工作能力和政策叙事层。
12/12 组织 AI 成本问题从 token spend 转向工作流重构
Ethan Mollick 还讨论企业里的 token cost，认为很多组织遇到成本问题并不只是因为模型调用太贵，而是领导层没有决定该如何使用 AI、哪些流程需要改变、如何看待多人协作式使用。简单通过 rationing intelligence 控制开销是一种粗糙策略；token spend 也可以被看作组织围绕 AI 重建流程的 R&D 投入，会包含失败和适应成本。这条观点与当天的 Cursor iOS、Databricks Omnigent、LangChain Trace Judge 等更新呼应：agent 成本管理不只是压低单 token 价格，而是要评估哪些任务值得自动化、如何监督、何时停止以及如何复用产出。
Deep Dive 附录
From Brain Waves to Words: Brain2Qwerty Offers a New Path to Communication Without Surgery
Meta 的 Brain2Qwerty v2 是非侵入式脑信号到文本研究的一次重要更新。官方称 v1 论文发表于 Nature Neuroscience，v2 在此基础上提升到词和语义级解码，使用 MEG 原始信号、end-to-end deep learning 和 LLM fine-tuning，将打字时的大脑活动映射成句子。Meta 报告的训练设置为 9 名志愿者、约 22,000 个句子、每人 10 小时 MEG 记录；结果包括 61% 平均 word accuracy、最佳参与者 78% word accuracy，以及最佳参与者超过一半句子错误不超过 1 个词。Meta 同时释放训练代码，合作方释放 v1 数据集。该方向潜在价值很大，但仍处于研究阶段，依赖 MEG 等大型设备和受控任务。 查看原文
Build from anywhere with Cursor for iOS
Cursor iOS 公测把 coding agents 带入移动端工作流。官方博客描述了三类核心能力：一是在手机上选择 repo 并启动 cloud agents，可用语音输入、frontier model 和 slash commands；二是通过 Remote Control 指导本地电脑上运行的 agent，并可设置电脑保持唤醒；三是用 Live Activities 和推送通知跟踪 agent 完成、需要输入或准备 review 的状态。云端 agent 会产出 demo、截图和日志，用户可在手机上看 diff、追加指令或合并 PR。Cursor 还说明该功能面向所有付费计划公测，移动端 Composer 2.5 runs 到 2026-07-05 有折扣。这是 coding agent 从桌面 IDE 走向异步、跨设备协作的明确信号。 查看原文
LlamaParse Retrieval Harness: Filesystem Primitives for AI Agents
LlamaIndex 的 Retrieval Harness 试图把 agent 的检索能力从“找相似 chunk”升级到“像文件系统一样浏览和读取知识库”。官方强调 semantic search alone 和 brute-force grep 都不够，因此在 LlamaParse Index 中提供 semantic search、server-side grep、file-level navigation、跨 chunk 读取、hybrid search 和 reranking。这样 agent 可以先查找，再定位文件，再继续读上下文，而不是把检索结果当成完整事实。它还强调 visual layout preservation 和 pipeline observability，说明目标用户是生产环境中的文档 agent、企业知识库和复杂文件处理场景。这个方向会减少上下文误用，并把可审计的检索操作变成 agent runtime 的基础能力。 查看原文
Introducing Dynamic Subagents in Deep Agents
Dynamic subagents 让 Deep Agents 可以程序化创建和调度子 agent。与固定工具调用不同，主 agent 可以在 code interpreter 中写 orchestration 逻辑，把任务拆成多个子任务、并发执行、互相验证，再综合结果。LangChain 团队提到的模式包括 fanout and synthesize、adversarial verification 等，适合研究、代码分析、复杂文档处理和需要多角度检查的任务。Harrison Chase 同日提到的 Trace Judge early access 则补上评估层：检测 agent trajectories 中的错误，并把成本压到闭源模型方案的约 1/100。两者合在一起说明，agent 平台正在从“能调用工具”升级到“能编排、评估和治理一组 agent”。 查看原文
Introducing Omnigent: A Meta-Harness to Combine, Control and Share Your Agents
Databricks Omnigent 是一个 open source meta-harness，放在 Claude Code、Codex、custom agents 等工具之上。官方博客的核心定义是：用一个 common interface 组合多个 agent，把它们变成可互操作组件，并在团队环境中加入 governance、advanced policies 和协作能力。Omnigent 的企业价值不在于又做一个单独 agent，而是让不同 agent 可以被纳入同一个控制面，统一处理权限、策略、共享、复用和审计。结合 Databricks 的 Lakehouse、Unity AI Gateway、Agent Bricks 和 Genie 叙事，这类平台会把企业 agent 的关键竞争点从模型能力转向数据与治理基础设施。 查看原文
Runway and MIXI Announce Strategic Partnership
Runway 与 MIXI 的合作把 world models 放进娱乐和游戏生产场景。MIXI 是日本大型游戏、体育和娱乐公司，将在组织内部署 Runway，并与 Runway 探索生成式 AI 在 gaming、animation 和 interactive experiences 中的新应用。Runway 官方新闻稿强调的是创意生产工作流和新表达形式，而不是单一视频生成 demo。同日 Seed Audio 1.0 面向 Runway 付费计划开放，可用 prompt 生成最长 120 秒的 speech、sound design 和 music。两条更新放在一起看，Runway 正在把视频模型能力延伸到多模态媒体生产流水线，覆盖画面、声音、角色、场景和互动体验。 查看原文
Gemma 4 on Cerebras: The Fastest Inference is Now Multimodal
Cerebras 将 Gemma 4 31B 放到 public preview，重点是多模态高速推理。官方博客摘要称 Gemma 4 on Cerebras 可达到 1,500+ TPS，用于 real-time image understanding、agentic workflows 和 document AI；推文中写到超过 1,800 tokens/s。这个发布说明超高速推理竞赛不再局限于纯文本模型。对 agent 来说，多模态能力正在成为常规输入：阅读截图、理解 UI、解析图文文档、检查图片和表格，都可能进入同一任务循环。如果多模态推理延迟足够低，agent 可以更频繁地“看”状态并快速迭代；如果延迟高，复杂任务会被成本和等待时间限制。 查看原文