搜索
就在刚刚，Anthropic正式发布了Opus 5。这款定位是「深思熟虑且积极主动」的模型，不仅成本只要Fable 5的一半，而且在大多数跑分上直接碾压。在最近的IMO 2026中，它不靠任何外部工具和Agent框架，就拿下了42/42的满分！
腾讯微信在论文 SkillHone 中，将这个问题归结为优化历史丢失，进而提出了面向持续 Skill 进化的开发框架。 SkillHone 把每轮诊断、候选修改、评估证据和最终决定组织成持久决策历史。同时，持续优化的对象也从单一的 SKILL.md 文件扩展到了整个 Skill 文件夹及其修改过程。
当大模型 Agent 被部署到工具调用、长程任务和开放环境中，一个关键问题会随之出现：能否在不更新模型参数的情况下，将执行经验沉淀下来，并在下一次做得更好？
7 月 17 日，北京，2026 奇点智能产品大会主会场。吴甘沙站在台上，用一个极其东方的思维框架，拆解了一家物理 AI 公司如何在巨头环伺中活过十年——他把《孙子兵法》的“不败”与“不战”，和诸葛亮《隆中对》的“益州”“荆州”格局，嵌入了一套完整的创业竞争策略。
针对这一挑战，腾讯内容服务部 BAC 提出了一个名为 ProLaViT（Progressive Latent Visual Thought） 的全新框架。它的核心思想是：别急着下结论，先在连续隐空间里像人一样「步步推导」。 即让模型遵循 「定位 → 聚焦 → 分离」（Locate → Focus → Isolate） 的因果链，逐步收紧视觉注意力，最终精准锁定目标。
市面上已有几十种Agent记忆方案，有的基于向量检索，有的基于知识图谱，有的靠定期总结“压缩”对话，有的则完全依赖模型自身的上下文窗口。它们各有各的说法，但在系统层面，到底哪种方案靠得住？哪种方案在你的工作负载下既不贵又准？
7 月 16 日，伯克利博士后 Haven Feng 的一条推文火了。原因无他，结果很震撼：在 ARC-AGI-3 Public 集上，一套名为 [schema] 的智能体框架，与 Claude Opus 4.8、Fable 5 组合后达到 98.98% 的 RHAE；换成 GPT-5.6 Sol 组合，分数也有 95.35%。
随后，SpaceXAI 兑现了承诺，在 GitHub 上正式开源了这套智能体编程框架。该公司在一篇 X 帖子中表示：“开源 Grok Build 可以让任何人都能参与构建可靠且强大的框架。”开源不到 20 个小时，Grok Build 已在 GitHub 上收获 1.21 万颗 Star。
终于，现学现用的风也是吹到了具身智能。
WorldArena 1.0 的核心意义，在于将世界模型评测从 “好不好看” 推进到 “是否真的有用”。它不再只关注视频观感，而是把物理一致性、可控性、3D 准确性和具身任务功能性纳入统一评测框架，使许多看似流畅的生成结果第一次在机器人具身任务中接受检验。