这一期的主旋律不是单点爆款，而是几条主线同时抬头：OpenAI 开始重新讲自己的长期计划，Google 则把 Gemini、NotebookLM 和 AI Plus 价格一起推到台前。一个在讲方向，一个在铺产品面，关注列表里的信号刚好形成了对照。
更值得展开的是 Agent 从口号进入基础设施阶段。NotebookLM 不再只是资料问答，Manus 开始处理多账号工作流，Anthropic 把问题落到生物数据库这种 agent 难以驾驶的城市。Zack Korman 的安全吐槽提醒另一面：当 agent 能动起来，权限、边界和防御深度会从抽象原则变成产品质量。
研究侧的声音也没有缺席。Berkeley、Yann LeCun 和 Stanford 相关转发把政治中立、回答质量共识、本地模型、机器人和抗体模型放在同一个窗口里。它们不如产品发布响，但说明 AI 的竞争正在分层：前台是模型和价格，后台是评测、科学基础设施和工程品味。
Sam、Greg 与 OpenAI 官方围绕当前计划和使命连续发声，显示 OpenAI 正在主动重申长期叙事。
Gemini 相关讨论集中出现，既有模型发布预期，也有 Canvas 展示和 Google AI Plus 降价信号。
Logan Kilpatrick 简短表达看好 Gemini，情绪信号直接指向 Google 模型线。
Bindu Reddy 判断这是 AI 史上可能最大的一周，各大实验室都会发布模型，并点名 Gemini 3.5 Pro 可能登场。
Gemini 官方展示 Gemini 3.5 Flash 在 Canvas 中一次生成早期 PC 绘图体验，强调可交互创作能力。
Gemini 官方转发 Google AI Plus 降价与扩容消息，价格从 7.99 美元降至 4.99 美元，并提升存储空间。
Bindu Reddy 预测本周模型格局：Gemini 3.5 Pro 可能排第三，GPT 5.6 在性价比上提升，Mythos 或拿第一但价格更高。
NotebookLM 连续发布升级，把资料问答推进到 agentic chat、多格式输出和自动资料扩展。
NotebookLM 宣布重大升级：chat 获得 agentic capabilities、更强推理能力和新的输出格式，先面向 Google AI Ultra 用户推出。
NotebookLM 补充说明上线范围：Web 端从 Google AI Ultra 和部分 Workspace business 用户开始，后续会扩展到更多用户。
NotebookLM 介绍新版 chat：由 Gemini 3.5 和 Antigravity 驱动，能展示 AI 思考过程，并为每个 notebook 提供安全云电脑和 100 多个软件技能。
NotebookLM 新增从资料中整理上下文并导出多种格式的能力，包括图表、PDF、docx、markdown、图片、Excel、PPTX、csv 和 json。
NotebookLM 将自己定位为 agentic research companion，用户可从松散想法开始，由系统引导搭建资料库并在许可下从 Web 添加相关来源。
Sundar Pichai 转发 NotebookLM 新功能，强调可以把搜索范围扩展到用户自有源文件之外，是高层对产品方向的背书。
多账号执行、agent 可用基础设施和安全防御同时出现，说明 Agent 正从演示走向真实权限系统。
Manus 宣布支持连接多个 Gmail 和 Google Calendar 账号，让工作、个人、客户或团队账号进入同一工作流，并可选择执行时使用哪个账号。
Manus 进一步列出用途：跨日历协调会议、从正确 Gmail 起草和发送邮件、隔离客户团队和个人流程，并在 Manus tasks 和 Projects 中复用账号。
Anthropic 科学博客讨论为什么 AI 在 coding 中进展快于 biology，认为生物数据库像为旧交通设计的城市，关键问题是如何建设 agent 可用的基础设施。
Zack Korman 提醒 defense in depth 不是购买所有安全产品，批评把安全防御误解成堆工具。
Zack Korman 表示正在制作 AI agent security 讲解视频，并吐槽行业在这个问题上做得很差。
研究机构转发集中在政治中立、回答质量、本地模型、抗体模型和机器人，代表产品发布之外的深层议题。
Berkeley AI Research 转发关于 AI 政治中立的论文和数据集，问题聚焦于如何定义和测量 politically neutral。
Berkeley AI Research 转发研究：即使人们在议题上强烈分歧，对什么是好的 AI 回答仍可能比想象中更有共识。
Berkeley AI Research 转发抗体语言模型研究，指出模型学习 antibody-like 外观，但未必理解 selection 如何把 naive germline antibodies 变成强 binder。
Yann LeCun 转发 Stanford 相关研究观点：local models 可以回答 71.3% 的真实聊天与推理问题，挑战大模型必须云端化的叙事。
Yann LeCun 转发 LeRobot 的 VLA-JEPA 发布，强调模型不仅从 video-language-action 中学习动作，也学习预测未来状态。
Chollet 与 Carmack 的帖子把注意力拉回工程基本功：API 设计、长期维护和低调但关键的程序员。