这一天最值得看的，不是哪家模型又多赢了一道题，而是 Agent 正从聊天窗口走进生产系统。自改进 Agent、可随时介入的云端浏览器、Issue 到 Release 的自动闭环，以及决定成本和可靠性的 harness，指向同一个变化：模型能力仍是底座，但真正拉开差距的开始变成任务如何拆解、路由、观察和纠偏。
另一条线索更有张力。AI 在数学研究和专用任务上继续抬高能力上限，人们同时追问安全社区为何被排除、开放权重风险该依据预测还是证据，以及 Agent 进入协作工具后会不会反而隔开人与人。能力与边界不再是两场讨论，它们已经在同一套工作流里碰面。
Agent 的竞争焦点正从单次回答转向可持续运行、人工介入和端到端交付闭环。
发布 AutoBots，主张用多模型路由构建递归自改进 Agent：简单任务交给 DeepSeek Flash 4，困难任务交给 Fable 5，并把运行经验反馈到后续执行中。
模型 5.5 在长任务中不再容易被新增指令打乱，用户可以边执行边追加工作，让 Agent 依次消化，不必先维护严格队列。
ChatGPT Work 的云端浏览器把 Agent 的操作过程变成可观察界面，用户既能持续监控，也能在真实应用中随时接管。
在更强模型时代仍坚持使用 /loop 和 /goal：它们适合兼顾可控性与自主性，也适合让 Agent 在开放目标下自行生成后续循环。
Linear 中常见的 Issue 到 Agent、PR、Release 闭环已有约 30% 的 bug 能跑完全程，但前提是先用 Datadog、Sentry MCP 深挖根因，证据不足时停止修复并向报告人补问。
软件项目会逐步变成 Agent 工厂，维护者的核心工作不再是亲自处理每个 Issue，而是设计能稳定产出高质量产品的循环和准入标准。
前沿模型开始以研究成果、数学可靠性和专用任务效率证明能力，而不只是刷新通用榜单。
OpenAI 内部版 Astra 被用于解决十项数学与理论计算机科学的重要进展，按 Sol API 价格估算总成本约 2000 美元。
他认为 GPT 5.6 Sol 已把数学错误压到极低水平，并判断纯研究项目距离自动化只差一套合适的 harness loop。
展示一个约 1500 Elo 的 8B 棋类模型，称其能稳定击败前沿模型与 Stockfish level 0，每步只需 1 至 2 秒，强调小模型在专用任务上的速度优势。
Agent 越深入协作和家庭场景，界面设计越需要维护真实关系，而不是增加一层代理隔膜。
OpenAI 内部有人让 ChatGPT 通过 Slack 向同事求助，却引发明显反感。相同工作若由本人开口通常会被接受，说明协作价值仍建立在人际关系而非任务转发上。
从 Anthropic 团队大量 PR 由 Claude Tag 发起的案例出发，她判断 Agent 界面正从终端、桌面应用迁入 Slack 等既有协作空间，关键是让 Agent 去找用户。
提出把家庭日历和孩子兴趣交给 ChatGPT Work，每天上学路上自动生成一档家庭播客，将比赛、生日和新闻编成孩子能听的内容。
当任务扩展到数千万乃至上亿 token，预算、路由、容灾和可观测性成为模型能力之外的第二控制面。
随着任务的 token 规模持续放大，harness 如何拆分工作并在正确时机路由到正确模型，将同时决定准确率与成本。
AI Gateway 把每个 key、团队和项目的预算控制，与故障切换、模型选择和实时可观测性放到同一层基础设施中，目标是让 AI 投入可管理。
宣布重置 Codex 与 ChatGPT Work 的使用额度，直接把更多并发 Agent 线程作为周末使用场景，侧面显示算力额度已成为产品体验的一部分。
安全讨论的分歧正在从口号转向参与机制、真实案例和可证伪的能力判断。
批评大型 AI 实验室频繁谈论 cybersecurity，却很少真正与安全社区协作，认为参与机制与公开表态之间存在落差。
分享一场关于 AI security 的播客讨论，把实验室近期直接参与攻击性安全行动的争议作为新的现实背景。
评论 Thinking Machines 的开放权重安全文章：虽然不同意其中不少结论，但认可实验室承认对危险能力的预测可能出错，安全判断应回到证据。