OpenAI 升级 ChatGPT 桌面应用（已与 Codex 合体），引入全双工语音模型 GPT-Live 驱动的 ChatGPT Voice 模式。用户可在聊天、办公和编程三个板块中通过语音发起、检查或调整任务。GPT-Live 可同时聆听与说话，支持从单一对话中启动多个工作流——智能体在后台执行任务时，用户可以继续说话推进其他事情。

官方示例：规划商务旅行时，用户口述需求后 ChatGPT 自行检查日历冲突、梳理收件箱中的航班变更、准备会议记录。即日起面向 macOS 和 Windows 付费用户推送，部分用户更新客户端后尚未看到入口。

Anthropic 升级 Claude 语音模式，从仅支持 Haiku 扩展到 Opus、Sonnet、Haiku 三档模型，可在对话中切换且不丢失上下文。语音模式默认使用上次文本对话的模型，文本与语音无缝衔接。新增连接 Gmail、Google Calendar、Slack、Canva、Notion 等工具，用户可通过语音让 Claude 执行操作——如"把日历上的会议推迟 30 分钟"或"把刚才讨论的方案做成 Canva 一页纸"。

语言从英语扩展到 11 种（含日语、韩语、法语、德语、西班牙语等），可在对话中口述切换。Free 计划可用 Haiku + 1 个工具；付费计划解锁全部模型和所有已连接工具。Beta 阶段，移动端体验最佳。

Andrew Ng 发布 OpenWorker——MIT 许可的开源桌面 AI 智能体，核心理念是"交付成品而非对话"。用户描述一个结果（如"发一封包含实际数据的 Slack 回复"或"更新日历"），OpenWorker 自行拆解步骤、跨本地文件和已连接应用执行，在执行有副作用的操作前会请求授权。

架构四层：Tauri 2 + React 18 桌面壳、Python FastAPI 本地 agent 服务器（默认 127.0.0.1:8765）、能力与连接器层（文件/git/ripgrep/shell/MCP）、模型路由器（基于 aisuite）。代码量约 119 个 Python 文件（~32,400 行）+ 149 个 TS/TSX 文件。支持 30 个精选模型（GPT-5.6 Sol、Claude Fable 5、Gemini 3.6 Flash、DeepSeek V4、Kimi K2.6 等）+ Ollama 本地模型。

权限引擎是工程核心：每次工具调用分为 read / write_local / exec / external 四个风险等级，对应 discuss / plan / interactive / auto / custom 五种权限模式。Shell 命令永远需要确认。内置 prompt injection 防御——所有来自工具、日志、文件的内容被视为不可信数据而非指令。

北京市发布智能体产业新政，首次将 Harness Engineering（智能体工程）、Token 经济和 OPC（开放智能体协议）等概念写入政策文件。这意味着智能体工程化从行业实践上升为政府认可的技术方向，后续可能在产业扶持、标准制定和项目申报中获得政策对接。

Offloop 的 4 人团队用多智能体 harness 在 GDPval 基准上取得 84.9 分，单任务成本 1.65 美元。对比：Claude Code（Opus 4.8）82.4 分，单任务 14.38 美元；Codex（GPT-5.6 Sol）83.3 分，单任务 5.20 美元。Offloop 的成本是 Claude Code 的 1/9、Codex 的 1/3。另在 GDP.pdf 得 44 分、JobBench 得 67.2 分，均领先于 Codex 和 Claude Code。

GDPval 衡量 AI 在 44 个职业、9 大行业中处理真实工作的能力，模型获得 shell 和浏览器访问权限后与人类专家进行盲评两两对比，对应美国约 2.4 万亿美元年薪资的知识工作岗位。

DeepSeek 一段 4 小时投资人闭门会议录音泄露。截至今年 5 月，DeepSeek 仅用 2 万张 Hopper 等效 GPU 便做出与 GPT、Claude 同级的一线模型。推理毛利率约 85%（约 6 倍利润），硬件 10 个月回本。10 亿美元 API 营收即可现金流为正，覆盖研发和训练，实现自我造血迭代。

DeepSeek 已锁定 1.6 万张华为 950 卡，正在将基于 TileLang 的编译器和算子移植到华为生态。梁文锋在会中判断"CUDA 的护城河正在快速瓦解"——AI 自己会写算子，高层语言很快填平生态差距，最多一年国产卡的软件瓶颈基本消除。团队一半核心人员在做数据标注，不设 KPI，不鼓励加班。

论文提出 Harness Handbook——通过静态分析和 LLM 辅助结构化，构建从运行时行为到源码位置的三级映射（系统概览→相关阶段/函数→具体文件）。其 BGPD 工作流引导 coding agent 从系统概览出发，逐步定位到相关阶段、函数和文件，并在每一步用当前源码验证候选位置。

在 60 个修改请求上测试 Codex 和 Terminus-2 两个 agent：Codex 规划成功率从 28.3% 升至 38.3%，Terminus-2 从 26.7% 升至 45.6%。规划器 token 消耗分别下降 12.7% 和 8.6%。文件级和符号级 F1 在全部 24 项对比中均优于 GPT-5.5 和 Opus 4.8 的参考规划。完全定位失败率最多降低 25.9 个百分点。

腾讯发布 WorkBuddy Bench——一个多领域编码智能体评测基准。核心特点：四个子集覆盖仓库级工程（Code）、前端开发（Web）、办公与业务流程（Office）、红蓝队安全（Security），每个子集使用不同的评分方式，不报告跨子集的总平均分。

抗污染设计：每个任务从真实的 commit、PR 或业务场景逆向构造，改写为口语化的角色扮演请求——任务的 prompt 无法通过搜索网络找到对应的原始 issue 或 PR。数据集完全开源：任务目录、环境镜像、评测 harness、测试用例和参考方案均公开。已在 CodeBuddy Code 和 Claude Code 两个 agent harness 上运行，报告了跨模型排行榜。

Codex 项目现支持跨多个本地文件夹读取和写入代码、文档及参考文件，主文件夹仍作为 Git 根目录。此前 Codex 只能在单一文件夹内工作，开发者需要将所有相关文件放在同一目录下——跨文件夹支持意味着 Codex 可以同时操作前端、后端和文档等分散在不同目录的代码。

同时，开发者可通过 npx skills add joeseesun/qiaomu-model-cli 安装 Skill，在 Codex 中调用 Grok 和 Kimi 模型来评估大模型输出的可信度。该 Skill 开源，支持扩展更多模型，实现多模型交叉验证。

微软正将自家产品路由到更便宜的内部 MAI 模型——只要这些模型在特定任务上匹配前沿模型的质量。MAI 模型在多项任务上超越通用前沿模型，同时仅使用一小部分 token。Satya Nadella 发文称关键在于"优化成本与产出之间的前沿"。

核心设计理念是"可替换性而非能力"：harness、记忆、上下文和 skills 被设计在模型权重之外，使模型成为可替换组件。微软的评估标准是——"即使移除任何给定模型，你的评估指标也应该继续攀升"。微软不希望 Copilot 的性能完全依赖 OpenAI、Anthropic 或任何单一 MAI 模型。