xAI 8 月 12 日发布 Grok 4.6，定位在长时运行智能体（long-running agents）和更复杂的交互/视觉任务。模型在多项 agentic coding 与知识工作基准上达到 frontier 水平：Artificial Analysis Intelligence Index 61 分（与 GPT-5.6 Sol 持平）、GDPVal-AA v2 1753 分、CursorBench v3.2 69.9%、DeepSWE v1.1 65.9%、FrontierCode v1.1 61.3%。

定价维持 Grok 4.5 水平：$2 / 百万输入 token、$6 / 百万输出 token，快速版翻倍。首批在 Cursor 和 Grok Build 中可用，首周提供 2 倍用量额度；同时通过 API、OpenRouter、Vercel、Cloudflare 等渠道开放。xAI 披露训练时使用了 Grok 4.5 重新生成的 SFT 轨迹，并在知识工作、通用编程、内核优化、Web 开发、计算机辅助设计等领域做了大量 agentic RL。

DeepSeek 8 月 12 日发布 V4 Pro 0813 正式版（GA），为大规模 MoE 模型，上下文窗口 1M。OpenRouter 上的生产定价为 $0.435 / 百万输入 token、$0.87 / 百万输出 token，缓存命中 $0.003625 / 百万；P50 延迟 1.56 秒，吞吐量 60 tok/s。

OpenRouter 实测基准：Artificial Analysis Intelligence Index 45.3、Coding Index 59.4、Agentic Index 37.8；GPQA Diamond 88.8%、Humanity's Last Exam 37.5%、Terminal-Bench Hard 46.2%、SciCode 50.0%。OpenRouter 上的流量数据显示，Claude Code 是其第四大调用来源（733M token），说明该模型已被多个 coding agent 直接采用。

Anthropic 8 月 12 日宣布，Claude in Chrome 扩展的侧边栏不再是独立会话，而是直接运行 Claude Cowork 会话。用户在浏览器中启动的任务可以在 Claude 桌面、Web 和移动应用之间无缝接力，技能和连接器（connectors）在浏览器内同样可用。

首批向 Max 和 Team 订阅开放，Pro 用户将在未来几周逐步推出；企业版默认关闭，管理员可限制到批准的域名。Claude in Chrome 可点击链接、输入文本、在页面间导航、填写表单，并使用用户已有的登录态访问内部仪表板或旧系统。Anthropic 在“自动批准”模式下增加了对关键动作（提交表单、发送消息、下载文件）的事前检查，与用户原始请求不匹配的动作会被拦截。

Zed 8 月 12 日发布 Delta（delta.dev），一个专门用于与 AI 智能体协作编码和 review 的多人环境，同日启动私有 beta。Delta 的核心是 DeltaDB：在 git 提交之间实时复制对话与工作目录，让评论锚定在任意一行代码上，并随代码演进保持位置。

Delta 支持 cloud runner：关闭笔记本后，agent 仍可继续运行，对话和代码与线程保持同步。通过链接分享的线程可在浏览器中打开，无需安装，且是同一个 Rust 应用编译为 WebAssembly、通过 WebGL 渲染。Delta 还接入第三方 agent harness，首发支持 Claude Code，终端里的 Claude Code 会话可实时同步到 Delta 线程中。Zed 强调 Delta 中的 diff 和 transcript 保持完整，不做折叠或摘要。

微软 AI CEO Mustafa Suleyman 8 月 12 日宣布 MAI-Thinking-1，微软首个从零构建的推理模型。该模型为稀疏 MoE，35B 激活参数 / 1T 总参数，上下文窗口 256K，最大输出 64K token，已在 Microsoft Foundry 上线预览。

微软模型卡披露：MAI-Thinking-1 针对可验证推理、软件工程、工具使用和指令遵循做了 RL 后训练，强调价格-性能比；在 SWE-Bench Pro 上“与同类权重的 frontier 模型性能相当”。定价为 $2 / 百万输入 token、$8 / 百万输出 token。模型为纯文本，不原生支持图像/音频/视频；工具调用完全由集成应用负责。

阿里云 8 月 12 日深夜通过魔搭 ModelScope 开放 Qwen3.8-2.4T-A95B 权重。模型总参数 2.4T，每 token 激活 95B，原生支持 262,144 token 上下文，可扩展至 1,010,000 token。每个 MoE 层含 512 个专家，每 token 选择 10 个路由专家 + 1 个共享专家，并采用多步 MTP 训练。

Qwen 团队称该版本重点提升编程、办公、科研和长周期 Agent 任务的端到端完成能力；在 PaperBench、IFBench 等 benchmark 中相对 Opus 4.8、Fable 5、GPT-5.6 Sol“互有高低”。后训练环节强调三个方向：持续扩展真实环境并解耦任务/工作空间/harness、统一奖励系统整合执行校验与视觉输出评分、在线数据均衡器稳定 RL 训练。

Modular 8 月 11 日宣布 Mojo 编程语言正式达到 1.0。Mojo 被定位为一个可用于生产、支持 CPU/GPU/加速器的通用系统编程语言，与 Python 语法兼容。1.0 承诺在 1.x 周期内以 additive 变更为主，减少破坏性改动。

自开源标准库以来，社区贡献者已近 200 人，合并超过 1,100 个 PR，改动超过 20 万行代码。Modular 表示 Mojo 已是其商业产品 MAX 和 Modular Cloud 的生产基础。1.0 新特性包括 Python 风格 lambda 语法、更稳定的 LSP 服务器、内存安全引用失效诊断、更一致的 where 子句。Modular 还承诺 2026 年开源 Mojo 编译器和工具链。MAX 26.5 同步支持 GLM-5.2 和 Nemotron-H 两个新模型族。

GitHub Blog 8 月 12 日刊发对 AutoGPT 创始 AI 工程师 Nicholas Tindle 的采访，介绍 AutoGPT 如何用 AGENTS.md 和 Skill 管理大量 AI 生成的 Pull Request。AutoGPT 仓库有 18 万 star、约 150 个开放 PR，其中大量由 Copilot、OpenClaw、AutoGPT 自身等 agent 生成。

核心做法：AGENTS.md 放在被治理代码旁边，skill 文件包含触发描述，agent 扫描描述后自动加载对应指南；PR 模板必须填写，否则会被关闭；模板里的“test plan”措辞会触发 test PR skill，让 agent 自动安装 agent-browser、启动应用并执行改动；Codecov 覆盖率作为 required check，agent 看到合并不了会自动补测试。Tindle 的结论是：与其关上大门，不如把门做成“只能按你的方式通过”。

OpenRouter 8 月 12 日上线实时网页搜索基准测试页面，覆盖 BrowseComp、DeepSearchQA、WideSearch、HLE 四个任务，定期跑多个模型 × 搜索引擎 × 搜索深度的组合。测试通过公开 API 和生产端点完成，使用开源 benchmark harness。

关键发现：增加搜索深度（从 1 次到 25 次）是提升质量最廉价的单一手段，分数大致翻倍，成本仅增加 2.5–7 倍；但在失败案例上，模型会耗尽预算继续搜索，最极端记录是 WideSearch 一单用了 81 次搜索仍错误。当前 leader：BrowseComp Claude Opus 5 + Perplexity 89.0%（$0.99）、DeepSearchQA Claude Opus 5 + Perplexity 76.5%（$0.091）、WideSearch GPT-5.6 Sol + Perplexity 84.0%（$0.063）、HLE Claude Opus 5 + Perplexity 77.4%（$0.16）。

Google Research 与 Technion 合作的论文 “Empty Shelves or Lost Keys? Recall Is the Bottleneck for Parametric Factuality” 提出新框架：把事实错误从“问题层面”拆解到“事实层面”，区分是知识未编码（空货架）还是编码了但无法访问（丢钥匙）。

他们构造了 WikiProfile 基准（2,150 条自然事实，每条配 10 种变体问题），在 13 个 LLM 上生成约 400 万条响应。发现 frontier 模型（GPT-5、Gemini-3）编码了 95–98% 的事实，但仍有 26–34% 的编码事实无法直接回忆；思考/推理时可恢复 40–65% 的“丢失钥匙”。长尾事实和反向问题（reversal curse）的回忆失败尤为显著。