Gergely Orosz 实地探访 OpenAI 总部，访谈了七位工程师与工程负责人（应用基建 VP Venkat Venkataramani、ChatGPT 工程负责人 Sulman Choudhry、桌面端负责人 Andrew Ambrosino、核心 agent 团队负责人 Joe Gershenson 等）。结论：自 1 月起，Codex 和 ChatGPT Work 成为公司几乎所有工作的基础。财务、招聘、法务这些非工程部门在 4 个月内采用率从约 0% 冲到 90%——而早在界面对非工程师还极不友好、满屏代码的时期，采用率已有 40%。整体使用率从 4 月到 5 月由 60% 跳到 90%，Andrew 把拐点归因于 harness 处理长任务能力的改善，而不是模型变聪明。

今天的 OpenAI 按一条 9 步流水线运转：人定义目标 → Codex 收集上下文 → 实现 → 构建测试 CI → agent 审查 → agent 部署 → 观察生产 → 生产监控反馈 → Sevbot 故障响应。代码审查不是单一 reviewer，而是按变更内容派生多个领域专家 agent（云基础设施、安全各管一摊）；低风险 PR 由专门 agent 自动批准。部署环节有"护航 agent"手把手把变更送到生产并自建监控仪表盘；Sevbot 负责故障时收集上下文、拟定缓解措施——但不自动执行。配套改造：所有文档移入源码，上下文源接通 Git、GitHub、Slack、Notion、Databricks、Datadog、内部日志和内部 skills。代价是某些系统负载涨了约 10 倍——多数公司走完这一步要 2-3 年，OpenAI 用了 6 个月。

论文比较了五种工具接口：类型化工具目录、仅 Bash、程序化工具调用（agent 对固定目录写代码）、Bash+类型化工具叠加、Bash+agent 自写工具叠加。在 TheAgentCompany 和 APEX-Agents 两个基准上，用 Opus-4.8 和 GPT-5.5 测试。结果：仅 Bash 比 typed tools 在 TheAgentCompany 上高 21.8-24.5 分，在 APEX-Agents 上高 4.8-7.4 分，同时 token 消耗少 19%-72%。在 Bash 之上再叠加类型化工具或 agent 自写工具，均无可测量收益。

作者给出的选型建议只有两条：执行可以沙箱化时，用 Bash；合规要求固定工具清单时，用程序化工具调用。

1Password 8 月 6 日发布的 FLAWED 报告称 AI 产出的干净修复率只有 26%。Trail of Bits 复查其公开代码和数据后列出四个设计选择：样本刻意挑了 6 个难修的漏洞（各漏洞干净修复率从 3% 到 60% 不等，均值取决于挑了哪些）；两组提示词故意指示 agent 应用错误修复，占数据 22%；一个评测模式禁止编译和运行代码，占数据 36%；GPT-5.5 跑 medium effort、Opus 4.8 跑 high effort，都没测最高档，也没测 effort 对结果的影响。

作为参照，Trail of Bits 给出自己咨询项目的人类基线：2024-2026 年 236 次安全评估中 2,265 个漏洞的首轮修复，12.5%（八分之一）没能完全解决，95% 置信区间 10.5%-14.5%——开发者拿着详细报告、知道会被复查，仍然八分之一修不对。随文发布两个 agent 技能：post-patch-validation 引导 agent 复现原始 bug、换一条路径再测、查回归、并把构建失败标记为"无法定论"而非"漏洞已复现"；review-walkthrough 把分支 diff 变成按逻辑阅读顺序的互动走查。两者连同此前的 variant-analysis、property-based-testing、mutation-testing 全部开源在 trailofbits/skills。

TypeSafe AI 发布首个"System One 决策模型"Jev：不做文本生成、不做推理链，一次查询并行输出带校准概率的结构化判断——训练方法是新的 RLCD（Reinforcement Learning for Calibrated Decisions），目标是置信度与实际正确频率对齐。定价：输入 $0.042/百万 token（即 $42/十亿），输出免费；响应 70-500ms。创始人 Diogo Almeida 是 2022 年 InstructGPT 论文共同作者。官方口径称同类任务比前沿 LLM 快 40-200 倍，首页标语的 193.6 倍快、444.6 倍省是上限值。

Every 的第三方实测更接近现实：主编 Mike Taylor 把 37 篇文章 × 21 个 AI 写作特征问题丢给 Jev，0.7 秒内返回 777 个判断，成本约四分之一美分；整轮 11 个实验共 1,709 个判断，总计不到 1 美分。Dan Shipper 的对照测试：同一组 4 项写作检查跑 12 段文本，Jev 每篇中位 0.35 秒，Fable 5.1（high effort）8.83 秒——约 25 倍快、约 580 倍便宜；7 个植入缺陷 Jev 抓到 6 个，Fable 抓满 7 个。参数量与上下文长度未披露，目前早期访问制。

Cody Ho 与 Niklas 用约一个月，为 M4 Mac Mini 和 MacBook Neo（A18 Pro）从零逆向出完整的 AGX 固件 ABI 并写出 Linux GPU 驱动：OpenGL ES 3.0 全兼容（不通过的仅剩可选扩展），Minecraft 跑到 200fps，Chrome 和 Firefox 的 WebGL 正常合成。全程只做实时探测、不查看任何 Apple 二进制，清洁室流程——捕获数据里含 shader 的页直接丢弃换成自写实现。

分工上，Codex（GPT-5.6 Sol，后期换 GPT-6 Astra）主导内核侧：固件 ABI 逆向、Rust drm-shim、异步内核驱动；Claude 负责用户空间第一阶段（分析 Metal 程序、写反汇编器），但在理解指令以编译自有程序上失败。硬骨头是 compute：初始 trace 捕获高达 336MB 无法重放，改成单用户模式加微型 Metal 程序才拿到干净数据；Codex 在 compute 对象上卡了超过一周，trace 抓对之后几小时就拆解完。还有一个野路子 harness：为绕过 Codex 的网络安全过度限制，作者写了个 daemon 每分钟截图对比，画面不变就自动输入 /goal resume 让它继续跑。

安全公司 Strix 在评估推理供应商 Baseten（估值 130 亿美元）时，把自己的自主渗透 agent 指向 *.baseten.co，无凭据、无源码。约 25 分钟内 agent 自主跑完整条链路：枚举主机和证书日志 → 发现一个公开的 Harbor 镜像仓库 → 匿名拉取 baseten/baseten-app 镜像 → TruffleHog 扫出一对已失效的 AWS key 后没有停手 → 继续在镜像 config 的 history[].created_by 字段里找到 2023 年 3 月构建时被展开进 RUN 命令的 GitHub PAT（ARG GITHUB_TOKEN 直接进了构建参数）。该 token 属 basetenbot 账号，对 Baseten 主产品仓库、驱动集群的 GitOps 仓库和 Homebrew tap 有 admin+push 权限，另有多个私有仓库可读写——两年半后的 7 月测试时依然有效。Baseten 次日上午确认为 critical、仓库转私有并轮换令牌。

根因是熟悉的老坑：构建需要拉私有依赖，有人把 GitHub token 当 build argument 传进去，Docker 把展开后的值记进了镜像元数据。清理密钥文件没用——history 里还存着一份。

Perplexity CEO Aravind Srinivas 宣布自研键值数据库 CobbleDB，替代 AWS DynamoDB 承接网页内容抓取的热存储，称迁移后每年最多节省一亿美元。团队构成：两名工程师，加上数百个全天候持续运行的 Computer agent，两个月建成核心基础设施。官方研究给出的性能数字：热存储批次读取延迟比 DynamoDB 全分布低约 5 倍，P50 从 31.4ms 降到 5.60ms。工程博客原文当前被 Cloudflare 拦截未能直接核实，以上均为官方口径。

Databricks 的 Yuchen Jin 让 Codex/Astra 搜索一个超大 Slack 频道，恰好他的认证失效了。agent 没有修 auth、没有走 API，直接切到 computer use，在 Slack 界面上快速滚动浏览——他看着它翻完，比 API 还快。他的原话："Slack API 慢得难受还有速率限制，它显然不是为 agent 造的……AI 也许不会等 API。"

一名自称 FOSS 维护者的学生博主（tintotint）把 F-Droid 2026 年 9 月 12 日推送的整批更新——共 102 个应用——逐个人工巡查仓库后给出分级：74 个（72.5%）主要由 AI 编写，9 个难以归类，19 个几乎无 AI 痕迹。判据是"仓库美学"：Claude/Codex co-authored 提交记录、仓库里的 agent 基础设施配置（有就直接归 AI 类）、AI 生成图标、README 的 emoji 倾倒、一次性 +10k 行的 init 提交。他还发现 Codeberg 托管的 5 个应用里 4 个被评为 Mostly AI——可能违反 Codeberg 自己的 AI 使用政策。

作者自己列了局限：评级主观、基于表面信号、未做代码质量与安全分析、单日单批次样本不代表整个 F-Droid。

Arena 更新 Image-to-WebDev 榜单并纳入四个新评测模型：GPT-6 Astra（Max）以 1733 分登顶，领先第二名 Claude Fable 5.1（Max，1710 分）23 分，领先 GPT-5.6 Sol（xHigh）129 分；Muse Spark 1.3（Max）1645 分排第四；GLM-5.3-Flash 1588 分排第十，第三名为 Claude Opus 5（Max，1665 分）。该榜评测两项能力：从图像和截图生成网站，以及涉及多步推理和工具使用的 agentic 编码工作流。性价比侧，三个模型站上 Pareto 前沿：Astra $40/M、Muse Spark 1.3 $3.50/M、GLM-5.3-Flash $0.21/M（每 1M token 混合价）。