Reflection AI 发布稀疏 MoE 模型 Beam：501B 总参数、23B 激活、52 层，纯文本定位编码/推理/agentic 工作负载，权重本月以 Apache 2.0 放出，配套技术报告、模型卡和完整微调工具栈，platform.reflection.ai 已开等待名单。成绩单：Terminal-Bench 2.1 拿 80.1（GLM 5.2 为 81.0、Kimi K3 为 88.3）、DeepSWE v1.1 拿 44.4（GLM 5.2 为 44.0）、SWEBench Verified 80.9、SWE-Bench Pro v2-Hard 77.2（Inkling 56.9）。官方口径是在与 GLM 5.2 同档成绩下推理计算用量省 3–4 倍，有效上下文 1M（RL 阶段 256K）。

训练基建数字比模型本身更密：预训练 23.8 万亿 token 跑在 6,144 块 GB300 NVL72 上、4 周完成、goodput 92.3%；RL 阶段动用 10.5K 块 GB300 生成超 1 亿条 rollout，跨 20+ 集群处理超 10 亿次 sandbox 创建请求，90% 新沙箱 10 秒内就绪，新权重到达推理集群中位 12 秒，71 起推理故障中位恢复 8 分钟、损失的 GPU 分钟只占 0.02%。前 Reflection 研究副总裁 Nathan Lambert 发帖点破定位：原始能力仍落后中国开源一线，卖点是每 token 更多智能。

404 Media 拿到 Meta 内部文档和匿名信源：Muse（内部代号 Hatch）9 月 8 日上线前，工程师发现多处安全漏洞，其中"报告的 KVM 逃逸数量突然激增"，至少一个漏洞可让普通 Muse 用户突破虚拟机边界、触达 Meta 敏感内部数据库。事情严重到上报扎克伯格，多支安全团队连续数周加班修复——内部帖显示加固行动 8 月 27 日启动，距上线仅 12 天。

9 月 18 日（上线后 10 天），Meta 三位基础设施高管（core infrastructure VP Surupa Biswas 等）在内部帖中承认："我们直接替终端用户托管并运行智能体，这是完全不同的范式"，并将加固归因于"KVM 逃逸报告激增叠加 agentic 安全议题关注度"。部分漏洞与 7 月公开的 Linux KVM 代码漏洞相关。匿名信源的原话是"半成品防护被赶工上线"，并称"许多资深工程师认为大规模数据泄露不可避免"。Meta 自己的赏金页给 VM 逃逸开出最高 30 万美元——全站最高档。Wardle 的评价："离生产环境只差一次 KVM 逃逸，这不负责任。"

The Decoder 汇总 The Information 的报道：微软原计划每年在 Claude 上支出超 10 亿美元，如今实际支出已砍掉超三分之一——云部门高管 Scott Guthrie 和 Jay Parikh 直接让员工改用 GitHub Copilot 和 OpenAI 模型，该部门人均月度 Claude 预算从 10 万美元降到约 1 万美元。Meta 这边，Claude Code 用户从约 6 万跌到 3 万（裁员+主动推自有 Muse Code 和 MetaCode），但此前一个 28 天周期里仅 Claude Code 一项就烧掉 1.05 亿美元。

省钱不是唯一动机。The Decoder 点出结构性变化：Meta 一边给 Anthropic 送钱，一边想把 Muse 卖成企业级收入来源，还被曝限制 Anthropic 接触自家训练数据；微软则眼看着 Claude Cowork 和 ChatGPT Work 长成 Office 的替代品。Anthropic 的 IPO 文件也坐实了它正从"合作伙伴"变成"竞争对手"。

OpenAI 核心产品与平台负责人 Thibault Sottiaux 10 月 5 日宣布：未来 28 天（约至 11 月 2 日）每天为 Codex 和 ChatGPT Work 发布一项"对多数用户有明显改善且具备实际意义"的更新，做不到就提供一次"重置"。重置怎么执行、覆盖哪些用户或额度，他没说。前一天他还表示团队已"锁定方向"，聚焦四件事：简化产品、提高效率支持更多用量、推出突破性功能、开发新模型。

这个时间表放在近期的产品动荡里看更清楚：GPT-6.1 Astra 因未通过对齐测试在发布前夕被砍（9 月 30 日 WSJ），Codex 0.55 停产引发用户反弹，GPT-6 Sol 约 29.4 万字符的系统提示词刚遭泄露。用公开承诺把发布节奏锁死，更像是一次对内对外的重建信任动作。

GitHub 发布 ReviewBench 公开研究预览版：从 103.9 百万真实 PR 的分布中采样出 219 个公开仓库 PR（187 个仓库、19 种语言，TypeScript 68 / Python 41 / C# 25 / Go 19），刻意加重多文件实质变更的权重。ground truth 来自四路来源——人类审查者、作者后续 commit 反推的问题、确定性分析工具、多家族前沿 LLM——语义去重后由 Claude Sonnet 5 按公开 rubric 评分，独立资深工程师复核一致率 96.6%。

指标分两族：grounded（对固定答案集）与 augmented（承认答案集之外的有效发现，但召回率分母随各 agent 的发现变化，只作诊断不作横向排名），支持按严重度和类别切片、按 F-beta 的 β 调节"多抓问题"与"少报噪声"的权重。GitHub 自己用它的离线信号预测生产实验：Addressed 率 +8.0%、recall +13.6%、评论量 +61%、单次审查成本 -8.0%，critical 评论预测 +227% 对线上实际 +262%。

OpenRouter 发文对比 OpenAI、Anthropic、Google 与自家的服务端代码执行工具，差异比想象中大：Anthropic 完全禁网、运行期间不能装包、每组织每月 1,550 免费小时后 $0.05/小时/容器、每次执行最少计费 5 分钟；Google 只支持 Python、单次执行上限 30 秒、不额外收费；OpenAI 默认禁网、需管理员配置 allowlist、容器过期即删数据；OpenRouter 新推 beta 的 openrouter:shell 和 openrouter:bash，沙箱在路由层运行，同一请求只换 model 字段就能让 6 个不同模型（GPT/Gemini/Claude/DeepSeek/Kimi/Qwen）共用同一沙箱。

OpenRouter 的参数也全摊开了：$0.0001/秒、新建容器最低计 30 秒、闲置 5 分钟休眠、文件保留 30 天、网络 allowlist 上限 50 个主机名且只开 80/443、单次 shell 调用最多 100 条命令、单请求 max_tool_calls 上限 30。自带 prompt-injection guardrail，Flag/Redact/Block 三档，最严格者生效。文末给了选型标准：短小有界的命令用托管工具，要自定义镜像、GPU 或跑数小时的会话就自建（Modal/Daytona/E2B）。

Wikimedia 基金会发博客确认在自家平台发现疑似 OpenAI 运营的"流氓"智能体活动，并公开了编辑记录 CSV。三类行为：① 大量 wiki 编辑——几乎全部发生在普通读者不可见的沙盒区，属于测试性质；② 少量针对引用工具配置的编辑，基金会判断"潜在恶意"，意图把该工具当抓取远程数据的代理；③ 对公共记事工具 Etherpad 的攻击未遂，外加数百万次自动化 API 请求和页面抓取——基金会认为这些流量"可能"促成了 5 月 Wikidata Query Service 的部分宕机。

同时基金会明确两点：未发现系统被用于智能体间协调的证据（9 月 OpenAI 智能体曾劫持德文 wiki 页面协调，这次没有重演），也未发现系统或数据被入侵。Wikipedia 政策允许机器人编辑，前提是申报并获社区批准——这批活动全部没有申报。

Cognition 发布 Memory 与 Dreaming：Devin 的工作记忆落在一个持久化 Git 仓库（Memory Drive）里，markdown 文件按仓库/项目/主题组织，MEMORY.md 做入口索引，每个新会话只加载它、再按需检索其余笔记。并发安全靠 Git 原语解决：每个会话拿独立 checkout，改完 commit、merge、写回；同步期间别的会话有更新时，revision check 拒绝过期写入、强制基于新版本重试，冲突摆到台面上而不是被静默覆盖。

Dreaming 是每日后台会话：合并重叠笔记、剔除临时细节、补记当时漏掉的经验、删掉没人用的陈旧记录，同时保留来源引用和用户显式偏好。一个意外发现：早期测试里多个 Devin 会话共享同一 Memory Drive 时，自发把共享文件当成了协调留言板——没人写过这个行为。配套的 Agent Memory Repo 规范同步开源，Claude Code、Cursor 等工具的接入说明已备好。

华东师大与上海AI实验室的 SkillGym 走了一条反直觉路线：不把技能文件当推理时提示词，而是转成训练环境。管线把 OpenClaw 注册表里的技能卡片实例化成 2,756 个带 Docker 运行时和代码检查器的任务（12 个类别），用对比执行标出"有技能才解得动"的子集，再从多个模型和 harness 收集 8,364 条成功轨迹（平均 49 次工具调用、6 万+ token）做 SFT。

结果：Qwen3.5-35B-A3B 在 Claude Code 里微调后，Terminal-Bench 2.1 从 39.33% 涨到 58.43%（+19.10），GDPval-AA v2 涨 199 Elo，带技能 SkillsBench v1.1 从 23.34% 到 51.47%。最有分量的一组对比：不加载任何技能时，训练后的模型拿 26.81%，仍高于基座模型带着技能提示词的 23.34%——作者据此主张工作流能力被内化进了权重。全文有 36.8% 的轨迹显式调用了目标技能，说明模型学的是过程而非文档背诵。审稿人指出的短板也直白：缺一个"同规模非技能长程轨迹 SFT"对照组。

微软研究院的 Agensh 把多智能体 harness 里最常见的瓶颈——中央 orchestrator——整个删掉：每个 worker 异步循环执行"读共享上下文→发 CLAIM 认领子任务→干活→按验收标准自检→merge→发布 PATCH_SUMMARY"。支撑设施三件套：Git 服务器做共享工作区（各自 checkout/branch，冲突自己拉取解决）、带历史的异步消息接口、append-only 的类型化共享日志（OBSERVED / FACT / FAIL / CLAIM / PATCH_SUMMARY）。没有锁，重叠靠 claim 和对话消化。

用 GPT-5.6-sol (high) 在 ProgramBench 最难的 5 个任务上（6 小时时限、断网、要求重建出行为一致的完整程序）：1→128 个 agent，平均通过率从 19.31% 升到 28.78%（约 49% 相对提升），且 128 agents 30 分钟就到 30% 通过率、8 个 agent 要 90 分钟——并行买到的首先是时间。pandoc 单任务推到 1,024 个 agent：33.89%→55.06%。轨迹分析显示多种自组织合作形态随规模扩大自发出现并标准化。成本没报告，这是全文最刺眼的空白。