GPT-6 Astra Ultrafast 现已在 OpenAI API 及符合条件的 ChatGPT Work 与 Codex 用户中可用，基于 NVIDIA Blackwell GPU 推理优化，token 生成速度较 Astra Standard 模式最高提升 8 倍。
推荐理由：GPT-6 Astra Ultrafast 在 Blackwell 上比标准模式快最多8倍，可缩短编码智能体在工具调用间的等待，提升交互流畅度。
Amazon Web Services 发布开源决策模型 Strands Decider 2B，受 Jev 启发，以低成本和置信度评分适配智能体工作流的步骤决策。该模型基于 Qen3.5-2B 构建，完全开源可本地运行，由 Strands Labs 推出；同周 OpenAI 也宣布了类似产品，反映决策模型涌现。
Google 发布新一代前沿模型 Gemini 4 Argon，在多项基准上追平 OpenAI 和 Anthropic 的竞品，但未取得明显领先。Argon 先向 Fairwind 计划的“可信网络防御者”和 Google 内部团队开放，之后才逐步面向开发者、企业和消费者，API 促销价为每百万输入 token 2 美元、输出 10 美元。
推荐理由：汇总第三方基准与定价数据，可对比 Argon 与 GPT-6、Claude 系列在智能指数和 token 消耗上的差距。
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作和网络防御，先在 Fairwind 计划的政府用户与可信网络防御者中开放，之后才向开发者、企业和消费者开放。
推荐理由：汇总 Gemini 4 Argon 的基准、定价与第三方评测分歧，可对照其与 Astra、Opus 5.5 的实际差距。
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步扩展到开发者、企业和消费者，起价为每百万输入 token 2 美元、每百万输出 token 10 美元。
推荐理由：官方给出 Argon 在长程编码、企业知识工作与网络安全防御上的基准与内部落地数据，可据此判断前沿模型的能力边界与分阶段开放节奏。
AWS 宣布 Claude Sonnet 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上可用，定位为面向编码与知识工作的更高效 Sonnet 模型，多数任务单任务成本更低、速度更快。
推荐理由：AWS 官方给出 Sonnet 5.5 的适用边界与 Opus 5.5 的分工，读者可据此判断何时选 Sonnet。
H company 发布 Holo4 系列智能体模型，包含 27B dense 和 35B-A3B MoE 两种规格，同时更新 Holotron4 Nano。Holo4 通过 GUI、代码、MCP 和 API 与软件交互，在 OSWorld 2.0 上 27B 版本得分 61.7%，35B-A3B 版本得分 30.9%。
推荐理由：Holo4 支持 GUI、代码、MCP 和 API 多接口交互，在 OSWorld 2.0 上以更低成本接近闭源模型表现。
Anthropic 发布 Claude Opus 5.5，称其为新 Claude 5.5 家族首个模型，多数任务达到 Claude Fable 5.1 水平，运行成本比 Opus 5 低 40%，并成为 Claude Code 与 Claude 应用的默认模型。
推荐理由：汇总了 Opus 5.5 与 GPT-6 Sol/Luna 同日的定价、基准与第三方评测，便于对比两家新模型的取舍。
小米发布 MiMo-V2.6 系列两款原生全模态开源模型，MiMo-V2.6-Pro 为 1.02T 总参数、42B 激活参数，Artificial Analysis 智能指数 46，位列开源权重模型首位，定价 $0.435/M 输入、$0.87/M 输出 token，采用 MIT 许可。
推荐理由：小米首次进入前沿开源模型序列，其RL环境与训练配方开源，可观察后训练成本压缩到何种程度。
Latent Space 汇总了 Jev 发布两天内出现的 6 个复现方案，包括基于 ModernBERT-large 的 Laya（421M 参数）、基于扩散模型的 DiffusionGemmaJev、Qwen3.5-9B LoRA 微调的 Bespoke Nimble、SemIf（原 OpenJev，4B 与 35B）、Jevlike 和 Kev-0.5B。
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking，旨在提升实时语音对话的智能与并行推理能力。
推荐理由：原文给出了两款实时语音模型在推理与工具调用上的具体基准表现，读者可据此评估其在生产级语音智能体中的适用性。
OpenAI 发布 GPT-6 Astra，称其是面向企业场景能力最强的模型，具备高级推理、计算机操作以及更强的写作与设计判断力。
推荐理由：OpenAI 公布 GPT-6 Astra 面向企业场景的能力定位，读者可据此了解其推理与计算机操作方向。
Google DeepMind 发布 Gemini 3.8 Flash 和面向安全防御的 Gemini 3.8 Flash Cyber，前者定价与 3.7 Flash 相同，为每百万输入 token 0.75 美元、每百万输出 token 3.75 美元。
推荐理由：官方给出 3.8 Flash 与 Cyber 两个变体的能力、定价和开放入口，可据此判断长程编码与安全场景的选型。
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可直接把原始音频转成准确、格式化文本。据 Artificial Analysis 测量，流式场景平均 WER 为 4.0%，非流式为 2.6%，最终转写时间较前代 Chirp 3 改善 70%；模型支持 85 种以上语言自动检测、自定义词汇和最多三位说话人区分。
推荐理由：官方给出 WER、延迟与多语言等量化指标，并列出两套 API 与产品落地入口，便于判断语音转写能力边界。
IBM Granite 团队发布 Granite 4.2，这是其首个稠密、decoder-only 的推理模型家族，包含 3B、8B、30B 三个尺寸，均以 Apache 2.0 许可开源。
推荐理由：IBM 公开了 Granite 4.2 从预训练到多阶段 RL 的完整构建流程，可对照其分阶段课程与奖励设计理解推理模型如何训练。
Google DeepMind 发布 Gemini 3.7 Flash，定位为面向编码和智能体的最强主力模型，距 Gemini 3.6 Flash 发布仅三周。
推荐理由：官方给出与 3.6 Flash 的多项基准对比和半价定价，可据此判断编码与智能体任务的性价比变化。
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数、采用 Apache 2.0 许可的多模态模型，面向本地智能体场景，可用于编码、文档分析和个人助理。
推荐理由：Meta 开源 30B 多模态模型，附完整基准对比与本地部署代码，可据此判断端侧智能体选型。
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber。
推荐理由：三款 Flash 系列模型同时发布，给出 token 效率、价格与多项基准对比，可据此判断智能体工作流的成本变化。
Google DeepMind 推出 Gemini 3.5 Flash Cyber，这是基于 3.5 Flash 微调的轻量网络安全模型，用于快速发现、验证和修补漏洞，在 CyberGym 等基准上以多次调用取得接近更大模型的表现。
推荐理由：官方披露了轻量安全模型的基准表现与限量开放方式，可了解专用小模型在漏洞挖掘上的取舍。
Thinking Machines 在 Hugging Face 发布 Inkling，一个约 1T 参数、支持 1M 上下文并原生接收图像、文本和音频输入的开源多模态 MoE 模型，同时推出 276B 总参数、12B 激活参数的 Inkling-Small。
推荐理由：原文给出 Inkling 的架构细节、部署配置与基准对比，读者可据此判断这一开源多模态模型的落地门槛。
Mistral 发布 Mistral Medium 3.5，这是一个 128B 稠密模型，将指令遵循、推理与编码合并到同一套权重中，以修改版 MIT 许可开放权重，支持 256k 上下文窗口，最少四块 GPU 即可自托管，在 SWE-Bench Verified 上得分 77.6%，τ³-Telecom 得分 91.4。
推荐理由：Mistral 把编码智能体搬到云端并同步开源 128B 权重，读者可据此判断自托管与异步编码的可行边界。
Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，定位为面向智能体与编码的前沿模型，即日起在 Gemini 应用、Google 搜索 AI Mode、Google Antigravity、Gemini API、Google AI Studio、Android Studio 及 Gemini Enterprise 上线。
推荐理由：官方给出 3.5 Flash 在编码与智能体基准上的具体分数和开放渠道，可据此判断速度与质量的取舍。
Mistral AI 发布 Devstral 2 编码模型家族，含 123B 的 Devstral 2 和 24B 的 Devstral Small 2，两者均为开源模型，分别采用修改版 MIT 和 Apache 2.0 许可。
推荐理由：官方给出两款开源编码模型的参数、SWE-bench 成绩与许可差异，并附独立人工评测对比，便于判断开源编码模型与闭源模型的差距。
Mistral AI 发布 Codestral 25.08，并推出由 Codestral、Codestral Embed、Devstral 和 Mistral Code IDE 插件组成的企业级编码栈。
推荐理由：Mistral 把补全、代码检索与智能体工作流打包成可私有部署的企业编码栈，读者可据此判断自托管方案的能力边界。
Mistral AI 与 All Hands AI 合作推出 Devstral Medium，并升级 Devstral Small 至 1.1。
推荐理由：Mistral 与 All Hands AI 联合发布两款代码智能体模型，给出 SWE-Bench Verified 分数与 API 定价，便于对比现有方案。
Mistral AI 与 All Hands AI 合作发布面向软件工程任务的智能体模型 Devstral，在 SWE-Bench Verified 上取得 46.8%，比此前开源 SoTA 高出 6 个百分点以上，并以 Apache 2.0 许可开源。
推荐理由：官方给出 Devstral 在 SWE-Bench Verified 的分数与开源许可，读者可据此判断开源编码智能体的当前水位。