资讯

Claude Opus 5.5 价格更低，但思考控制、强制工具调用、思考块路由与对话历史、计算机使用工具集四个方面都有破坏性变更。另有叙述性文字变成思考块、安全分类器更宽泛等变化不会报错，却会悄悄改变 Agent 行为。Anthropic 建议先在开发环境测试再切生产流量。

OpenAI 发布 GPT-6 Sol 和 Luna，API 价格较 GPT-5.6 同级下降 50%（Luna 输出 Token 降 58%）。新模型默认缓存命中率更高，且调整推理强度或工具可用性时不会破坏缓存，还新增 Prompt Caching Dashboard 供开发者监控缓存表现。GitHub 反馈称这些改进让需重新处理的 prompt token 占比下降超过 50%。

Claude Opus 5.5 在智能体编程、计算机使用和知识工作上领先，速度提升约 30%，单价下调 20%，默认 effort 为 medium。但 Artificial Analysis 指出其最大 effort 下因 token 用量增加，单任务成本与 Opus 5 持平，40% 降幅仅适用于默认设置。写作能力的显著改进是本次发布少见强调的重点。

DeepSeek 发布 DSec（DeepSeek Elastic Compute），一个面向大规模智能体训练与评估的生产级沙箱平台。它通过统一 SDK 暴露 FnCall、容器、microVM 和 full-VM 四种后端，用分层镜像、内存共享与回收、按需从 3FS 加载镜像等机制实现高密度执行，并与强化学习框架协同设计，把有状态的 rollout 与可抢占的 GPU 训练解耦。

Anthropic 发布 Claude Opus 5.5，价格较 Opus 5 下降 20%，缓存读取价格降低 60%。OpenAI 随后发布 GPT-6 Sol 和 GPT-6 Luna，价格仅为 GPT-5.6 同级模型的一半。作者测试发现 Opus 5.5 在 max 思考等级下会过度思考导致输出令牌耗尽，无法生成结果。

Anthropic 推出 Claude Opus 5.5，覆盖更完整的编码生命周期，在多数任务上达到 Fable 5.1 水平，运行成本比 Opus 5 低约 40%。它擅长大型代码库迁移与审计，内部测试中完成 HAProxy 从 C 到 Rust 的翻译仅用 9.5 小时，比 Fable 5.1 快且便宜 51%。但受访工程师强调，任务看起来完成与结果正确是两回事，人的角色正从写代码转向验证代码。

JetBrains 正式发布 Air，将其近期多条 AI 产品线整合到同一品牌下，分为 Air in JetBrains IDEs、Air Teams 和 Air Governance 三部分，并保留原有的独立 Air 桌面应用。公司认为，尽管智能体开发让工作分散到终端、浏览器和云端，IDE 依然是开发者指挥智能体、审查和验证代码的地方。Air Teams 和 Air Governance 目前仍处于早期访问阶段。

OpenAI 发布 GPT-6 Sol 和 Luna 两款新模型，输入输出价格相比前代降低一半以上，官方称得益于缓存和推理优化。基准测试显示较 GPT-5.6 有提升但幅度有限，Sol 在部分测试上基本追平 Anthropic 的 Fable 5，成本仅为后者两成。不过 Anthropic 同日发布 Opus 5.5 并降价，双方成本对比已被打乱，且尚无正面测试结果。

Anthropic 将 Claude 聊天和 Cowork 合并为统一界面，Pro 和 Max 用户先体验，免费和团队版后续跟进。OpenAI 自 7 月起提供 Work 模式。头对头测试显示两者准确率一样，但 ChatGPT 速度更快、输出 Token 少约 22%，Claude 则补充了更多上下文、判断说明和百分位计算方法。作者认为细节更重要，因此更倾向 Claude。

Claude Opus 5.5 发布，输入 Token 降至每百万 4 美元，输出降至 20 美元，缓存读写同步降价，Anthropic 称综合成本降幅接近 40%。企业测试与内部评测显示它用更少的 Token 和步骤完成任务。但安全分类器会静默将网络安全、生物等请求路由到旧模型，多轮 Agent 工作流中的一致性可能受影响。

llm-typesafe 是 LLM 的一个新插件，为 TypeSafe AI 的 Jev 模型提供支持。它支持三种提问方式：是/否判断（noul）、选择题和打分题，用户可以通过命令行选项直接调用。

智能体在收集上下文时会读取工作目录里的文件，包括被忽视的 .env、云凭证和 SSH 配置，一旦这些内容随提示词发往外部模型，密钥就可能进入模型提供商日志和提示历史。传统的提交、PR、CI 检查点无法拦截提交前的泄露，因此需要把确定性的密钥检测前移到智能体读取文件和提交提示词的环节。

Worker Previews 为每个 Git 分支提供生产级预览环境，涵盖独立的代码、配置、URL、可观测性和状态。通过 wrangler preview 部署隔离预览，支持自定义域名、Durable Objects 和 Containers 隔离，让 Agent 在合并前就能完成充分测试。

作者用三项双会话测试对比 Grok Build 与 Claude Code 的记忆功能：同项目内的规则记忆两者都能做到，差异出在跨项目规则上——Grok 的全局作用域把规则带到了第二个仓库，Claude Code 的记忆则止步于仓库边界。三项测试 Grok 全过，Claude Code 过两项，但 Claude Code 每场都更快，而 Grok 每场都便宜一半以上。

TypeSafe 发布 System One 模型 Jev，专为软件内部决策设计，输出带校准概率的类型化结果，不做对话式生成。创始人 Diogo Almeida 认为顺序生成的 LLM 对计算机“完全没用”，Jev 在 Vercel AI Gateway 上线 24 小时内成为采用最快的模型。开发者测试显示它在非擅长的图像识别任务上仍显著超过随机猜测。

开发者 Jared Palmer 发布基于 Qwen 3.5 的开放决策模型家族 Kev，包含 0.8B、4B、9B 三种参数规模，采用 prefill-only 架构，通过指针头直接输出候选概率，无需自回归解码。Kev 支持 Noul、Choice、Score 三类决策，并在 Apache 2.0 下开放权重、训练代码和评估工具。不过其概率校准在未见分布上会漂移，微调也带来通用知识与算术能力下降。

SpaceXAI 发布 Grok 4.7，通过更长的强化学习运行并刻意加重硬任务来提升智能体的持久性，在 Terminal-Bench 4.0、CursorBench 4.0 和 AA Briefcase v1.1 上均有提升。但可靠性依然不足，Terminal-Bench 得分 38.0%，仍明显落后 Fable 5.1。训练中还把 Grok Bot 的 harness 直接融入模型，引发模型与基础设施耦合的担忧。

Strands Harness 构建在 AWS 2025 年 5 月开源的 Strands Agents SDK 之上，提供开箱即用的文件、Shell、Web 工具，以及上下文管理、记忆、持久会话、提示缓存和多 Agent 委派等内置能力。除模型调用默认走 Amazon Bedrock 外，其余组件均可在本地运行或替换。AWS 在六个基准测试上对比了各执行框架的平均成本与得分，称 Strands Harness 比 Claude Code 和 Codex 便宜 45%、准确率大体相当，但 DeepSeek Harness 比它还要便宜约 14%。