Smallest AI 的 Pulse 登顶 Voice Arena 说话人分离榜

webAI 发布开源模型 TwIL-LM3-Pro，仅 3.6B 参数，可在普通电脑本地量化运行，BIG-Bench Hard 得分 95.4，远超 Qwen3-8B 的 63.7。其训练配方为：在形式逻辑上微调、将权重合并回基座模型，再用程序化验证器做 RL，逻辑分数提升的同时通用推理保持稳定。该模型在 SVAMP 上得 95%、MuSR 上得 64.1%，均为所比较小模型中的最高分。

Tavus 发布 Griffin，称其为首个通过视频图灵测试的 Human Interaction Model，48% 与其实时对话的人以为对方是真人，此前系统通过率低于 3%。作者获早期访问体验，称该视频到视频模型可边看边听、打断和被打断并反应房间内发生的事；在 NVIDIA Video Full-Duplex Benchmark 上生成得分 3.83/5，真人为 3.92。

微软研究院提出 Agensh，无需中心编排器即可通过共享状态和消息通道异步协调 1024 个编码智能体。在 ProgramBench 五个最难任务上，用 GPT-5.6-sol 将智能体从 1 增至 128 个，平均最终测试通过率从 19.31% 升至 28.78%；在 pandoc 上，1024 个智能体把通过率从 33.89% 提升到 55.06%。

Fireworks Research 发布专用模型 Ember-1，基于 Kimi K3 构建，生成更短的推理轨迹，token 用量减少约 40%，同时保持顶级质量。作者 Elvis Saravia 评论称这是对 Pareto 前沿上 token 效率优化的推进，认为该方向仍探索不足，各实验室急于发布新模型，某些方面尚未被优化。

DAIR.AI 的 Elvis Saravia 认同"用 Claude Code 不等于不用学编程"，强调用 Agent 做构建必须掌握基础。他近期深入 evals、infra、架构、scaling search 和 sandbox，发现用 Agent 极易产出劣质结果，即便用最先进模型也可能因 Agent 靠奇怪 hack 跑通而察觉不到问题。

MIT CSAIL 提出极简智能体框架 JAZ，仅有一个原语 invoke：LLM 编写代码、可递归调用 invoke，并将全部输入与历史视为代码环境中的变量。

Jev-Mem 是一种受 System-One/System-Two 认知启发的新型智能体记忆架构，将记忆构建提速 6.6 倍、查询延迟降低 36.7%。在 LoCoMo 上，它以 LLM 评审 0.777 的总分较最强基线相对提升 11.0%，记忆构建耗时 158 秒，平均查询延迟降至 0.93 秒。

Elvis Saravia 测试了 Space Bunny 模型，其在 OpenCode 中免费开放一周，支持 1M token 上下文窗口和图像输入。该模型视觉理解与设计能力出色，能自我验证工作成果，可从草图生成完整落地页、3D 模型、动画和可玩游戏。作者推荐将其用于图像转代码、交互原型和 3D 创意编程。

Odyssey 推出下一代多智能体世界模型 Agora-2，支持最多 20 个人类与智能体在共享环境中实时交互，多人研究预览现已开放体验。作者 Elvis Saravia 评价称，这类世界模型可用于共同训练机器人、自动驾驶和网络安全防御智能体，各方在交互中相互提升，也为研究智能体串谋提供了安全环境。

Elvis Saravia 提出用 Jev-as-a-Judge 做智能体评估，认为这是目前最惊艳的 Jev 用例之一。他的早期测试指向一套兼顾准确率与成本的优化流程：高置信度场景用 Jev，低置信度判定则升级到前沿模型（GPT-6 或 Opus 5.5）。他强调 Jev 并非处处适用，前沿模型也不该包揽所有评估，完整指南即将发布。