Opus 5.5 写作体验更像 Opus 4.5

WFM 是一个 Wiki Foundation Model，把 LLM Wiki 转成图结构，用基于查询条件的消息传递做检索，让每页文本与页面间链接结构共同决定结果。团队还构建了 GPU-to-GPU 训练协议，训练速度提升 10.5 倍，并在五个智能体记忆与多跳推理基准上取得强劲结果。若你的智能体长期记忆是一堆链接的 Markdown 文件，WFM 正是为此格式设计。

Anthropic 的提示词很棒。 它有助于在使用 Claude Code 中的 Opus 5.5 时引导长时间运行。 显然，在长时间运行的任务中，模型有时会停下来汇报，而不是继续执行。我注意到这种情况在前沿模型中经常发生。

小米发布开放权重模型 MiMo-V2.6-Pro，在 Artificial Analysis Intelligence Index 得分 46，为开放权重模型中最高，较前代 MiMo-V2.5-Pro 的 26 大幅提升，并以每任务 $0.13 的成本落在智能与成本帕累托前沿。

Google 等提出 DualSQL，用多智能体 RL 训练 Text-to-SQL，将任务拆成选表列与写 SQL 两个共享同一模型权重的智能体，推理时可经三个工具查询数据库。仅用 3，755 条样本训练，DualSQL-4B 在 BIRD dev 达 68.0% 执行准确率，追平此前 7B 模型；DualSQL-8B 达 71.1%，超过此前 32B 参数的单模型系统。

EvoOntology 用专用智能体构建本体并以 MCP 服务器形式提供 schema、内容与工具三层，数据智能体可在运行时查询。在 DDR-Bench 六个基座模型上平均提升 17.8 分，GPT-5.5 提升 26.7 分，BIRD 执行准确率提升 7.4 分。本体以小型类型化步骤编辑，仅保留经同基座配对评估有效的修改，工具层编辑贡献了 57% 的进化增益。

StepFun 新模型 Step 5 Preview 在编程智能体测试中表现亮眼，成本与能力处于帕累托前沿，可与 GLM 5.3、Kimi K3 等模型比肩且价格极具竞争力。

NVIDIA 提出一种前后端架构，让全双工语音模型通过发出委托 token，将流式转录转发给文本后端 LLM 执行工具调用，再经轻量 prefill-and-repeat 机制回传结果并由 TTS 播报。

NVIDIA 提出自进化智能体框架 SoL-Pi，通过跨多环境自动研究循环筛选机制，将 token 流量削减近一半，在 GPT-5.6 Sol 和 Opus 5 上匹配基线框架表现。

Elvis Saravia 列出 Jev 的四个应用方向：LLM-as-a-Judge 评估、agent harness 路由、通过 SOTA 分类能力实现更智能的子智能体创建以扩展编排、以及增强动态 harness 生成。前三个在成本和效率上 ROI 极高，他正将 Jev 用作元 harness 的智能路由器，第四个尚在测试但潜力巨大。

好观点！测试之后，Jev 感觉像是构建可靠 AI 系统的一个重要原语。我认为还有更多原语等待被发现，它们能让基于 LLM 的智能体变得更好、更快。