Odyssey 发布多智能体世界模型 Agora-2，支持最多 20 个人类与智能体实时共享模拟环境

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。

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。

Opus 5.5 感觉更像 Opus 4.5。 是我一个人的感觉，还是它写作真的好了很多？ Claudese 的感觉基本消失了。 回复读起来也更轻松了。

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。