一期 5 到 10 条，不转述新闻稿。每条附一手来源，再说一句它对正在做产品的人意味着什么。
视角 · 这是这个月开源阵营里离闭源前沿最近的一个，但 1T 参数不是小团队能随手自托管的量级，对大多数产品来说现实的用法是先走 API：价格和 Terra 同一档，拿 PandaClaws 的长文生成任务跑一轮对比就能知道值不值得切。要注意许可证，如果你的产品本身是对外提供模型调用，就属于需要另签的「模型即服务」。
视角 · 这份规范最有用的是智能体那几节，基本就是一份现成的设计检查表：「约定范围 + 结束条件 + 越界要批准」和「工具返回的内容不是指令」。我会把它和上周 Amazon Quick 的智能审批清单放在一起，对一遍 PandaClaws 后台抓网页、发内容的每一步，看哪些地方还把网页内容直接拼进了指令。
视角 · 这是我一直推荐的做法：智能体只决定「做不做、参数是什么」，真正有副作用的步骤（审批、扣款、改数据）留在确定性的工作流里。如果你已经在 AWS 上用 Step Functions 编排业务，先把只读的「查运行状态」接给智能体做运维问答，再考虑放开「启动流程」，并且让工作流自己带审批节点，而不是靠提示词约束。
视角 · 对团队有用的是 Vertex AI 和 Bedrock 两条路径：账单和数据合规已经落在某朵云上的，现在可以在原来的云账号里用 Codex 跑 Terra，不用再单开 OpenAI 账号。另外，恢复会话会丢权限设置这个问题修掉了，之前靠 resume 跑长任务的，建议升级后再检查一遍审批配置。
视角 · 对智能面试这类要在端上转写的产品，这是一个低成本的试验口：接口不变，换引擎就能比。但要看清那条「会议录音词错率都在 23% 以上」——多人、远场的真实面试场景远比朗读语料难，评测一定要用自己的录音。AnyDecisionModel 读概率而不是解析文本的思路也值得借鉴，打分类任务的结果会稳定很多。
视角 · 分数这次没公布，值得看的是发布方式：基座不动、只换适配器，意味着线上评测基线大部分不用重跑。如果你在用 LoRA 之类给不同功能挂适配器，可以照这个思路给每个适配器单独打版本、单独回归，而不是每次都整模型升级。
简报是按天看，专题是按事看。每条简报同时归档到它涉及的专题，一页读完某件事的来龙去脉。
清单与星数动态更新 · 星数实时来自 GitHub。
一组智能体技能，带编码智能体从截图、规划到构建和测试，用 Swift 与 SwiftUI 做原生 macOS 应用，不用打开 Xcode 界面。
在发布产物里埋诱饵、耗预算，拖慢 AI 逆向智能体分析你的二进制和前端包；适合担心客户端代码被 AI 批量逆向的团队。
自托管的外部攻击面评估：持续发现暴露资产，判断当天被利用的 CVE 能否打到你，并能通过 MCP 交给编码智能体修复。
从一段 AI 生成的视频为任意生物做动作捕捉，翅膀、尾巴、八条腿都能处理，输出 GLB，适合需要非人形角色动画的小团队。
给智能体用的程序化视频引擎，兼容 Remotion 和 HTML 写法，用 Rust GPU 合成加速渲染；适合做批量视频生成的内容团队。
一个 skill，打开就能看本机所有 Claude Code、Codex 等编码智能体在做什么；同时开多个智能体的人用得上。