扫描窗口：2026-09-22 16:02:37Z 至 2026-09-24 16:01:46Z；检索回溯至 2026-09-22 13:02:37Z。新增 9 个事件，更新 4 个既有事件，跳过 11 个重复、预发布或低价值候选。Qwen Code 0.24.4 是 overlap 区间补漏；日报日期按 Asia/Shanghai 归档。
今日摘要
- GPT-6 Sol/Luna 与 Claude Opus 5.5 同期把模型选型从“最强是谁”进一步推向“每个完成任务花多少钱”。两组模型都强调长上下文、工具调用和 agent 工作负载，但价格跨度很大，应以自家任务的完成率、步骤数和缓存命中率做路由。
- Cursor 把 coding agent 延伸到部署后：Rollouts 观察生产遥测并准备暂停或回滚，Security Review 在全代码库上下文里审 PR。能力边界越过 merge 后，审批和可撤销性必须跟着升级。
- GitHub、Qwen Code 与 PASTABench 从产品、运行时和评测三个方向指向同一件事：宽执行能力需要独立的沙箱、证明、遥测和介入时机。趋势 #7 因此由 emerging 升为 strengthening，置信度仍为 Medium。
模型
- GPT-6 Sol 面向复杂编码与 agent，Luna 面向高吞吐任务。两者共享 105 万 token 上下文与内置工具，但标准输出价格相差 20 倍，适合做同一 harness 下的难度路由。
- Claude Opus 5.5 把输入/输出价降至每百万 token 4/20 美元，缓存读取降至 0.20 美元。METR 的发布前评估认为它对 AI 研发是渐进改进，不是能力跳变。
Agent 与 AI 工程
- Cursor 的生产测试给出一条可复用的 context 优化顺序：缩短稳定前缀、按需加载工具 schema、固定缓存边界、压缩文件行号，最后再用 subagent 隔离上下文。
- PASTABench 显示，最佳安全监控也只有 40.74% 的介入落在最佳窗口。安全 classifier 不仅要判对，还要在危险状态发生前判对。
开源
- Qwen Code 0.24.4 加入托管运行时证明、持久工具执行记录与计划漂移检查，并把 bubblewrap 下沉到工具执行层。它位于上一轮 checkpoint 前 47 分钟的 overlap 区间，因此作为覆盖补漏入库。
研究
- Anthropic 的约 950 个 Claude agent 用 21 小时筛查 20 多万个逆转录酶，候选经人类筛选后进入湿实验。目标系统的功能仍未知，这证明的是“agent 生成假设 + 人类实验验证”流程，不是自主科学闭环。
- SWE-Flux 用插桩测试生成 480 道仓库级运行时题，最佳模型准确率只有 37%。coding agent 会改代码，不等于它能解释跨过程数据流和程序状态。
- 英国 AISI 通过 EvalEval 发布带配置与方法的机读评估记录，为跨机构可复现披露增加了政府评估机构采用证据。
开发者工具
- Cursor Rollouts 能从 PR diff 生成监控计划，并按策略通知、暂停渐进发布或准备回滚 PR。建议先用只通知模式，测清误报后再放大权限。
- GitHub Copilot app 增加企业托管 OTel 与本地沙箱；无法执行策略时默认拒绝。JetBrains 1.18 还增加 assisted approvals 与逐 MCP 工具持久控制。
- Codex 0.156 把 worktree 会话设为 agent 任务面板默认能力，并补上沙箱修复、使用分析与 GPT-6 Sol/Luna 路由。Claude Code 2.1.280/281 增加 Opus 5.5、Bedrock role/guardrail 与更严格的 auto mode 检查。
- Gemini CLI 0.61 把构建文件间接 prompt injection 防护与文件系统隔离推入 stable；A2A server 仍无正式使用文档。
基础设施
- 本周期没有新的训练或推理基础设施事件通过门槛。需要继续观察 vLLM 0.30 的 CPU wheel 兼容性问题是否由官方修复，未解决的用户 issue 暂不写成事件。
商业与政策
- 英国 AISI 采用 EvalEval 的价值不在多一个排行榜，而在把配置、推理时算力和评估方法一起记录。若更多实验室复用同一 schema，模型声明才可能真正横向比较。
趋势信号
- 趋势 #3 获得新的生产信号：Cursor 把 agent 放进部署反馈环，Codex 默认 worktree 会话，Qwen Code 增加运行时证明。coding agent 继续从单次对话工具变成可编排运行时。
- 趋势 #4 获得两条互补证据：METR 公布 Opus 5.5 发布前评估及独立性说明；英国 AISI 用 EvalEval 发布机读评估记录。跨厂商统一披露格式仍未形成，维持 strengthening / Medium。
- 趋势 #7 获得跨组织产品与 benchmark 证据：GitHub 本地沙箱默认拒绝无法执行的策略，Qwen Code 增加 attestation，PASTABench 衡量介入时机。状态由 emerging 升为 strengthening / Medium。
- 本周期没有发现证据充分的新趋势。
技术雷达
- 新 GPT-6 Sol/Luna（foundation-model / TRIAL）：共享长上下文和工具接口，但成本档位差异巨大；用真实任务做难度路由实验。
- 新 Claude Opus 5.5（foundation-model / TRIAL）：缓存与任务成本明显下降，仍需在自家 harness 中验证厂商 benchmark。
- 新 Qwen Code 0.24.4（developer-tools / TRIAL）：运行时证明、执行记录和计划漂移进入 stable，适合验证托管 agent 的信任链。
- 新 UK AISI EvalEval（business-policy / WATCH）：政府评估机构开始发布机读、带配置的评估记录，等待更多发布方采用。
- 新 Cursor Rollouts 与 Security Review（developer-tools / TRIAL）：agent 进入部署反馈环，先限制为通知与建议修复。
- 新 Cursor context 优化（ai-engineering / TRIAL）：生产数据给出低风险降 token 路线，但每项改动都要配任务回归。
- 新 Claude 生物发现工作流（research / WATCH）：假设已进入湿实验，功能仍未知，暂不外推为自主科学突破。
- 新 PASTABench（agent-security / TRIAL）：把安全监控的“何时介入”变成可测指标，适合补进长时程验收。
- 新 SWE-Flux（research / TRIAL）：执行轨迹提供非 LLM judge 的标准答案，适合构建仓库级调试评测。
- Codex CLI（developer-tools / ADOPT）：0.156 把 worktree、使用分析与沙箱加固推入 stable，并支持 GPT-6 Sol/Luna。
- Claude Code（developer-tools / ADOPT）：2.1.280/281 补强符号链接写入、Bedrock guardrail 与 auto mode classifier。
- Gemini CLI A2A（developer-tools / WATCH）：0.61 安全修复值得升级，但 A2A server 仍缺正式文档。
- GitHub Copilot 托管权限（developer-tools / TRIAL）：本地沙箱与 OTel 补齐执行限制和事后追踪，默认仍需管理员主动配置。
- 当前雷达：ADOPT 11 / TRIAL 97 / WATCH 100。完整当前雷达以站点洞察页为准。
值得一试
- 用同一组 coding agent 任务比较 GPT-6 Sol、Luna 与 Opus 5.5，记录完成率、步骤数、缓存读取量、总延迟和单任务成本。
- 给一个低风险仓库开启 Cursor Rollouts 的 notify-only 模式，验证监控计划是否与现有 SLO 和发布流程对得上。
- 在一条长时程 agent 流水线中加入 PASTABench 式的最早信号与触发点标注，测安全监控是否来得及阻止状态变化。
- 从系统 prompt 与工具 schema 开始做 context 预算，逐项跑回归，不要一次性同时改缓存、工具加载和 subagent 拓扑。