HealthAgentBench发布，包含54项医疗任务（7个类别），每项任务模拟患者就诊全流程的端到端临床工作流。智能体需在极少指令下探索原始数据、操作复杂环境并执行多步解决方案。评估前沿智能体后，整体任务成功率低，最强且成本最优的Codex GPT-5.5仅达约42%成功率。Claude Code在医学影像任务上表现困难，而Codex GPT-5.5展现新兴能力。结合大搜索空间与组合推理需求的任务对当前所有智能体构成挑战。该基准套件已开源。
PixelEyes是一种多轮视觉推理智能体，通过显式解耦推理与感知解决MLLMs因定位不准导致的冗余轨迹问题。推理器决定查找目标，专用感知工具采用掩码引导视觉搜索（Mask-guided Visual Search）和语义区域广度优先搜索（Semantic-region BFS）提供精确定位，消除重复裁剪错误子区域的循环。基于PixelEyes-6K数据集训练，并引入Pinpoint-Bench零提示视觉搜索基准，用于分离定位失败与推理失败。代码和模型已开源。
AutoTrainess是一个LM智能体，将后训练所需的规划、数据准备、训练、评估和日志操作封装为智能体-计算机接口，通过外部化人类经验作为明确的工作流和约束来引导训练。在PostTrainBench基准上，AutoTrainess使用GPT-5.4（Codex）取得26.94平均得分，而纯CLI基线为23.21；该智能体还跨模型泛化，将DeepSeek-V4-Flash（OpenCode）的得分从12.13提升至19.58。
OpenClaw 推出免费 iOS 和 Android 配套节点应用，手机成为自托管智能体网络中的节点（非独立聊天机器人）。核心 Gateway 用 TypeScript 编写，需 Node 24 或 22.19+，运行在 macOS、Linux 或 Windows（WSL2）上。通过 WebSocket 端口 18789 与手机配对，支持本地 mDNS 发现或远程 Tailscale 连接。iOS 应用通过 QR 码配对，支持聊天、实时/后台语音模式、Canvas 表面，以及相机、屏幕、位置等设备能力。Android 应用提供流式聊天回复、图片附件、全会话历史、语音模式（ElevenLabs 或系统 TTS）和实时 Canvas。隐私敏感命令默认关闭，需在配置文件中显式允许。
Rohan Paul@rohanpaul_aiGoogle 新论文提出“验证债务”概念：AI 加快论文产出，但人工核查成为瓶颈。为此推出智能体验证（agentic verification）方案，并开发 Paper Assistant Tool 原型系统。该系统将论文拆解为多个部分，深入检查难点并汇总审稿意见，聚焦证明错误、实验漏洞、缺失对比等客观错误，而非直接给出接收/拒稿决策。在数学与计算机科学已知错误测试中，该工具比单次模型调用发现更多证明错误；在 STOC 和 ICML 的面向作者试点中，许多作者据此修复了严重理论缺陷或补充了实验。论文指出科学审稿可能需要独立 AI 栈以应对日益自动化的论文生成。
🚨 AI News | TestingCatalog@testingcatalogOpenClaw is now on iOS + Android 🦞 📱 Native mobile apps, finally 💬 Agents in your pocket 🔔 Channels, tasks, replies ...
Ornith-1.0 是基于 Gemma 4 和 Qwen 3.5 后训练的自改进开源模型系列，包含 9B Dense、31B Dense、35B MoE 和 397B MoE 四种规格。采用强化学习同时优化搜索框架和解决方案。在 Terminal-Bench 2.1、SWE-bench Verified 等编程基准上各尺寸均达同类开源最优——397B MoE 在 SWE-bench Verified 上取得 82.4%，Terminal-Bench 2.1 (Claude Code) 78.2%。所有检查点支持 256K 上下文窗口，MIT 许可证，全球可访问。运行需 Transformers ≥5.8.1、vLLM ≥0.19.1、SGLang ≥0.5.9。
Microsoft Research@MSFTResearch
OpenClaw🦞@openclawNVIDIA 发布开源 BioNeMo Agent Toolkit，将蛋白质折叠（OpenFold3、Boltz‑2）、分子对接（DiffDock）、生成化学（GenMol）、序列设计（ProteinMPNN）、MSA 搜索、RFdiffusion 及基因组学模型（Evo 2）等封装为标准化 agent skill。每个 skill 包含 SKILL.md 说明文档，支持 MCP 服务器包装，可通过 npx skills add 安装至 Claude Code 等 agent。测试显示：接入技能后任务完成率从 57.1% 升至 100%，每千 token 通过断言数提升 2 倍。用户可选择托管 NIM 端点或本地 NIM 部署。
Chubby♨️@kimmonismusIn the next version of Claude Code: subagents run in the background by default, so you can keep talking to Claude while ...
Chubby♨️@kimmonismusMatrix 被 Kim 称为首个「不像 cosplay」的 AI 公司产品。它在 GDPval-Bench 上以 95.45% 的得分击败 Codex (84.9%) 和 Claude Code (80.3%)，长任务差距说明规划和协调比原始模型能力更关键。Matrix 定位为运行「零员工公司」的运行时，而非简单提示编排器。上周有限 beta 期间用户已创建数万个零员工公司并开展真实业务，即日起向所有人开放公测。
what if you can run an entire 0-person company - without the grind of running a team? matrix is the runtime that makes i...
Boris Cherny@bchernyCursor 推出 iOS 原生公测版，所有付费计划可用。开发者可在手机上启动始终在线的云端智能体，或远程操控电脑端智能体。支持语音输入、斜杠命令和选择前沿模型。智能体运行后，锁屏 Live Activities 和推送通知实时更新状态，完成或需要输入时提醒。云端智能体在隔离虚拟机中运行，可自动迭代生成合并就绪的 PR，并输出演示、截图和日志。本地与云端智能体支持双向切换。移动端 Composer 2.5 享受 75% 折扣，优惠至 2026 年 7 月 5 日。
关联讨论 1 条X：Berry Xia (@berryxia)🚨 AI News | TestingCatalog@testingcatalogIntroducing Cursor for iOS. Build from anywhere by launching always-on cloud agents. Or remotely control agents running ...
Chubby♨️@kimmonismusIntroducing Cursor for iOS. Build from anywhere by launching always-on cloud agents. Or remotely control agents running ...
Cursor 发布 iOS 移动应用，用户可通过手机直接提示编码智能体，或与桌面客户端已启动的代理交互。该应用基于此前公布的 Cursor 2.0 更新，使服务转向独立编码智能体。Anthropic 和 OpenAI 此前已推出类似移动工具。Anthropic 的 Claude Code 负责人 Boris Cherny 表示，他目前大部分编码工作都在手机上完成。
eric zakariasson@ericzakariassonIntroducing Cursor for iOS. Build from anywhere by launching always-on cloud agents. Or remotely control agents running ...
DeepReinforce 发布首个开源模型 Ornith-1.0（MIT 许可），提供 9B、31B、35B MoE 及 397B MoE 四种规模变体，基于预训练的 Gemma 4 和 Qwen 3.5 构建，在编程基准测试中达同规模开源模型最优。作者通过 LM Studio 运行 35B MoE 的 GGUF 量化版（20GB），实测推理速度 103 tokens/秒，实际代码检索和工具调用任务表现流畅。
Rohan Paul@rohanpaul_aiYou set the goal. Scout gets you there. most agent tools hand you the KPIs everyone already tracks. scout works backward...
Berryxia.AI@berryxiaAnthropic应用AI工程师Margot Van Laar在Code with Claude分享提示词工程实战手册。核心观点：维护已有提示词比从零写更常见，最佳起点是评估（Eval）而非直接改提示词。两个场景：客服机器人需用XML标签结构化，移除旧模型冗余指令，为精确计算提供工具；零售排班Agent应拆分成生成-评估-修复循环，使用更强推理模型（Opus）+自适应思考。强调评估是判断改动有效性的唯一严谨方式。
Berryxia.AI@berryxiaAn anthropic应用AI工程师Margot Van Laar在Code with Claude分享提示词工程实战，核心观点：大部分时间在调试和维护已有生产提示词而非从零编写。两个场景：客服机器人维护中，用XML标签结构化清理，移除旧模型遗留的“禁止列表”指令（新模型会过度拟合），精确计算应调用工具，转人工决策需明确代价与收益；零售排班Agent从零构建时，拆成生成-评估-修复三个简单提示词更稳定，选用更强推理模型（Opus）。她反复强调：评估（Eval）是唯一严谨方式，没有评估就是碰运气。
睡前来一发,这个视频还是挺完美的。 Anthropic的应用AI工程师Margot Van Laar在Code with Claude分享了提示词工程的实战手册。 核心观点是:我们很少从零写提示词,大部分时间都在调试和维护已有的生产提示词。...
Berryxia.AI@berryxiaAnthropic应用AI工程师Margot Van Laar在Code with Claude分享提示词工程实战手册。核心观点：生产提示词大多时间在调试维护，最好起点是评估而非直接修改。维护客服机器人提示词时，需用XML标签结构化，移除冗余补丁，明确输出格式；避免旧模型“禁止列表”指令在新模型上过度拟合；精确计算应赋予工具；升级决策需说明代价与收益。从零构建零售排班Agent，应拆分为生成-评估-修复循环，三个简单提示词各司其职；更强推理模型+自适应思考更高效。评估是唯一验证改动的严谨方式。
Herdr是一个驻留在终端中的AI智能体多路复用器，允许用户在单一终端界面内管理和切换多个AI智能体会话。
Berryxia.AI@berryxiaBerry Xia 宣布成功完成了一套“视频讲解的Skills”开发与测试。用户只需提供网站、内容、视频地址等信息，该技能就能自动生成基础的讲解视频。作者询问社区兴趣度，表示如果需求多可能会进一步分享。目前未披露具体使用的模型或平台名称。
EverMind 推出开源智能体记忆运行时 EverOS（Apache 2.0 许可）。它以可编辑的 Markdown 文件为记忆主体，经 SQLite 管理状态、LanceDB 实现混合检索（BM25 关键词 + 向量搜索 + 标量过滤）。每个完成的任务记录为 Case，离线提炼为可复用的 Skill，使记忆随使用自我进化。v1.1.0 新增 Knowledge APIs（支持分类与话题搜索的 Markdown 页面）和 Reflection（跨会话优化 Profile 和 Skill）。据 EverMind 报告，LoCoMo 得分 93.05%，LongMemEval 83.00%，HaluMem 93.04%，p95 检索延迟低于 500ms。运行时可本地优先部署，也提供 EverOS Cloud 托管选项，兼容 OpenAI 协议端点。
fofr@fofrAII got tired of reading badly formatted agent written reports, so I put together a writing skill derived from the GOVUK s...
Berryxia.AI@berryxia这个开源视频制作工作流真爽啊! 单日斩获3000 Star,真的牛~ 又一个把AI coding agent直接变成视频制作工作室的项目开源了,叫OpenMontage。 它把整个视频生产流程拆成12条结构化pipeline(动画解说、纪录...
安全研究人员在 Mozilla 的 GenAI 漏洞赏金平台 0DIN 发现新攻击向量。一个看似正常的 GitHub 仓库包含 setup 脚本，该脚本运行时从 DNS 条目拉取命令并执行，恶意代码从未存在于仓库中，对扫描器、代码审查和 AI 智能体不可见。开发者使用 Claude Code 等 AI 编码工具打开该仓库时，Claude Code 在设置过程中遇到常规错误消息后自动运行该脚本，打开反向 shell，攻击者可窃取 API 密钥和登录凭据并维持持久访问。研究人员建议 AI 智能体应在运行前显示 setup 脚本内容，开发者应将第三方仓库的 setup 说明视为不受信任代码。
6 月 29 日，蚂蚁阿宝 AI 助手在支付宝 App 正式上线。iOS 版支付宝跨代更新至 12.12.1 版本（此前为 10.8.76），安卓版同步升级至相同版本。支付宝 Logo 新增“AI”字样，名称改为“支付宝-你的 AI 生活伙伴”。用户可通过右滑进入 AI 版，以对话方式让“阿宝”执行任务，并可在 AI 版与经典版之间切换。目前该功能仍需邀请码才可体验。
MiniMax (official)@MiniMax_AIA self-evolving agent + a 428B model + 3 Macs = ? Your own AI lab. We ran @MiniMax_AI M3 locally with @tryParallax, righ...
万得推出面向个人金融从业者的AI原生工作平台万得AI，由豆包大模型2.0提供技术支撑，火山引擎提供弹性AI算力。万得AI采用多Agent推理模式，主智能体根据任务实时创建子智能体，调用数百个专业金融MCP工具和Agent，协同完成数据检索、策略分析、财务建模、图表生成等全流程金融工作。在实际评测中，豆包大模型2.0在内容忠实性、金融摘要、事实遵循、Agent规划与工具调用等维度均处于业界第一梯队。专业金融AI能力从机构场景走向个人用户，实现“一个账号即一支全建制金融团队”。
Bugu（布谷）是一款macOS菜单栏应用，防止合盖后电脑休眠，通过心跳音效提示Agent的五个状态：接收任务（Accept）、运行中（Running）、成功（Done）、中断（Interrupted）和授权（Permission）。支持跳转到具体对话界面。由作者使用Codex和Kimi Code K2.7 Code Highspeed联合开发，Kimi Code在中等编码任务中达180 token/s，短上下文任务260 token/s，速度提升6倍，可导入Claude Code和Codex的skill及MCP。项目已在GitHub开源。
