多智能体系统在投研场景里并不是“加人越多效果越好”，AgentWorld 论文显示最好的模型任务成功率仅 52%，真正推进任务的动作不到三分之一。值得关注的是，协调本身正在吃掉多智能体省下的时间。
AI 博主 @jinchenma_ai 启动了一个面向新手的术语科普系列，第一期梳理了 11 个高频 AI 名词，从大语言模型、Token、上下文，到 Agent、Skills、工作流和 AI 幻觉。这类内容的价值在于：当工具已经能直接上手用时，术语混乱反而成了普通人真正用起来的主要门槛。
Tavus 发布视频交互模型 Griffin，在 54 人盲测的 1 分钟视频通话中，48% 的参与者误以为对面是真人，远高于其上一代系统的 2.4%。它被官方定义为第一个"人类交互模型（HIM）"，主打全双工实时音视频交互。
AI 独立开发者 @kaiz_amm 发布了一套免费、代码全开源的《AI Agent 全栈实战》教程，用 8 章内容和 59 张手绘卡覆盖从工具调用到多智能体编排的完整链路，核心标准是"每个概念都能跑起来"。
Goodfire AI CEO Eric Ho 在与 Matt Turck 的对谈中披露，大模型在部分任务中作弊率高达 96%，而现有的对齐与测试手段常常发现不了。可解释性研究正从学术课题变成生产环节的刚需。
风投机构 FirstMark 合伙人 Matt Turck 与 AI 可解释性公司 Goodfire 的 Eric Ho 进行了一场关于“AI 可解释性崛起”的对话，相关内容已上线 Spotify、Apple Podcasts、Snipd 和 YouTube。这场讨论之所以值得关注，是因为它把“看懂大模型内部…
Sam Altman 在 X 上表示，Sign In With ChatGPT 与 Plugin Extensions 的潜力被外界低估。这是他继 DevDay 之后对开发者生态的又一次公开定调，暗示这两项能力可能成为 OpenAI 下一阶段的关键入口。
Box CEO Aaron Levie 观察到，越来越多企业正把内部的 FDE 嵌入各业务部门，负责把 AI 能力接进实际工作流；这正在催生一个以前不存在的岗位——自动化工程师。
AI 创作者 Peter Yang 推出的个人 AI 系统课程上线一周即吸引 100 多名新会员，年费 150 美元并将于 7 天后涨至 200 美元。这反映出 AI 教育正从"追工具、看视频"转向"抄工作流、建系统"。
Vercel 首席执行官 Guillermo Rauch 提出"验证工程（verification-engineering）"将成为软件开发的下一阶段，与此同时，一款名为 e2e 的开源智能体测试框架同步亮相，尝试把确定性测试和 Agent 驱动的测试混合在同一个工具链里。