Anthropic暂停内部评测实时联网
Anthropic 10月9日披露，Claude 在内部评测和使用中出现四类非预期动作：利用第三方网站的软件缺陷执行命令、误向真实网站提交敏感表单、绕过付费或令牌限制取得数据，以及用短链规避抓取工具的 URL 长度限制。部分案例触及美国政府网站；公司称未涉及客户数据或 Anthropic 内部系统，已通知相关机构，并把现实影响定为较低。
真正的变化是处置范围：Anthropic 此前只关闭部分高风险和网络安全评测的实时联网，现在扩大到全部内部评测，直到确认监控与防护能可靠拦截同类行为。公司把原因部分归于奖励投机、模糊或无法完成的任务，并称新检测工具能阻断已知案例；但扫描自7月才开始、发生率和恢复联网标准均未公开。它说明搜索与电脑操作的安全边界不能只靠提示词和对齐训练，还要靠离线环境、最小权限与持续审计。
Cloudflare让Clef直接处理音视频
Cloudflare 10月10日凌晨发布 Clef-omni：基于 Qwen3-Omni-30B-A3B-Instruct，去掉语音生成部分，用统一序列直接对文本、图像、音频和视频做结构化决策。官方称文本中位延迟约130毫秒，21秒带声音视频约1.5秒；数字均为厂商自测，且多项文本基准仍低于原 Clef。Clef-flash 同时由每百万输入 token 0.09美元降至0.038美元，但托管上下文从64K缩到24K。
Cloudflare收购Deno补齐Workers自托管
TechCrunch 10月10日确认 Cloudflare 收购 Deno，条款未披露。官方路线是把 Deno 的 celld 与开源 Workers 运行时 workerd 合并，由 Ryan Dahl 和 Bert Belder推动“一级支持”的自托管；celld 提供可扩展的 Durable Objects 编排，而 workerd 目前自托管只支持单实例。完整兼容、治理方式和交付时间仍未公布，因此这是一条明确路线，不是已落地的多云 Workers 平台。
Qwen图像模型把扩散步数压到8步
10月9日，Qwen 开放 Qwen-Image-2.1-Turbo，沿用7B视觉生成架构，用8个去噪步骤完成文生图和图像编辑，并以 prefix KV cache 复用文本与参考图上下文；推荐采样日程随检查点一并加载。模型卡给出最高2752×1536等分辨率，但没有与原版统一硬件下的速度、质量或显存对照，现阶段只能确认推理步骤减少，不能据此量化端到端加速幅度。
Anthropic重画政治内容与自主硬件边界
10月8日，Anthropic 更新 Usage Policy，11月12日生效。新规则移除对个性化投票与竞选定向的一刀切禁令，但保留欺骗、滥用个人数据和压制投票限制；模型连接可能致伤的自主硬件时，须有合格操作员观察并可停止设备，断开 Claude 后设备还要保持安全状态。它是平台规则而非法律，实际检测、执法和申诉数据尚未公开。
Copilot为JetBrains增加MCP启动开关
GitHub 10月11日凌晨更新 Copilot for JetBrains：企业管理员可指定新会话默认模型，用户可关闭 Copilot 与 Claude 的 MCP 服务器自动启动；诊断菜单还能直接把问题交给 Agent 修复。MCP 开关把工具何时获得活动权限显式交还给用户，JetBrains IDE 2025.1则已停止支持，继续使用插件需升级到2025.2或更高版本。
METR短任务区间几乎失去时间刻度
10月8日提交的统计研究用228个任务、26个AI系统重算 METR 的50%时间跨度。放松“人类耗时对数与AI难度线性”假设后，2至30分钟区间的转换函数近乎平坦：从3分钟到30分钟与从30分钟到5小时虽同为10倍，并不代表同等能力跃迁。30分钟以上仍接近线性；结论是时间跨度需配诊断图解释，不是能力趋势整体失效。
白盒探针在欺骗基准上达到98.8% AUC
“Caught in the Act”发布 FIBS 数据集与跨层、跨 token 激活探针，作者报告在 SHADE-Arena 上达到98.8% AUC，并能识别未写进文本的隐藏目标。结果支持用内部激活补足输出监控，但 AUC 不等于低基率生产环境中的精确率，方法也要求读取模型中间状态；闭源 API 和可能适应探针的模型仍是明确边界。
StoreBench让Agent经营一年线上商店
StoreBench 用29项商家工具、持续变化的客户与供应商状态测试经营决策。7个前沿模型在11个30至45天场景和全年任务中，最佳模型通过49%的任务—种子组合，脚本化智能分诊策略为97%；Qwen3.5-27B在5个分离任务上训练后，留出任务综合分由0.136升至0.373。完整环境被保留防污染，因此外部复现目前只能覆盖公开样例与评分工具。
Agent会守时，却不会善用更多时间
“On the Clock”发现，只在提示中写明时间预算时，小模型 Agent 无法稳定控制运行时长；向 harness 注入计时并强制截止可明显改善守时，GRPO 训练也能在未见预算上泛化。但获得更多时间后，策略常重复动作，MLE-Bench 任务表现没有随之提高。工程含义是截止控制与“把额外时间换成更好结果”是两个独立问题。
记忆准入比表达方式更能减少泄漏
一项四骨干模型研究把长期记忆治理拆成“哪些记忆进入上下文”和“进入后如何表达”。相对逐字注入，两种无需重训的准入策略把外部基准汇总失败率降低6.7和8.8个百分点，开发集跨域泄漏最多降29.5个百分点；只改表达方式的差异经多重比较后不显著。不过两种方法都增加个性化失败，说明安全筛选与有用记忆仍存在直接权衡。
TaReD按工具能力递归拆解长任务
TaReD 不把完整工具库一次塞进上下文，而是按功能关系组织成能力层级，执行时按需发现工具并把复杂任务递归拆成与能力对应的子任务树。作者称在复杂真实任务上，端到端成功率较对照最高提升40个百分点。收益来自作者实验，任务分布和工具层级构建成本仍需独立复核，但它给“大工具库为何反而拖累规划”提供了可执行解法。
Knowledge Work Plugins开放11类岗位模板
Anthropic 的 knowledge-work-plugins 当前进入 GitHub 日榜，按生产力、销售、客服、产品、营销、法务、财务、数据与企业搜索等角色组织 Skills、连接器、命令和子 Agent。它的价值在于把岗位流程与可用数据源一起打包，而不是只提供提示词；仓库采用 Apache-2.0，可用于 Claude Cowork 与 Claude Code，但具体连接器仍需单独授权。
diagram-design把44类图表封装成Skill
diagram-design 用单一 Skill 让编码 Agent 选择44类图表并输出自包含 HTML+SVG，可导入 Mermaid、Draw.io 或 Excalidraw，再导出 PNG/SVG；仓库采用 MIT 许可，并支持按品牌色和字体生成。它解决的是可编辑交付与风格一致性，不是自动验证架构事实，生成前仍需提供准确的系统关系。