OpenAI将生物推理模型GPT‑Rosalind从研究预览转为公开服务，符合条件的全球机构可通过API、Codex及ChatGPT Enterprise使用。该模型可跨论文梳理研究发现、评估候选靶点证据并规划后续实验；Codex同时加入生命科学插件，覆盖基因组、蛋白质结构和转化研究，可辅助检索证据、生成质量控制报告及创建交互式笔记本。公告未披露具体价格、模型参数或基准成绩，实际使用仍受机构资格限制。

DeepSeek V4.1 Flash在OpenRouter上线后24小时处理量达到1万亿Token，并预计前48小时约为2.8万亿Token；其流量中约90%为缓存读取，对应成本约每百万Token 0.006美元，约为GLM‑5.3 Flash的五分之一。第三方实测认为，该开放权重模型具备高速度、低成本和较低部署门槛，但在魔方模拟、状态一致性及精细视觉任务中仍出现明显可靠性问题，不能仅凭综合基准判断实际能力。

香港科技大学研究团队提出AgentZip，面向单任务并行生成大量智能体沙箱时的内存容量瓶颈。研究发现，沙箱页面相对于初始模板或同级沙箱存在76%至96%的冗余，系统据此对相似页面实施跨沙箱压缩。与Linux配置仅实现2.1倍压缩相比，AgentZip可将沙箱自有内存最高减少8.7倍；直接激进压缩会使执行变慢3.1倍，而配合调度与预取后，性能开销可控制为1.40倍。

Anthropic为Claude Code加入插件评测工作流，开发者可创建测试样例，分别在加载和不加载插件的条件下运行，并用差值指标识别插件或Skill带来的真实增益。系统提供regex、工具调用、工具顺序、文件存在、LLM及基线共6类评分器，其中前4类免费，后2类调用裁判模型计费；命令行支持质量阈值、最高成本和插件信任设置，可作为持续集成门禁，并生成HTML报告或发布私有评测产物。

字节跳动Seed等团队提出HarnessDev，将评测对象从模型答案转向模型自行编写的可运行Agent框架。创建阶段中，Opus 4.8平均得分67.8，低于人工框架的86.2，且代码、写作与搜索任务表现差异明显。演化阶段测试64次组件切换，仅2次显示明确正向证据，8次在两项基准上均退步，反馈与留出集得分仅34次一致；108个生成组件实例中有18个从未触发，且全部属于状态与记忆组件。

OpenAI更新ChatGPT Sites，加入团队协作编辑、私密分享、数据库探索和自定义域名等能力。用户可邀请队友共同编辑、保存及发布同一站点，也可仅向指定人员开放私有站点，无需转为公开访问；ChatGPT能够检查站点数据库，编辑者也可直接查看数据。官方称从自然语言提示到完成部署所需时间缩短一半，并允许站点绑定用户自己的域名，但公告未披露套餐限制、具体定价或数据库访问权限边界。

OpenAI披露其Habitat平台规模指标：过去一年实现10倍增长，既有Python服务在峰值时每秒处理超过2000万次请求，显示内部AI平台面对的服务吞吐和扩展压力。相关信息提到该Python系统随后进行Rust重写，但未公布迁移后的性能增幅、资源成本、故障率或外部开放计划。现有数字主要反映平台使用规模与旧架构的峰值处理能力，尚不足以直接比较两种实现的效率或判断Habitat是否会成为公开产品。

Arena.ai对模型对战中的回答概念进行分析，发现不同模型平均共享43%的概念性观点，表明回答之间存在一定重合，但仍保留较大差异。研究同时指出，模型来自同一实验室或同一国家，与概念相似度之间没有稳定的强相关关系；Claude Fable 5最接近的模型也并非同系列的Opus或Sonnet。该结果为比较模型思路和输出多样性提供了新维度，但材料未披露样本规模、统计区间及具体计算方法。

LlamaParse推出高投入解析模式，为复杂文档的每一页提供细粒度置信度分数及文字解释，帮助开发者定位可能发生误解析的页面。该结果可用于建立人工复核流程，或在置信度不足时自动触发备用解析逻辑，主要面向敏感、纸质材料密集且不能接受静默错误的业务。启用该模式每页额外消耗5个积分，因此更适合高价值文档而非低成本批量OCR；公告未给出准确率提升幅度、支持格式范围或延迟变化。