Meta 官方博客的原话是:这些 agent”在整个 session 期间持续激活,而不是为单个任务 spawn 出来,这能避免重复的信息搜集”,自己推进下一步,自己挑时机回报主 agent。得到的回答是”我们现有的 Llama 模型会继续以开源形式提供”——往下一层,是 Muse Spark 1.2——Meta 把这个版本定位为 Muse Spark 1.1 的”编码专修”,在编码任务上。——那

—比如。

会话会在触达 Token 上限前，悄然出现 Context Rot。解决办法不是扩充上下文长度，而是对上下文进行规范化管控。上下文窗口是所有前沿大模型的核心能力，以 Token 为计量单位，通常包含系统提示词，以及不断累积的对话、模型回复与工具调用记录，内容上限受窗口规格约束。模型每生成一段内容，都需要完整读取全部上下文窗口，这也是对话会话唯一的记忆载体。大模型轮次之间不存在独立持久的内部状态。更

65% ChatGPT 引用的 URL 距主页 2-3 层;(Similarweb,2026 年 5 月),Similarweb 的。:2026 年 6 月,

还有。

OpenAI 正式发布 GPT-Live 系列全新语音模型，彻底重构用户与 ChatGPT 的语音交互逻辑，全面替换原有高级语音模式。依托，模型可同步收听、发声，复刻人与人自然对话的交流状态。本次同步上线两款模型：GPT-Live-1、GPT-Live-1 mini，即日起在 iOS、安卓、ChatGPT 网页端全球分批推送。付费用户（Go/Plus/Pro 会员）默认搭载 GPT-Live-1；

随着企业AI代理承担越来越复杂、长期任务，其性能常常受限于连接主干大型语言模型与环境的软件支架——即其框架。目前，背带大多是静态且手工制作的。改进它们大多是手动完成的，它们不会根据从环境中收集的执行数据自动改进。为解决这一工程瓶颈，小米研究人员推出了框架，将AI框架视为可组合对象，并自主应用代码改进。在现实世界的企业应用中，这种自动化适应使人工智能系统能够动态调整以满足应用特定需求。实际测试显示，

在我们研究的部署窗口中，基于模拟部署的自动化审计流程在发布前发现了“计算器黑客”现象，这是我们在分析的ChatGPT流量中发现的唯一新颖不一致。它补充了现有的安全评估、红团队协作和有针对性分析，增加了更接近生产环境的预测层，能够提升部署行为的估计，减少评估意识效应，并使部署前的预测在发布后可检查。部署模拟：基于先前部署数据，预测部署时间不良行为的频率。这些评估通常有两个交织的目标：评估模型在部署流