OpenAI推出ChatGPT Wallet,与美国运通、Mastercard、Visa合作,让ChatGPT Work、Codex和dots中的Agent代用户完成购物支付。核心机制:用户添加一次银行卡,每笔购买需Face ID或指纹等安全验证;支付网络生成替代卡号的支付令牌,Agent和商家均接触不到真实卡号,同时保留原有卡片积分与争议保护。初期面向美国ChatGPT Pro用户开放,OpenAI称周活用户达12亿,并同步发布商家适配Agent购物的工具与指南。
执掌NVIDIA 33年的黄仁勋辞去CEO职务,由CFO Colette Kress临时接任。《华尔街日报》报道指出,其离任更多与激进商业操作有关而非个人因素。Latent.Space分析关注后续走向:NVIDIA近年重押开源(Kubernetes Engine、Snapshot等连发)与美国AI领导力战略是否会因此转向,这将是未来数月生态各方最关注的不确定性。
OpenAI在Daybreak品牌下发布两款安全产品:Daybreak Red Team(Early Access)用AI Agent分析源码与应用上下文自动探测Web应用漏洞、验证漏洞报告并测试补丁,目标是达到人类渗透测试的深度与自动化持续扫描的速度;Daybreak Defense Factory则扫描企业代码库生成带测试的可部署修复PR。两者均运行在OpenAI最新网络模型GPT-6 Cyber之上。
运行3年半后,llama.cpp与张量库ggml同时发布v1.0.0。llama.cpp以量化、多后端优化的可移植C/C++实现支撑从消费级到企业服务器的多模态LLM本地推理,大量下游应用已依赖其接口。1.0的核心承诺是语义化版本管理:公开C API破坏性变更升主版本号、新功能升次版本号,让下游集成方可放心锁定依赖。这是本地推理生态走向成熟基础设施的信号。
Will DePue发布分析称,从模型权重初始化的随机数分布模式可反推训练硬件:Hopper核心数为132,Blackwell为148(B200/B300)或152(GB200/GB300)。他称DeepSeek-V4-Flash、Kimi K3、MiniMax-M3等6个2026年4月后发布的模型带Blackwell特征,估算五个训练共动用约1.2万块Blackwell GPU、成本超5亿美元,验证代码已在GitHub开源,并在24个已知硬件的对照模型上全部识别正确。
Anthropic推出面向制造业的Claude方案,通过通用接口直连Autodesk Fusion、Oracle NetSuite、Microsoft 365和Infor四类工业软件,内置17项技能:从实际库存起草报价、比价供应商、生成质检报告与设计变体、停机时分析传感器数据与手册。经Infor插件还可在断供时下backup供应商订单并重排生产(需人工批准)。物理设备控制暂不包含,配套的Model Hardware Standard仍在研究预览阶段。
Google开源Ambient Quality Agent(AQuA)参考实现,用于分析生产环境的AI Agent会话记录,验证反复出现的失败模式并下钻调查根因。它把「Agent上线后质量如何持续监控」这一生产化痛点变成可复用的工程方案,适合已部署Agent团队的失效归因与回归检测,与Netflix等公司推动的Agent可观测性方向形成呼应。
GLM-5.3 NVFP4量化版为753B参数MoE(每token激活40B),checkpoint约464GB,超出单块GB300的252GB HBM3e。教程演示用ConnectX-8 RDMA连接两台DGX Station,vLLM以TP=2张量并行切分权重,两台机器共同计算、Station A通过单一OpenAI兼容API返回结果,并给出并发负载下的基线表现。是单机装不下前沿模型时的本地推理参考架构。
GitHub在Universe 2026后发布Agent Skills实操指南:技能是一个以SKILL.md为核心的版本化目录,描述何时及如何执行可重复任务;技能本身只承载指令,不授予数据库访问等权限——工具、项目上下文与凭据仍由宿主环境提供。这一「指令与权限分离」设计让同一技能可跨Agent复用,同时保持安全边界,团队可把个人技能沉淀为流水线资产。
Meta Reality Labs发布工程实践:将Cuttlefish及其QEMU后端原生运行于macOS与Apple Silicon,让Mac上无需Linux服务器即可跑Android虚拟设备框架。文章覆盖移植中的虚拟化层适配与性能问题,对需要在Mac上做Android自动化测试(包括Agent/App评测环境)的团队是难得的一手踩坑记录。
Netflix正在构建本体驱动的知识图谱,把分散的运维数据(指标、事件、部署、依赖关系)结构化,加速生产事故排查,并为AI Agent提供对系统的共享语义理解。关键经验是:Agent做根因分析的前提不是更强的模型,而是机器可读的运维知识层——先有图谱,观测Agent才有可靠的事实基础。