谷歌的目标不在于让一颗卫星写诗。按其 2025 年 11 月公布的设计，Suncatcher 要让多颗搭载 TPU 的卫星在轨道上连成计算集群，示意方案是 81 颗卫星编队飞行在半径 1 公里的范围内，每颗未来搭载数十颗 TPU。原型星由谷歌与卫星公司 Planet 合作制造，回答的是最前面的问题：数据中心用的芯片经过发射、进入真空和辐射环境后，还能不能正常算出结果。
→ 11月10日 DeepSeek 的 Super Agent 探索：“超级”在哪里，哪些工作仍要交给人企业技术服务商埃森哲（Accenture）提供了任务编排的参照。它服务超过9000家客户，具有企业技术落地的渠道影响力；这个规模不代表其Agent采用量。[公司资料](https://newsroom.accenture.com/fact-sheet) 在它的AI Refinery框架中，SuperAgent把复杂请求拆成待办事项，调用专业Agent逐项完成，检查结果后重试或汇总。例如，要完成一份营销简报，可以组织研究与写作Agent完成相应步骤。这里的“Super”体现为统筹专业能力，让用户交出一个目标，而不必手动串联每个环节。[框架文档](https://sdk.airefinery.accenture.com/distiller/agent-library/superagents/superagent/)
→ 11月9日 OpenAI金融服务负责人访谈：金融能力进入共用模型，金融机构版如何证明额外价值过去的一条金融AI路线，是先训练金融专用模型，再围绕模型开发应用。2023年的BloombergGPT就是这类尝试：把金融语料与公共语料一起用于训练，希望建立金融任务上的能力优势。
→ 11月6日 谷歌把下一阶段押在多Agent协同：从单个模型到AI团队复杂研究很少靠一次回答完成。提出想法之后，还要寻找漏洞、比较方向，再决定哪些值得继续投入。Google此前公开的科研协作系统Co-Scientist，把这些工作分给了不同Agent。
→ 11月3日 Jane Street内部AI扩到上千工具：沙箱、RPC身份与代码验证接成三层控制这套分层首先来自入口用途的改变。2022年底，ChatGPT刚发布时，Jane Street员工只能通过个人设备使用消费版服务。Crepezzi先用Rails做出JaneGPT原型，随后三名工程师用约三天把它做成全公司使用的内部聊天服务。Rails是一套用于快速搭建网页应用的开发框架。员工请求统一经过公司维护的凭证，几周后Claude出现，团队又在同一入口加入模型切换，并向内部应用提供不绑定模型厂商的客户端库。
→ 11月2日 让Agent走进开发者的工作现场：Codex十三个月四改形态十三个月里，运行位置和交互方式反复重排，形成四种主要产品形态。命令行界面（CLI）其实比Codex Cloud早一个月小规模公开，云端未获持续使用后才被改成主线，所以这不是四个按发布日整齐接替的产品。
→ 10月30日 Bridgewater把1亿份文档做成人和Agent共用的Vault：押注模型随时可换，权限、语义和时点口径只留一套Vault沿用了Bridgewater早于大模型形成的研究方法。该机构长期把经济与市场判断编码为规则，再用跨周期数据检验。AIA Labs披露，其既有底座包含按两个时间维度管理的宏观和市场数据，以及多年积累的投资推理语料。AIA Labs是Bridgewater内部负责人工智能投研的团队。两个时间维度分别回答事件何时发生、机构何时记录或获知它，避免事后修订的数据混入历史判断。
→ 10月29日 中国头部 AI 公司算力摸底：推理大多搬上国产卡，前沿训练仍靠英伟达国内头部玩家用什么卡，取决于它是只跑自家模型，还是要把算力卖给别人。下表按公开报道整理，多数规模数字来自匿名信源，公司本身未确认。
→ 10月28日 国产大模型API价格分化：低价竞争与新模型均价回升具体产品降价与发布均价上升衡量的不是同一组价格。2024年5月，阿里云将Qwen-Long输入价从每千Token 0.02元降至0.0005元，成为早期价格战的一个节点。近期的变化更能说明当前竞争。
→ 10月27日 三套金融智能体工作台同场比较：都能交付成果，分水岭是组织上下文与执行治理三套产品抵达同一个形态，却带着不同的历史起点。WorkBuddy 在 2026 年 3 月推出通用工作台，9 月上线金融版，把公司金融、零售金融、投研投顾和个客经营做成行业工作台。其路线是先占据电脑任务入口，再叠加金融专家、数据连接器、流程规则和企业治理。金融专家指面向具体金融任务配置的专业能力单元。数据连接器是把外部数据或服务接入任务的接口。
→ 10月26日 评测榜单不断升级：变化的究竟是模型能力，还是量尺？Kimi K3 的两次公开记录把问题压缩成了一个清楚的案例。这里的“刻度断点”是指换版前后的分数不能直接接成一条时间序列。Artificial Analysis 在 7 月 17 日的发布文章中写下 57 分；其当前模型页则按 Intelligence Index v4.3.2 显示 44 分。Intelligence Index v4.3.2 是该综合指数的 4.3.2 版规则。模型名称没有变化，页面上的总分却相差 13 分。这个差值不能直接解释为模型退步，也不能全部归因于规则调整，因为服务端版本、运行状态和复测细节未被完整隔离。它能确定证明的是：57 与 44 不在一条无需校准的连续刻度上。
→ 10月23日 REA让Agent读懂成品软件：逆向分析的瓶颈移到了哪里WorkBuddy拆解报道提供了一个比功能截图更深入的调查对象。作者声称定位到了提示词模板与控制规则，但这仍是第三方对客户端的分析，不能直接当作腾讯对内部架构的确认。读取一条“操作前须确认”的规则，可以帮助形成待测假设；它能否在模糊指令、工具失败或多轮操作中持续生效，还要看执行路径和实际结果。
→ 10月22日 专用决策模型的兴起：它如何改变 Agent 的计算分工Jev最初明确了一个产品取舍：保留对自然语言状态的理解，限定软件能够收到的答案。TypeSafe在9月15日将它作为System One Models系列的一款公开模型推出。这个名称借用了快思考的概念，指面向程序的快速判断模型。厂商同时介绍了面向校准决策的强化学习方法RLCD，目标包含让模型表达与实际能力相称的不确定性。[首发说明](https://typesafe.ai/blog/introducing-system-one-models-and-jev)
→ 10月20日 华尔街顶级阵容联手：金融大模型，到底该怎么考？金融AI最先遇到的困难，是专业语言和数字混在一起。2021年的 FinQA 由金融专家编写财报问答，并标注得出答案的计算程序；同年的 TAT-QA 则要求模型跨表格与正文寻找依据，完成算术和比较。这些工作早于本轮生成式大模型热潮，后来成为检验金融推理的重要题源。[FinQA](https://arxiv.org/abs/2109.00122)；[TAT-QA](https://arxiv.org/abs/2105.07624)
→ 10月19日 从源码系统到招聘结构：Anthropic 如何调整公司的运行方式Anthropic更换源码系统，解决的是执行量增加后的基础设施负担。公司内部大仓库每天合并的代码变更，从5月约2500次增至9月超过3万次。大量Agent与测试任务频繁取得文件、查询历史，原本不显眼的后台操作积累成了瓶颈。代码供给增加之后，取代码和接收修改的方式也要跟着变化。[源码系统说明](https://www.anthropic.com/engineering/redesigning-source-control)
→ 10月16日 金融世界模型来了：1 万亿条市场数据的意外结论，AI 学到的更多是个股，不是市场预测器只需回答一个预先给定的问题，例如 15 分钟后收益属于哪个区间。世界模型的目标更高：它要把观察历史压缩成状态，描述状态如何演化，并在行动改变环境时评估后果。只有这样，模型才可能从已经见过的任务迁移到训练时没有指定的新任务。
→ 10月15日 字节两个月内部整合首次公开落地：团队级Agent获独立身份可进群协作，四成新客户视其为选型首要条件豆包工作伙伴真正改变的是使用单位。个人助手以某位员工为中心，读的是这个人的上下文，完成的是这个人发起的任务；团队伙伴拥有独立身份、权限和记忆，企业配置一次后，多名成员可以在同一群聊里调用它，也可以让多个Agent在群内配合。
→ 10月14日 Robinhood Agents 的零售交易智能体栈：模型、数据、代理账户与自动执行Robinhood 先改变了权限，再改变了使用门槛。2025 年 3 月公布的 Cortex 能解释股价异动、汇总新闻，并把用户观点翻译成期权策略。Robinhood 当时明确写明，Cortex 不替用户下单。它仍是研究助手，交易决定和提交动作都留给人。
→ 10月13日 黄仁勋与 Hock Tan：AI 算力部署先看电力，每兆瓦词元产出成为硬指标两位负责人的变化不只停留在谈论能源。英伟达在 8 月宣布为俄亥俄州 PORTS-Pike 园区支持约 4 吉瓦、期限约 20 年的土地、电力和机房外壳安排。黄仁勋亲自解释，英伟达过去锁定晶圆、封装和内存，如今也要用类似方法锁定承载算力的场地。芯片公司由此从销售计算设备，向前跨到为设备寻找可长期通电的载体。
→ 10月12日 桥水双轨投资体系：AI已参与Investment Decision，Token 支出约增 200 倍双轨设计回答了 AI 究竟掌握什么权限。Jensen 在 Bloomberg《Odd Lots》访谈中把 Pure Alpha 描述为“人类直觉转成算法、再由 AI 加速”的体系；另一条 AIA Macro 生产线则由 AI 判断日元该买还是卖、股票该做多还是做空。AIA Macro 的员工训练机器，人类团队控制数据接入并设置风险约束，但具体投资判断由机器作出。
→