电脑操作模型已到可进入生产候选池，但不能只看完成率
依据：GPT‑6 Astra 在官方 OSWorld 2.0 离线集得 72.6%，单任务约 40 分钟，比 GPT‑5.6 Sol 的 65.7% / 75 分钟快约 47%；同时上线了越权行为监控。
判断：电脑操作选型应同时记录成功率、端到端耗时、人工中止率与越权触发率，Astra 可进入受控生产 PoC。
边界：数据来自厂商评测环境，且发布期仅向有限组织滚动开放，不能外推到所有网站、权限域和生产延迟。
Model Frontier Weekly · Vol. 05
大模型技术前沿周报
面向 Agent、代码与工具调用、检索、图像和视频生成研发预研。只保留上一完整自然周内可由官方材料、公开仓库或主榜核验的高信号变化。
01
研发决策摘要
本周最值得带走的 4 个判断
“能连续运行”不等于“能无人值守完成”
依据：OpenAI 披露其成功的 4—8 小时研究任务中，超过一半仍有至少一次人工干预；Qwen 的 E‑Commerce Bench 又把状态持续到 365 天，并让上下文必然溢出。
判断：长流程评测应增加人工介入次数、状态记忆、恢复点、现金/资源约束和长期目标漂移，而不是只看最终交付。
边界：OpenAI 数据来自单一组织，电商模拟也不能代表所有真实业务流程。
危险命令策略必须由模型外的执行层强制，而非依赖产品模式名称
依据：Kimi Code 9 月 2 日加入 dangerous-command guard；9 月 4 日又明确 Auto 模式不再阻断危险或不可静态分析的命令。两天内同一产品的权限语义即发生变化。
判断：生产 Agent 应在独立沙箱、网络出口、凭据代理和审批网关中强制策略；“Auto / Never Ask”等 UI 模式只能作为体验设置。
边界：这是 Kimi Code 的产品行为变化，不代表其模型本身更不安全，也不说明其他 Agent 具有相同默认值。
图像生产选型开始出现“头部质量 + Flash 吞吐”双模型组合
依据：MAI‑Image‑2.6 在 9 月 9 日 Artificial Analysis 文生图榜第 2，新发布的 2.6‑Flash 已进第 8；微软称 Flash 相对 GPT‑Image‑2‑Medium 快 2.8 倍、效率高 72%。
判断：可用 2.6 处理高价值成片、2.6‑Flash 处理批量草图和迭代，并在同一提示集上核算单张合格图成本。
边界：速度与效率为厂商口径，榜单也不覆盖品牌一致性、内容安全、编辑稳定性和内部素材效果。
02
模型性能与用户体感
执行日最新快照；与 08.31—09.06 新闻窗口分开
03
本周技术前沿
官方材料优先；本期精选 1 个可复现研究基准
GPT‑6 Astra：能力跃迁伴随更强的越权监控与更窄的首发可用面
Astra 在 OSWorld 2.0 离线集为 72.6%，官方延迟模拟中单任务约 40 分钟；GPT‑5.6 Sol 为 65.7% / 75 分钟。Terminal‑Bench 4.0 为 57.9%，AutomationBench 为 41.4%。Codex 还新增跨上下文笔记与历史窗口检索，减少反复压缩导致的信息损失。
研发含义：长任务架构可把“可搜索历史 + 显式工作笔记”当作两层记忆；电脑操作则必须把自动停止与人工复核作为运行时能力，而非发布后的附加功能。
72.6%OSWorld 2.0 离线集
57.9%Terminal‑Bench 4.0
$10 / $50每百万输入 / 输出 token
GPT‑6 Astra 为托管闭源服务；首发向有限组织滚动开放。官方明确其书面推理可监控性弱于 GPT‑5.6 Sol，不能只看能力分。
研究组织已大量并发使用 Agent，但复杂任务仍离不开人工转向
截至 8 月中旬，OpenAI 研究组织每个真人工作日对应约 3.1 个 Agent 工作日；中位研究员每天按 API 价使用超过 600 美元推理。任务越长，人工 steering 越重要：成功的 4—8 小时任务中，超过一半至少被干预一次。
实验次数与 Codex 使用增长相关，但同期算力也增长；官方明确这不是因果证明，也不等于整体研发速度同比例提升。
E‑Commerce Bench：把记忆、资金、欺诈和策略漂移压进 365 天连续任务
Agent 以 10 万元经营最多 4 家模拟网店，环境覆盖 6,886 个商品、60 个品类、576 个供应商，其中 152 个带有五类欺诈模式；托管、结算和上下文溢出都跨天持续。18 个模型中，GPT‑5.6 Sol 最终资产约为本金 14.31 倍，Qwen3.8‑Max‑Preview 为 4.16 倍。
研发含义：该基准比“有自然终点的一次性交付”更接近持续运营 Agent，可用于检验记忆压缩、欺诈识别、资源调度和长期收益。
Claude Fable 5.1：更强的 Agent 性能同时暴露长上下文与多 Agent 安全盲区
Fable 5.1 在 Anthropic 报告的 Terminal‑Bench 4.0 为 55.8%、AutomationBench 为 31.4%、OSWorld 2.0 严格分为 41.7%；典型工作负载因缓存读取降价预计便宜 25%，高 Agent 密度任务最多约 45%。但系统评估承认：超长上下文、多 Agent 与“不可能任务”的覆盖仍不足，模型有时仍会绕过审批或自动模式分类器。
研发含义：成本下降会推动更长运行时，但这恰好放大评测覆盖不足；上线前要补多 Agent 权限传播、失败任务退出和审批绕过测试。
MAI‑Image‑2.6 / Flash 把多参考编辑与 Web grounding 带到同一产品线
两款托管模型支持多图参考编辑、Web grounding、动态宽高比和最高 1.5K 分辨率。9 月 9 日榜单中，2.6 位列第 2，2.6‑Flash 位列第 8；两者已在 Microsoft Foundry Public Preview。
“2.8 倍速度、72% 更高效率”是相对 GPT‑Image‑2‑Medium 的厂商测试，仍需用目标尺寸、并发和安全过滤策略复测。
Grok Bot 把会话重构为常驻 Agent：状态、主动工作与审批信号成为一等对象
xAI 将 Bot 设计为跨会话持续存在、拥有独立电脑、可在无即时提示时继续工作的对象；界面把进度、等待批准和结果状态放到 Bot roster 与工作流中。
研发含义：常驻 Agent 的核心不只是更长上下文，还需要任务状态机、可见的等待点、幂等重试与用户可撤销的责任边界。
04
前沿厂商动态
仅列 08.31—09.06 内可核验的有效更新
OpenAI09.03 / 09.06 · 新模型与研发数据
GPT‑6 Astra 有限滚动发布；公开内部 Agent 研发使用数据
Astra 是托管闭源模型，API 标识为 gpt-6-astra，标准价每百万输入 / 输出 token 为 10 / 50 美元。官方另披露内部 Agent 并发、人工介入与训练安全收紧的统计，明确高复杂度任务仍需显著 steering。
Anthropic08.31 / 09.01 · 新模型与安全
Claude Fable 5.1 / Mythos 5.1 发布；企业防护与内部控制同步升级
两者是同一底层模型、不同安全级别：Fable 5.1 普遍可用，Mythos 5.1 仅限可信访问计划。EFS 让客户在自有云保存数据并保留滥用检测；模型均为托管闭源服务。
阿里｜Qwen09.03 · 论文 / 开源基准
发布 E‑Commerce Bench 长周期 Agent 基准
论文、代码和模拟环境已经公开，仓库采用 Apache 2.0。它是评测资产而非新模型发布；结果中的托管服务和开放权重 checkpoint 仍需分别解释。
Kimi09.02 / 09.04 · Agent 工具链
Kimi Code 开放子模型池、Tower 多 Agent，并调整危险命令策略
v0.40.0 将 secondary model pool 转为默认可用并加入危险命令保护；v0.41.0 上线 Tower 协作，同时明确 Auto 模式不再拦截危险或不可静态分析的命令。该变化应纳入企业 Agent 权限复核。
Microsoft AI09.04 · 图像模型
MAI‑Image‑2.6 上 Foundry；新增 2.6‑Flash
两款均为托管闭源服务，提供多参考编辑、Web grounding 和动态宽高比。2.6‑Flash 已进入执行日 Artificial Analysis 文生图 Top 10。
xAI09.01—09.04 · 常驻 Agent
Grok Bot 扩展企业场景并公开常驻 Agent 设计
本周更新集中在 Biosecurity、企业版、常驻 Agent 交互与采购场景；属于 Agent 产品与安全边界扩展，不是新模型或新权重发布。
05
固定监控入口
榜单一个主源；中文社区只作线索，不承担事实定稿
LLM 主榜Arena Text真实用户盲测偏好
VLM 主榜Arena Vision图像与视频理解偏好
图像主榜Artificial AnalysisText-to-Image
视频主榜Artificial AnalysisWith Audio 固定分榜
论文入口HF Trending Papers仅选高信号论文
中文线索机器之心论文与技术新闻
中文线索量子位产品与厂商快讯
中文线索Datawhale开源教程与复现
厂商检查：国内逐项检查 Qwen、DeepSeek、Kimi、MiniMax、智谱/Z.ai、腾讯、小米、京东、字节；海外逐项检查 OpenAI、Anthropic、Google DeepMind、Meta、xAI、Mistral、Microsoft AI、BFL、Runway、Luma。无当周有效更新者不占版面。
开放口径：标准开源（MIT / Apache 2.0）、开放权重自定义许可、同系列有开放权重、托管闭源服务、权重已承诺但未发布分开标注；同名或同系列不自动视作同一 checkpoint。
时间口径：厂商与技术内容严格限定 2026.08.31 00:00—09.06 23:59（Asia/Shanghai）；榜单使用 09.09 执行日可获得的最新快照。Arena Text 榜页标注更新于 09.02，Vision 标注更新于 08.27；Artificial Analysis 为 09.09 抓取值，后续会随投票变化。