面向 Agent、代码与工具调用、检索、长流程、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。
本周最值得带走的 4 个判断
依据：Anthropic 9 月 17 日发布 36 个生物建模优化套件，报告平均约 4× 加速、相同输出约 1.6×；Z.ai 同日称 GLM-5.3 驱动的 Infra Agent 在十万卡级国产加速器集群把端到端吞吐提高 3×。
判断：Agent 可用于算子、编译与推理栈优化，但必须把 exact / fast / big 模式、数值等价、硬件拓扑、依赖摘要和人工放行写入验收，而不是只看吞吐。
边界：Anthropic 结果集中在生物模型与 NVIDIA 栈；Z.ai 为厂商自报的特定国产集群，均不能外推为通用加速倍数。
依据：xAI 9 月 16 日让 Grok Build Memory 只保存稳定约定、决策和项目事实，并提供可浏览 Markdown；Qwen Code 9 月 17 日新增 50 万 token 上限、最大轮次/时长、精确工作流版本审批与受限 bwrap 沙箱。
判断：长期 Agent 的记忆应可审阅、可覆盖且排除秘密与临时任务态；预算、权限、跨会话通信和可写目录则由独立运行时硬约束，避免“记住了”被误当成“获准了”。
边界：这是两个产品的工程实现，不是互操作标准；Qwen 跨会话消息默认开启，仍需按组织数据边界复核。
依据：Google 9 月 15 日发布 Gemini 3.8 Live / Extended Thinking，支持 97 种语言中途切换，并可在继续对话时后台执行工具与 API；Extended Thinking 在其披露的 Speech-to-Speech Quality Index 得分 82.6。
判断：语音 Agent 控制面应把实时音频、异步工具作业、取消/超时和结果回注分离，优先保障打断、澄清和回退，而不是让一次长工具调用冻结会话。
边界：模型是托管闭源服务，指标含厂商或外部基准，不覆盖中文业务噪声、成本、端到端延迟和内部工具成功率。
依据：执行日 Artificial Analysis 文生图 Top 20 全为托管闭源服务；With Audio 视频榜中，MiniMax H3 第 4（开放权重、自定义许可），MAGI-2 Preview 第 6（Apache 2.0 权重与推理代码，518 GB、推荐 8×Hopper）。
判断：追求图像头部偏好分应先按托管 API 评估；视频若需要数据驻留与可控部署，可把 H3 / MAGI-2 纳入自部署 PoC，并把许可证、显存拓扑和单位成片成本列为一等指标。
边界：偏好榜不覆盖编辑稳定性、延迟、成本与品牌一致性；MAGI-2 的第 6 名服务条目与仓库版本仍需用相同提交和推理配置复测。
执行日最新快照；与 09.14—09.20 新闻窗口分开
官方材料优先；聚焦 Agent 控制面、系统优化与实时语音
Anthropic 与 FutureHouse 在不到四周内优化 30 多个开放生物模型，发布 36 个即插即用套件；FlashPairformer 的三角注意力报告 2.7—2.9× 加速、三角乘法 1.7—3.2×。仓库把优化分为 off、exact、fast、big，并明确原始代码 Apache 2.0、上游组件沿用各自许可且仓库不承诺维护。
Z.ai 则披露 GLM-5.3 驱动的 Infra Agent 参与 W8A8、INT8/FP8/BF16 KV cache、张量并行、ReplaySSM、分层切分与 EPD 解耦，称从适配到生产少于两周、吞吐 3×，并在六天处理 62 万亿 token。
研发含义：系统 Agent 的评测单位应是“提交 + 镜像 + 硬件拓扑 + 精度模式 + 数值/任务回归”，高吞吐只有在输出一致性与回滚路径成立时才有意义。
Gemini 3.8 Live 面向低延迟规模化，Extended Thinking 面向复杂多步推理；两者可在 97 种语言间中途切换，结合视觉定位，并在继续交谈时后台执行工具/API。官方披露 Extended Thinking 的 Speech-to-Speech Quality Index 为 82.6、τ-Voice 为 68.6%，Live 在 Speech Agent Arena 排第 2。
研发含义：实时语音链路应把音频流、工具作业队列、状态机和结果回注解耦；界面必须允许用户打断、纠正和取消后台动作，并对“仍在执行”提供可感知状态。
Qwen Code v0.23.3—0.24.0 新增 50 万 token 上限、goalMaxTurns、goalMaxActiveMinutes 与最后一次收尾机会；子 Agent 和验收检查计入预算。审批绑定精确工作流版本，bwrap 沙箱只允许写工作区、临时目录和指定缓存。
同一会话还可委托 Claude Code、Codex 或外部 ACP Agent，并默认开启跨会话消息。这提高了编排能力，也把信息流边界从单一会话扩展到多执行体。
Grok Build Memory 将约定、决策和项目事实写成 Markdown topic，分项目与全局范围，可由 /memory 浏览、由 /dream 整理；当前会话可以覆盖旧记忆。官方明确排除任务状态、暂定结论、秘密以及仓库或文档中已经存在的内容。
研发含义：可见、可编辑、可覆盖的稀疏记忆比原始对话倾倒更适合作为长期状态；秘密与即时任务态应保留在权限系统和任务运行时。
执行日 Artificial Analysis 文生图 Top 20 没有可下载权重条目。With Audio 视频榜则有 MiniMax H3 第 4 与 MAGI-2 Preview 第 6：H3 使用 MiniMax H3 Community License；MAGI-2 的 114B MoE 每 token 激活 6B，权重约 518 GB、Apache 2.0，参考推理要求 8 张 NVIDIA Hopper，当前固定生成 10 秒片段。
研发含义：媒体 PoC 不能只看 Elo：托管图像模型重点测多轮编辑与单位请求成本；自部署视频模型重点测许可、显存/互联、固定时长约束、音画同步和单位成片成本。
仅列 09.14—09.20 内可核验的有效更新
Qwen Code v0.23.3—0.24.0 将外部 ACP Agent、跨会话消息、目标预算与版本化审批合入运行时，仓库为 Apache 2.0。Qwen3.8-LiveTranslate 支持说话人区分、双语屏幕和长上下文消歧，官方称 LAAL 从 2.8 秒降至 2.3 秒；未见该精确翻译服务权重开放。
文章报告 W8A8、混合精度 KV cache、张量并行、ReplaySSM、分层切分和 EPD 解耦，称两周内上线、端到端吞吐 3×。这是特定生产栈的厂商数据，需在目标硬件复测。
两档分别面向低延迟规模化和高复杂度多步任务，支持 97 种语言切换、视觉定位与后台工具调用；均为托管闭源服务。
官方报告 30 多个开放模型平均约 4× 加速，并明确 exact / fast / big 的精度取舍。原始代码 Apache 2.0，上游许可证分别保留，仓库按“原样”发布且不承诺维护。
Memory 以可浏览 Markdown 保存稳定知识并排除秘密和任务态。Transcribe 2.0 是托管语音转写服务，官方称同价下相对 1.0 准确率提升 2×；该数据需在内部语料复测。
enhance_frame_rate 支持最高 120 fps 和常见广播帧率，输入最长 300 秒，按每 2 秒 1 credit 计费。它是后处理能力更新，不是新视频生成模型。
首批覆盖法国与北美，后续扩区。该更新说明浏览器原生 Agent 入口继续扩张，但未发布新模型、权重或可独立复现的能力评测。
榜单一个主源；中文社区只作线索，不承担事实定稿
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 2026.09.14 00:00—09.20 23:59（Asia/Shanghai）；榜单使用 09.21 执行日可获得的最新快照。Arena Text / Vision 榜页均标注更新于 09.13；Artificial Analysis 为 09.21 抓取值，后续会随投票变化。