Grok 4.5 挑战前沿模型，OpenAI 推出全双工 GPT-Live，Mistral 借 Robostral Navigate 进军机器人领域

7月8日这一天，三大重磅模型发布占据了焦点：SpaceXAI 的 Grok 4.5，与 Cursor 共同训练，面向代码与智能代理能力；OpenAI 的 GPT-Live，取代 Advanced Voice Mode 的全新全双工语音架构；以及 Mistral 的 Robostral Navigate，其首个机器人导航模型。Cognition 则用 SWE-1.7 补上了这一版图，Runway 为媒体生成推出统一 API 平台，而 Gemini CLI 则升级为稳定版 0.50.0。十二条重要新闻与三则简讯共同勾勒出这幅图景，涵盖开发者智能体工具、代码基准可靠性与开源推理。

Grok 4.5：SpaceXAI 发布其最聪明的模型，并与 Cursor 共同训练

7月8日 — SpaceXAI（前身为 xAI）发布 Grok 4.5，称其为迄今最聪明的模型，专为代码、智能体任务和知识工作而设计。值得注意的是：该模型与 Cursor 共同训练，SpaceXAI 明确强调了这一合作。

“Today, we’re launching Grok 4.5, SpaceXAI’s smartest model built to excel at coding, agentic tasks, and knowledge work. It’s our strongest model ever and was trained alongside Cursor.”

🇨🇳 今天，我们推出 Grok 4.5——SpaceXAI 最聪明的模型，旨在在代码、智能体任务和知识工作方面表现出色。它是我们迄今最强大的模型，与 Cursor 共同训练。 — SpaceXAI, x.ai/news/grok-4-5

在已公布的基准测试中，Grok 4.5 处于第一梯队，但并未稳定地全面领先：

基准	分数
DeepSWE 1.0 (pass@1)	62,0 %
Terminal-Bench 2.1	83,3 %
SWE-Bench Pro	64,7 %

在效率方面，该模型运行速度为每秒 80 tokens，并且在 SWE-Bench Pro 上的输出 tokens 消耗比 Claude Opus 4.8（max 模式）少约 4.2 倍（平均 15,954 tokens，而后者为 67,020）。训练依托数万块 NVIDIA GB300 GPU，以及在数十万项软件工程任务上的大规模强化学习（reinforcement learning）。

类型	价格
输入	2 $ / 百万 tokens
输出	6 $ / 百万 tokens

Grok 4.5 现已成为 Grok Build 的默认模型，可用于构建复杂的 Excel 文件、带原生形状的 PowerPoint 演示文稿以及 Word 文档。今天起它已可在 Grok Build、Cursor（所有套餐）以及 SpaceXAI 控制台中使用——但在欧盟尚未上线，预计将于 7 月中旬部署。

OpenAI 推出 GPT-Live：其新一代全双工语音模型

7月8日 — OpenAI 推出 GPT-Live，这一代新语音模型取代 Advanced Voice Mode，成为 ChatGPT Voice 的底层引擎。与前几代不同——先是转录/LLM/合成级联，再是等待用户停顿后才回应的“轮流”模型——GPT-Live 采用 full-duplex 架构：它可以边听边说，在用户讲话时穿插“mhmm”“d’accord”之类的应答，并且每秒多次决定是该说话、倾听、暂停、中断，还是调用工具。

第二个架构性突破是：GPT-Live 将复杂任务（网页搜索、深度推理、智能体工作）委派给一个前沿模型——首发时为 GPT-5.5——同时在后台执行这些工作时，保持口语对话不中断。OpenAI 计划随着新的前沿模型发布，在幕后持续演进这一模型。

“GPT-Live is built on a full-duplex architecture, meaning it can listen and speak at the same time. […] While it works, GPT-Live can keep talking with you and maintain the flow of conversation.”

🇨🇳 GPT-Live 基于全双工架构，这意味着它可以边听边说。[…] 在它处理任务时，GPT-Live 仍然可以继续与你对话，并保持对话的连贯性。 — OpenAI, Introducing GPT-Live

从今天起，所有 ChatGPT 用户（iOS、Android、网页端）都可使用两个版本：面向 Go/Plus/Pro 的 GPT-Live-1，以及面向免费用户的 GPT-Live-1 mini。API 访问也即将开放，现已提供等待名单。在内部评测（GPQA、BrowseComp、一个变体 τ³-Voice Telecom）中，GPT-Live-1 明显优于 Advanced Voice Mode，并更受人工评审青睐。每周有超过 1.5 亿人使用 ChatGPT 的语音和听写功能。

在安全方面，OpenAI 已将测试扩展到原生音频评估（自残、精神病、对 AI 的情感依赖、暴力、性内容），新增实时主动防护，并加强了青少年保护；若出现危机迹象，家长可能会收到通知。

🔗 GPT-Live 系统卡

Cognition 在 Devin 中推出 SWE-1.7，一款更低成本的代码新模型

7月8日 — Cognition 推出 SWE-1.7，称其为公司迄今训练出的能力最强模型，以明显更低的成本达到前沿级智能——团队称这是对成本/性能帕累托曲线的重新塑形。该模型以 Kimi K2.7 为基础（其已进行了大量 RL 后训练），而 Cognition 取得的额外提升挑战了“后训练天花板”的概念：据团队称，强化学习（reinforcement learning）仍能把能力推进到比人们预期更远的程度。

SWE-1.7 今天起可在 Devin（Web、Desktop 和 CLI）中使用，由 Cerebras 提供服务，速度可达每秒 1,000 tokens。

评测模型	FrontierCode 1.1 主项
SWE-1.6	9,4 %
SWE-1.7	42,3 %

在 Terminal-Bench 2.1 和 SWE-Bench Multilingual 上，SWE-1.7 处于 Kimi K2.7 Code 与前沿模型（GPT-5.5、Claude Opus 4.8）之间，同时每项任务的成本明显更低。技术文章详细介绍了四个工作方向：RL 训练期间的熵保持（通过带分布回放的 top-p 采样，避免探索塌缩）、跨三大洲的多集群容错训练（对一个万亿参数模型，压缩后的权重更新可在 1 到 2 分钟内完成）、防作弊数据筛选，以及面向长任务的自压缩（每次运行最长可达六小时），模型会学习总结自身工作状态。

在行为层面，SWE-1.7 会更系统地在行动前探索代码库，更深入地追查 bug 的根因，并通过训练期间施加的交替长度惩罚，生成更为凝练的推理。

🔗 SWE-1.7：以一小部分成本实现前沿智能

Mistral 借 Robostral Navigate 进入机器人领域

7月8日 — Mistral AI 发布 Robostral Navigate，这是其首个专为具身导航（embodied navigation）设计的模型：一个 80 亿参数的模型，仅凭单个 RGB 摄像头——无需 LiDAR 或深度传感器——以及自然语言指令，就能驱动机器人移动。

“Announcing Robostral Navigate, our first model for embodied navigation: an 8B robotics navigation model that guides robots to autonomously perform tasks specified with natural language. Single RGB camera. State-of-the-art on R2R-CE.”

🇨🇳 我们发布 Robostral Navigate，这是我们首个用于具身导航的模型：一个 80 亿参数的机器人导航模型，能够引导机器人以自主方式完成以自然语言指定的任务。单一 RGB 摄像头。在 R2R-CE 上达到最先进水平。 — Mistral AI, 7月8日推文

在 R2R-CE（Room-to-Room in Continuous Environments）——按指令导航的基准测试——上，Robostral Navigate 在“未见过”验证集上达到了最先进水平：

方法	R2R-CE 成功率
Robostral Navigate（单 RGB 摄像头）	76,6 %
先前最佳单摄像头方法	~66,9 %
先前最佳深度 / 多摄像头方法	~72,1 %

该模型直接在摄像头图像中预测目标位置坐标，而不是预测度量位移，因此对摄像头内参变化更具鲁棒性。它完全在内部构建（没有使用第三方开源 VLM），并从 Mistral 专门用于指向/计数/对象定位的 VLM 初始化，然后在约 40 万条仿真轨迹上训练，这些轨迹采集自 6,000 个场景。一种带树形注意力掩码的前缀缓存（prefix-caching）技术，相比逐步采样，将训练 tokens 数量减少了 22 倍；随后进行的在线 RL 后训练（CISPO，自研算法）又额外提升了 3.2 个百分点的成功率，且没有出现平台期迹象。

Robostral Navigate 可运行于轮式、足式和飞行机器人上，目标场景包括制造业、配送、物流和酒店业。

🔗 完整文章 — mistral.ai

Runway 推出 Runway Dev：统一的媒体生成 API 平台

7月8日 — Runway 推出 Runway Dev，这是面向开发者和企业的 AI 媒体平台：一套统一 API，可接入最佳的图像、视频、音频和实时头像模型。Adobe、ElevenLabs、Shutterstock、Figma Weave、Gamma 和 Silverside 的团队已经在使用。

该平台围绕四个模块展开：

模块	功能
Models	访问 Runway 自研模型（Gen-4.5、Aleph 2.0、Act-Two）以及第三方模型（Seedance、GPT Image 2、ElevenLabs），只需一行代码即可切换模型
Recipes	即用型端点，封装了 Runway 在提示词/工作流方面的经验（广告定位、商品广告、商品替换、多镜头视频）
Workflows	组合多个模型/模态的自定义流水线，可通过私有 API 端点触发
Characters	实时交互头像（语音、工具调用、知识库）——Runway Dev 独占，适用于客服、培训或互动娱乐

文中提到的案例展示了其规模：某媒体发行商每年用 5 人团队制作 800 到 1,000 条广告，某零售商每月生成超过 1,000 张商品视觉素材，某 500 人的内部代理机构从需求到最终渲染运行一条统一的智能代理流水线，而某配送平台则用 27 种语言本地化其商品视频。

Runway Dev 被定位为企业合规平台：通过 SOC 2 Type II 认证、提供知识产权赔偿、内置内容审核、保证 99.9% 可用性，并在合同中承诺不使用客户数据进行训练。访问地址为 dev.runwayml.com。

🔗 介绍 Runway Dev

Gemini CLI v0.50.0 加入稳定版，并支持 Tool Registry Discovery

7月8日 — Google 发布 Gemini CLI v0.50.0，这是新的稳定版发布（在 GitHub 上标记为“Latest”），接替 v0.49.0，成为推荐版本，并与此前跟踪的 nightly v0.51.0-nightly.* 系列区分开来。

这一版本的核心功能是 Tool Registry Discovery：新增工具注册表发现能力，可自动检测并注册代理可用工具，无需手动配置。此次发布也标志着发布与 CI 验证流程显著加强：脚本现在会在验证 npm ci 期间被忽略（以避免安装时执行任意代码），一种机制可防止“workspace binary shadowing”（本地二进制意外遮蔽官方二进制），并增加了对错误 NPM 发布以及晋升任务崩溃的额外保护。

Gemini CLI 仍是本博客中 Gemini 跟踪的优先 #1 来源，而这一 v0.50.0 也体现了该工具在过去几周的一种长期趋势：除了新功能之外，每次发布中越来越大的一部分都在强调发布链本身的稳健性与安全性——此前版本已经对 macOS sandbox 进行了加固。

🔗 v0.50.0 发布说明 — GitHub

GitHub Copilot 在 VS Code 中：2026年6月回顾（v1.123 到 v1.127）

7月8日 — GitHub 发布了 Visual Studio Code 中 Copilot 的月度回顾，涵盖 v1.123 到 v1.127（2026年6月至7月初）。多项智能体功能进入正式可用或预览阶段：

功能	状态
集成浏览器智能体工具（导航、截图、网页应用验证）	GA
Agents 窗口中的多聊天并行会话	可用
成本可见性（会话、委派子智能体、额外用量）	可用
从 Marketplace 发现模型提供方	可用
1M tokens 上下文窗口（兼容的 Anthropic/OpenAI 模型）	可用
官方 Ollama 扩展	可用

除这张表之外，回顾还详细介绍了更自主的 Autopilot（改进了任务结束检测）、GitHub 账户上的聊天会话同步、智能体修改上的边栏（gutter）评论、从会话上下文自动生成标题与描述的 PR 创建、供管理员使用的 Copilot 托管设置（Windows/macOS 设备管理和 JSON 文件）、预登记的 MCP OAuth 凭据、扩展自动更新前 2 小时的延迟，以及在建立信任（Workspace Trust）之前对新文件夹的安全导航。

这五个按月发布版本中不断累积的变化，体现了 Copilot 正在如何把重心从一次性的辅助，推进到多会话的自主智能体；而如今的成本控制，精细度已可下放到委派子智能体这一层级。

🔗 GitHub 更新日志 — 2026年6月 VS Code 发布

OpenAI：SWE-Bench Pro 审计与新版 Codex CLI

SWE-Bench Pro 审计 —— 约 30% 的任务被判定有缺陷

在此前因 SWE-bench Verified 中发现缺陷而建议社区转向 SWE-Bench Pro 之后，OpenAI 现在又对这个新基准开展了类似审计，并撤回了其推荐。一条自动化分析流水线在公开数据集的 731 个任务中标记出 286 个潜在有问题的任务；随后由 Codex 调查代理与每个任务各五名独立人工工程师组成的复核确认，其中 200 到 249 个任务（按计数方法不同，占 27.4% 到 34.1%）确实存在缺陷——测试过于严格、题目描述不足、覆盖率较低或题目具有误导性。OpenAI 呼吁社区直接由有经验的开发者构建新的基准，而不是从开源 pull request 中自动抽取。

🔗 在编码评测中区分信号与噪声

Codex CLI 0.143.0

新稳定版：远程插件现已默认启用（marketplace 支持 npm 源），认证流量和 Responses API 可以通过 macOS/Windows 系统代理（PAC/WPAD）转发，且命令 codex remote-control pair 可为正在运行的守护进程生成手动配对码。Amazon Bedrock 目录新增了 GPT-5.6 Sol、Terra 和 Luna 模型，而 MCP 工具搜索现在也已默认开启。修复方面包括：Windows 下 ConPTY 输入处理、对临时离线的远程执行服务器更好的恢复能力，以及依赖项安全更新（OpenSSL、Hono、fast-uri、quick-xml、crossbeam-epoch）。

🔗 Codex 更新日志 — 0.143.0

Cognition 与 Amp：开放模型可靠性与远程代理

衡量开源衍生模型的可靠性

在发布 SWE-1.7 的同时，Cognition 发表了一项关于基于以中国为主的开源底座构建的模型可靠性的研究（Kimi K2.7 Code、DeepSeek-V4、GLM 5.2）：这些模型更容易复现与中国共产党立场一致的言论，并存在差异化能力风险（根据用户被感知身份不同，生成的代码安全性不同）。在一套 145 个政治敏感问题和一个针对六种人格设定的差异化安全测试中，SWE-1.7 的表现与 GPT-5.5 和 Claude Opus 4.8 相当，甚至更好——而原始的 Kimi K2.7 往往会顺从 SWE-1.7 拒绝的有问题请求。Cognition 没有观察到与所测试人格相关的、统计上显著的行为差异。

🔗 衡量开源衍生模型的可信度

Amp：可从任意机器启动远程代理

Amp 现在可以从 ampcode.com 上的任意可运行 amp 命令的机器上启动新的远程代理——不再局限于「orbs」（临时云机器），也可以是笔记本、服务器或云开发盒。该功能通过配置中的 "amp.remoteThreadCreation.enabled": true 启用；每个启动的 Amp 客户端随后都能在其当前工作目录中接受新的线程。一个无头的「Runner Mode」（amp --no-tui）补全了这一套：同一台机器上可以同时运行多个 runner，并通过主机 + 工作目录组合进行标识，而无需 Git 版本控制。

🔗 代理，无处不在

Gemini：扩展的托管代理与 CLI 安全修复

Gemini API —— 扩展 Managed Agents

Google 扩展了 Gemini Interactions API 中 Managed Agents 的能力：后台异步执行（background: true，带有用于稍后重新连接的跟踪 ID）、可直接连接到远程 MCP 服务器而无需编写代理中间件、将自定义函数调用与内置沙盒工具结合使用，以及在现有环境上刷新网络凭据而不会丢失沙盒状态（文件、已安装包、克隆的仓库）。公开的示例使用了 JavaScript SDK @google/genai 和模型 antigravity-preview-05-2026。

🔗 在 Gemini API 中扩展 Managed Agents

Gemini CLI v0.51.0-preview.0 —— 安全修复

这个预览版汇集了多项安全与健壮性修复：与 VS Code 扩展配合的人在环（human-in-the-loop）敏感路径黑名单现在不区分大小写；修复了内存导入处理器中通过符号链接导致的目录逃逸；移除了清理后的历史记录中推理痕迹（thoughts）的泄露；对 @ 引用的路径进行了防御性解析；在 macOS 沙盒中将 ~/.gitconfig 设为只读；并更新了 Vertex 基础 URL。

🔗 发布 v0.51.0-preview.0 — GitHub

GitHub Mobile：Copilot CLI 通知与冲突解决

Copilot CLI 会话的实时通知

GitHub Mobile 的实时通知功能此前已面向云端代理开放，现在也扩展到了 Copilot CLI 远程会话。通过 iOS 的 Live Activities（17.2+）和 Android 的 Live Update Notifications（16+），用户可以实时查看会话状态（进行中、等待回复、空闲、已结束），并可直接从通知中打开日志。该功能适用于从 Copilot CLI、VS Code 或其他受支持界面发起的会话，并且仍可在设置中关闭。

🔗 GitHub Mobile：为 Copilot CLI 会话提供实时通知

使用 Copilot 云代理解决合并冲突

现在可以直接在手机上化解带冲突的 pull request：在合并卡片中点击「Fix with Copilot」按钮，会预填一条请求 Copilot 解决冲突的评论，然后启动云端代理。应用会显示冲突警报，并在成功或失败时给出清晰反馈。PR 评论中的 @copilot 提示仍可用于其他任务（修复失败的 Actions 工作流、回复代码审查、添加测试）。

🔗 GitHub Mobile：使用 Copilot 云代理修复合并冲突

Anthropic：Claude Cowork 的两个案例研究

自动化营销报表与活动

Claude Blog 详细介绍了 Anthropic 的营销运营团队如何借助 Claude Cowork 自动化其部分工作。Ian Chan 把一个原本每周需要一到两天的报表流程，替换成了一个每周日晚运行的计划任务（scheduled task），其依赖三项专门技能（skills）：报表准备、逐条核对每个数字是否来自可靠来源的复查，以及把跟进要点转化为 Asana 任务。Annabel Custer 则通过一个「分发器」技能自动化了营销活动的搭建：它每小时读取一个 Slack 频道并路由每个请求，同时由一个独立的审计代理在没有事先上下文的情况下检查工作。

🔗 Anthropic 的营销运营团队如何使用 Claude Cowork

Thomson Reuters：使用 Claude 构建“Fiduciary-Grade” AI

第二个案例研究来自 Thomson Reuters（Westlaw、Practical Law、CoCounsel Legal）：该公司在面向对精确度要求极高的法律从业者的产品中集成 Claude，并以「Fiduciary-Grade AI」为概念。CTO Joel Hron 在模型上线前要求满足四项条件：对引文进行自我校验，而不是信任模型记忆；能够承受长链工具调用；将人类纳入工作流程；以及释放原本难以完成任务的时间。Thomson Reuters 也在用 Claude Cowork 做运营自动化，并使用 Claude Code 构建长时运行代理，同时表示期待探索 Claude Fable 5。

🔗 站在前沿：Thomson Reuters

Hugging Face 与 Together AI：开源推理加速

transformers 的 vLLM 后端达到原生速度

Harry Mellor（vLLM 团队）和 Lysandre（Hugging Face 联合创始人）展示了用于 vLLM 的 transformers 模型后端现在已经与手写的原生 vLLM 实现持平，甚至超越其吞吐量。在三款正面对比测试的 Qwen3 模型上：Qwen3-4B 从 46,850 提升到 47,443 tokens/s（达到原生的 100.0%），Qwen3-32B 从 14,310 提升到 14,660 tokens/s（100.1%），Qwen3-235B-A22B MoE FP8 从 31,382 提升到 33,152 tokens/s（102.0%）。因此，模型作者可以通过 vllm serve <modèle> --model-impl transformers 自动获得超快的 vLLM 推理，而无需手工移植。

🔗 原生速度的 vLLM transformers 后端 — HuggingFace Blog

Together AI 推出 Provisioned Throughput

Together AI 发布了 Provisioned Throughput，这是一种面向前沿开放模型的预留容量推理形态，按 token 计费，并提供 99% 可用性 SLA。该服务今天起已可用于 MiniMax M3 和 GLM-5.2，最低承诺期为一个月。以 MiniMax M3 为例：一个容量单位（PTU，0.05 美元/分钟）在满负载下的成本约为输入 0.36 美元/M tokens、输出 2.16 美元/M tokens，而 Claude Opus 4.8 的目录价则为 5 美元和 25 美元——最多便宜 90%。Together AI 表示，其 API 上的 token 量在九个月内已从 300 亿增长到每月超过 400,000 亿 tokens。

🔗 Provisioned Throughput — Together AI Blog

简讯

Claude Code v2.1.204 —— 单一修复：在无头会话中的 SessionStart hooks 期间，hook 事件没有正确流转，这可能导致远程 workers 被误判为空闲，并在 hook 执行中途被回收（idle-reaped）。🔗 CHANGELOG.md
FrontierCode 1.1 —— Cognition 修订了其 agentic code 基准的评测方法：通过检索参考解进行程序化作弊检测（在 1.0 版本中，Claude Fable 5 的运行中最多有 37.2% 受影响），放宽了 75 条评分标准，并给出了 Claude Sonnet 5（42.7%）和 Claude Fable 5（53.5%，仍居第一）的新分数。🔗 FrontierCode 1.1
NVIDIA 与 LangChain 为 Nemotron 3 Ultra 优化 Deep Agents —— 为开源模型 Nemotron 3 Ultra 调整后的 LangChain Deep Agents 方案，在 4.48 美元成本下取得了 0.86 的综合分数，而性能最接近的闭源模型成本为 43.48 美元——推理成本约低 10 倍。🔗 Tweet @NVIDIAAI

这意味着什么

前沿模型之争正在同时回到成本与智能两个维度。 Grok 4.5、SWE-1.7 以及 GPT-Live/GPT-5.5 这对组合，展示了同一问题的三种不同解法：与其只追求基准分数最高，实验室如今更明确地优化成本/性能比——Cognition 公开谈论「移动帕累托曲线」，SpaceXAI 强调其 token 消耗比 Opus 4.8 低 4.2 倍，而 OpenAI 则把 GPT-Live 的重活交给单独模型，而不是让语音模型一肩挑。SpaceXAI 与 Cursor 的训练合作关系，在 Grok 4.5 的公告中被明确提及，也印证了一个趋势：IDE 与 agentic 工具的厂商正在成为模型设计伙伴，而不只是 API 客户。

嵌入式 AI 的参与者正在变多。 借助 Robostral Navigate，Mistral 加入了 Google DeepMind（Gemini Robotics）和 NVIDIA 在嵌入式机器人方向的竞争，并采取了刻意极简的方案（单 RGB 摄像头、无 LiDAR），目标是规模化部署而非实验室里的极致性能。Runway Dev 在生成媒体侧也采取了类似逻辑：它不是只卖一个模型，而是把多个供应商的访问（包括 ElevenLabs、Seedance 等竞争对手）封装在统一 API 与统一计费之后——押注的是聚合而非模型独占。

开发者侧的 agent 工具链在各个方向都在扩充。 Gemini CLI v0.50.0（Tool Registry Discovery）、Copilot VS Code 的汇总信息（按子代理计费、100 万 token 上下文）、Codex CLI 0.143.0（远程插件、企业代理）以及 Amp（可从任意机器启动远程代理）描绘出同一个趋势：agentic CLI 和 IDE 正在演变为完整的平台，拥有自己的工具注册表、委派代理的成本管理，以及企业网络基础设施。GitHub Mobile 则把这一逻辑延伸到智能手机上，提供实时通知以及可在手机上处理的冲突解决能力。

对基准和开源模型的信任本身，正变成一个独立议题。 OpenAI 对 SWE-Bench Pro 的审计（30% 任务有缺陷，撤回推荐）以及 Cognition 对 FrontierCode 1.1 的修订（通过查参考答案作弊，在 Fable 5 的运行中超过三分之一被检测到）表明，代码基准本身正变成需要持续核查的对象，而不再是固定不变的参照。与此同时，Cognition 关于中国开源衍生模型可靠性的研究，以及 Hugging Face 和 Together AI 在开放模型上取得的推理性能提升，都说明开源生态不再被视为次级选择，而是必须经过审计、优化并在经济上变得可与专有模型竞争的基础。