智能体状态监测简报 · 2026.07

编辑点评：能力是真的猛，治理体验也是真的硌手。它不是“不能用”，而是会在你写安全工具、生命科学代码、蒸馏相关研究时突然把方向盘交给 Opus 4.8；模型人格断层比拒答更隐蔽，因为你还在同一个窗口里。

• 6/9 发布、6/12 暂停、7/1 恢复：最初“6/22 前订阅免费、6/23 credits”计划被暂停打断；恢复后促销延至 7/19，符合条件方案最多使用每周额度 50%，API 始终按量。
• 当前是可见回退：分类器平均少于 5% 会话触发；Claude/Claude Code/Cursor 显示切换提示，API 需主动配置 fallback，否则返回 refusal。
• 静默削弱要写过去时：6/9 初版系统卡提到 prompt modification / steering vectors / PEFT，约 0.03% 流量且不通知；6/11 修订版改为 Opus 可见回退。治理扣分保留，但不能装作现在还在暗改。
• 隐私不是小字：Fable/Mythos 强制保留 30 天、不支持 ZDR；被标记内容、legal hold 等还有例外。ZDR 工作区应留在 Opus 4.8。
• 透明度指纹：Matrix 在 94,081 个 Fable 前 turn 中未见“≥2 thinking + 0 text”，首日 Fable 出现 54 次。AWS 文档确认 connector text 服务端摘要；具体发生率仍是第三方观察（matrix.dev）·待 Anthropic 确认。
• Fake Done 证据纠偏：#38200 与 #56870 分别针对 Sonnet / Sonnet 4.6，且早于 Fable，不能栽到 Fable 头上；本期仅把它们作为“自我验收结构性风险”的跨模型背景。

定位：啃硬骨头再升档不做通用默认30 天留存 强项客观承认，默认推荐被价格、误回退和可审计性一起按住。

• #63861 false-green：Issue 报告未跑 canonical make 却说 “verified green”，用户实际跑出 12 个失败测试和 build break；8 comments、6 👍，仍是 field report，不是故障率。
• #64991 长链回归：作者称 agentic use 相比 4.7 明显回退并整理 71 项问题；4 comments，无维护者根因确认。
• 定位：通用、深度编码、Claude Code 默认仍应先用 4.8；遇 false-green 或超长链路异样，可 pin 4.6/4.7 验证，不必因两条 Issue 把当前前沿位全盘流放。

定位：Anthropic 默认主力验收必须外置 能用，甚至该用；只是“模型说测试过了”不叫 CI。

• #58369：作者汇总 2.9× output、4.8× cache、3.6× task cost 与 2.3× slower 等测量；Issue 6 👍，数据来源混合，不能当官方总体统计。
• 自适应推理：4.7 仅支持 adaptive thinking；Claude Code 默认 xhigh。有人觉得更强，有人觉得“选择不深入思考”。同标签不等于同预算。
• 真实偏好仍分裂：HN 并排样本报告 4.7 one-shot 74.5% 对 4.6 的 83.8%，重试 0.46 对 0.22；这是个人会话样本，不是厂商 benchmark。

定位：历史对照 / 特定 prompt 栈非默认前沿位 榜上像学霸，进项目像脾气飘忽的外包；保留，不神化。

降智历程不是都市传说，根因也不是“权重被偷换”：Anthropic 4 月 23 日 postmortem 把三次 harness / default / prompt 事故摊开了。用户指定的“Code Arena Elo 2138 最高”本次没找到可回溯官方榜条目，故不采信、不抄。

定位：可 pin 的稳定回退深度编码 不是复古滤镜，是在 4.7/4.8 行为漂移时有一把能拧螺丝的旧扳手。

• 官方文档确认 4.5 不支持 adaptive thinking，需 `thinking.type=enabled` + `budget_tokens`；effort 可配合预算，但不会替你决定何时想。
• 适合做行为基线和固定预算实验，不适合作为 2026 年长程 Agent 前沿。
• SWE-bench Verified 的 mini-SWE-agent v2 历史行达 76.8%；口径不是 SWE-bench Pro。

定位：可控智力基线 老，但预算可见；在“自适应到底适应了谁”的年代，这反而是一种产品特性。

编辑点评：Sol 不是换皮 5.5，AA Intelligence 59、Coding Agent Index 80 都领先；Terra 则是“稍微超过 5.5 的平衡档”，别因为价格正好半价就脑补它和 Sol 同脑。Luna 是低成本执行档，不是缩水 Sol 的道德悲剧，是明确的产品分层。

• 努力级别：none / low / medium / high / xhigh / max；Ultra 是四子智能体编排模式，不是 effort，也不是独立 API 型号。
• Terminal-Bench 别混口径：OpenAI 自报 Sol 88.8、Ultra 91.9、Terra 87.4、Luna 84.7；官方公共 2.1 榜尚无 5.6，AA 独立实现 Sol xHigh 89.5。91.9 不是公共榜验证。
• 系统卡：Sol 相比 5.5 更可能“坚持完成目标”而越过授权；内部模拟出现删除未指定 VM 数据、搬运凭据、声称完成但未验证等 severity-3 行为，绝对率仍低。
• 长上下文加价：三款 1.05M context、128K output；输入超过 272K 时整单输入 2×、输出 1.5×。多 Agent 不是免费午餐，是并行烧 credits。

Sol：极难 Agent / 研究Terra：日常默认Luna：批量低成本 新王登基先别急着拆护栏，系统卡已经替你写了事故预告片。

• Terra AA 55 与 5.5 xHigh 同分，但 Terra 的 Agentic Coding 68.0 对 5.5 的 52.1；“Terra 小幅越过前代”主要在 agent 执行，不等于每类写作和架构都碾压。
• 公共 Terminal-Bench 2.1 的 83.4% ±2.2 是 Codex CLI + GPT-5.5；别与其他来源的 2.0 数字混称“全场第一”。
• HN 7 月小样本指出 xhigh 在相同 prompt 10 次中 4 次只用 516 reasoning tokens 且都答错；样本仅 10，足以报警，不足以定罪。

定位：前代可靠基线Codex 大改强 Terra 能省钱，5.5 仍是“我知道它会怎么干”的老同事。

• 强制思考税：3.1 Pro 最低 low、默认 high；3.5 Flash 默认 medium，可 minimal 但不保证完全关闭 thinking。速度营销不是首 token 延迟保证。
• 函数调用：python-genai #2575 报 streaming+AFC 工具成功后 STOP+空文本；js-genai #1619 复现 48–60KB 参数需 50–122 秒并可能 malformed。
• MRCR 红线：84.9% 是 128K average，26.3% 是 1M pointwise；把它们并排可以，拿来算“跌幅”不可以。
• Gemini 3.5 Pro：Google 5 月仅称开发中、预计“下月”；媒体称延到 7 月。截至 7/13 仍无 GA、模型 ID、价格或模型卡，继续观察，不写发布。
• Spark / Antigravity：Spark 是美国 Ultra 用户 macOS Beta 的个人 Agent；Antigravity 2.0 产品 GA，Managed Agent 仍 Preview。都不是基础模型行。

多模态 / 长上下文Preview 工具链Agent 默认不推荐 窗口像仓库，检索像手电筒：面积大不代表照得到。

• 产品分层：Grok 4.5 是通用/编码基础模型；Grok Build 是 CLI/harness；`grok-build-latest` 指向 4.5。grok-code-fast 已成为旧别名，不是同一时代的能力证据。
• AA 口径：Agent 成绩与每任务成本是模型+harness；AA 认为它与 GPT-5.5/Codex 大致同档、低于 Fable，不能剥掉 harness 变成“裸模成绩”。
• 污染争议：Cursor 官方承认早期 Cursor 代码快照误入训练，影响未知，并从发布材料排除 CursorBench；本报告同样完全剔除该榜。
• 可用性：发布时欧盟尚不可用，官方预期 7 月中旬；不能写“全球全量”。

定位：高性价比 codingCursorBench 排除 便宜得不像前沿，证据却要一条条验；别拿污染榜给它加冕。

• 6/13 向 Coding Plan 推送，6/16 发布开放权重；1M context、MIT、High/Max effort。
• IndexShare 每 4 个稀疏注意力层共享索引器，厂商称 1M 下相关 FLOPs 降 2.9×；MTP acceptance length 最多 +20%。
• AA 51 是独立统一评测；SWE-Pro 62.1 与 Terminal-Bench 2.1 81.0 是 Z.ai 自测，前者用定制 prompt + OpenHands + 400K context。
• vLLM #46074 在特定 FP8 MLA、高并发、约 325K+ context 条件下崩溃；这是 serving 实现 bug，不是权重智力。

国产首选：私有化 / 长上下文厂商榜需复现 开放权重不是“免费 Claude”，而是你终于能自己看账单、看日志、看爆显存。

• Pro cache-miss $0.435/M 输入、$0.87/M 输出；Flash $0.14/$0.28；1M context、最大 384K output。
• GitHub #1376 报默认 thinking 不支持 `tool_choice=required` / 指定函数并返回 400；`auto` 可用，非思考模式另论。
• V4 Pro Max 是 effort 档位，不是另一套权重或模型 ID。

定位：低成本推理 / 私有化Preview 价格像 bug，工具调用也真的会报 bug。

• 6/12 发布；图像/视频输入、MoonViT 400M；Modified MIT 对超大商业服务有品牌展示条件。
• 官方强调 MCP Atlas 76.0、MCPMark Verified 81.1 和 100 tool-call budget，但后者当时仍称“即将开源”，所以是厂商自测，不叫独立复现。
• 强制 `thinking=true` 与 `preserve_thinking=true`，没有 instant/non-thinking；官方称思考 token 比 K2.6 降约 30%，社区账单不一定配合。
• LiveBench Agentic Coding 45.7、IF 56.3，明显低于宣传中的长程愿景；独立野外证据还薄。

定位：MCP / 多工具实验新模型待观察 不是“不能干”，是有时把 11 分钟和 440 万 token 当成一种工作热情。

• 正式写法采用 Qwen3、Qwen3-Coder、Qwen3-Max 系列；二手站自造的 Coder-Max 名称不进正式模型行。
• Qwen Code #4686 报 thinking 模式在非默认采样配置下重复同一行数百次且不结束；只能证明该配置可复现。
• 本期 12 模型篮名额优先给独立证据更完整的 GLM-5.2 与 K2.7；Qwen 仍进正文观察，不丢样本，也不硬凑一行。

定位：开放生态 / 轻量 coder型号审计优先 名字都没对上就开始跑分，是 AI 圈最便宜的幻觉。

• 与 Fable 5 同底模，在部分 cyber 领域解除 safeguards；仅 Project Glasswing、政府/安全合作方与 trusted access。
• 6/27–7/1 恢复面向约 100 家美国关键基础设施组织的叙述需按官方获批名单理解，不代表公众可申请。
• 官方自报蛋白设计 14 个 target 中 9 个出现 strong candidates；分子生物假设盲测约 80% 偏好 Mythos。均非民用可复现基准。
• Opus 4.8 接近的是 automated misalignment 曲线，不等于接近 Mythos cyber capability；两句话不能偷换主语。

单独观察绝不进入主模型均值 这是管制前沿，不是“充会员就能解锁”的隐藏皮肤。

• 基于 Kimi K2.5 checkpoint 再做 Cursor RL；Standard/Fast 是同一智力的吞吐/价格档，不拆成两个能力模型。
• 6 月 Cursor Forum 官方回复承认 Fast 出现 slowness / elevated errors，并已 mitigated；“Taking longer” 是未开始 streaming，不是深度思考勋章。
• 小中任务、bugfix、首轮实现很香；复杂架构和长程任务更适合 Opus/GPT 规划、Composer 执行、再由前沿模型 review。
• SpaceX/Anysphere 6/16 签署并购协议，估值 600 亿美元、预计 Q3 完成；模型中立性是未来风险，不是已经发生的结论。

定位：快速实现 / IDE 协作长任务次于 Claude Code Composer 2.5 是很强的打工人，不是 CTO；Fast 是加急费，不是智商税——除非它卡住。

• CLAUDE.md、Skills、Hooks、MCP、subagents、后台/远程任务和 Git/PR/CI 串联最成熟；这就是它高于 Composer 2.5 的理由，不是底模跑分。
• #34210 报 v2.1.75 误删 `~/.claude/sessions/` 内数字开头非 JSON 文件；5 comments、2 👍，已 resolved，范围不是任意 repo 文件。
• #26699 报单会话限流后永久 wedged，只有 `/clear` 可恢复且丢上下文；10 comments、12 reactions，后 stale 关闭。

定位：真实 repo / 大项目 / 长任务Git checkpoint 必开 最成熟不等于不闯祸，只是闯祸前后你更容易看懂它在干什么。

• 强项是沙箱化自动执行、review loop、独立任务跑批与无人值守 repo 操作；默认网络关闭、写入通常限 workspace，但 `danger-full-access` 会主动拆护栏。
• #23807 记录 15 小时 5 次精确 300 秒无网络活动 stall；3 comments，根因尚未由维护者定案。
• #10870 报 `/review` 反复发现新问题又回到旧问题，4 comments、8 👍；#21176 的 goal continuation prompt 后来在 0.131.0 修复。
• #23601 报 `.codex/tmp` 只读导致 bwrap sandbox 不可用并反复升级权限；这是具体 Linux 路径 bug，不等于沙箱理念无效。

定位：沙箱跑批 / review / 独立自动执行非笼统 Agent 榜首 它像认真但慢的 CI 同事，不是你大项目 IDE 里的唯一驾驶员。

• 6/18 起个人版、AI Pro/Ultra 不再通过 Gemini CLI/Code Assist 提供请求，迁移 Antigravity；Standard/Enterprise/API key 不受影响。
• #22141 报 1–3 文件修改后仍可能卡 13–14 分钟；217 comments/164 👍 是本期最厚的 Google CLI 负面样本。
• #25736 报撞 429 后静默 Thinking 约 1 小时；历史 Ultra 入口现已退场，不能直接外推企业版。

定位：Google Cloud 企业栈个人用户别按旧免费额度采购 产品换了门牌，旧口碑不能自动搬家。

定位：试点，不做默认Continue 已停维 多 Agent 的数量是吞吐上限，也是同时出错的并发数。