《Fortune》称OpenAI在内部预测2030年收入将超过2800亿美元，并计划到2030年累计投入约6000亿美元用于AI基础设施与算力。其CFO表示2025年年化收入已突破200亿美元，高于前一年的约60亿美元；公司除订阅外也在测试广告等新变现方式。该预测与其持续扩张消费者与企业产品线、以及对长期资本开支与供电能力的依赖相绑定。

初创公司Taalas发布推理ASIC“HC1”，采用“模型即芯片”思路，将特定模型权重写入mask ROM并把存算靠近以减少数据搬运。报道称其在Llama 3.1 8B上推理速度约17,000 tokens/s、功耗约250W，可风冷部署。团队约24人，媒体称产品投入约3000万美元，并通过仅改两层掩膜把适配新模型的周期压到约2个月，但也带来对通用性与快速过时的争议。

OpenAI在内部提出“Harness Engineering”方法论，用Codex agents在严格架构边界内自动化写码、测试与修复。InfoQ称其通过结构化文档作为机器可读真相源，并用结构测试与linters强制依赖按Types→Config→Repo→Service→Runtime→UI单向流动；结合日志、指标与trace的可观测性，智能体可复现缺陷并提出修补方案。团队据称交付了约百万行代码的beta产品，几乎没有人工编写源码。

北大童扬团队发布AgentRob框架，利用MCP协议把在线论坛变成“指令板”和执行回报通道，使人类、LLM智能体与真实机器人可异步、持久协作。系统设计了8个标准化接口，VLM负责把帖子内容分解为移动、拍照、上传等动作原语，LLM再生成可读回复并回帖。为降低具身执行风险，方案包含角色权限映射、危险指令拦截的安全过滤，以及硬件急停等多层防护，强调可接入不同形态机器人。

北航团队提出并开源Code2Bench，主打“可持续、抗污染”的代码大模型评测：任务从最新GitHub提交动态抓取，并按模型knowledge cutoff严格过滤，减少背题刷分；同时以100%分支覆盖率筛选测试用例，提高对逻辑完备性的门槛。作者还给出跨语言“诊断指纹”，通过逻辑错误与运行时错误的分布定位模型失效模式，用于分析不同语言特性（如静态类型）对生成代码可靠性的影响，面向ICLR 2026。

Jina AI发布jina-embeddings-v5-text多语言向量模型，在约0.6B参数规模上通过从4B教师模型蒸馏并结合对比学习，面向RAG检索、匹配与聚类等场景。模型引入任务专用LoRA适配器以缓解多任务冲突，并支持Matryoshka式维度截断（32–1024维）以在精度与成本间切换；GOR正则化让低比特量化退化更小，适配端侧与大规模向量库部署需求，也指向“向量用于上下文管理”的工程趋势。

路透称生成式AI正改变美国电影制作分工，一项预测认为到2026年末约12万个岗位将受到影响，促使行业加速再培训。教授AI影视制作的在线学校Curious Refuge表示学员已超1万人，约95%来自娱乐与广告等专业岗位，覆盖170国并支持11种语言。报道还提到AI工作室Promise已于2025年2月收购该校，计划把培训与生产流程整合为可规模化的人才与工具链，反映内容产业对生成式工具的组织化吸收。

一篇订阅邮件披露作者自建AI代理R Mini Arnold：在Mac mini上运行，通过WhatsApp交互，借OpenClaw框架调用Anthropic Claude（主要Sonnet，偶尔Opus）处理文件整理、邮件起草、会议准备与知识库管理。作者称24小时内发送608条消息、收到3,474条回复，把原需16–18小时的演示文稿压到约1.5小时；同时记录179次未解决故障并沉淀146个“学习模式”，显示个人级Agent落地仍受稳定性与运维成本制约。