Anthropic已上线Claude Opus 5.5，材料称其在多数任务上达到Claude Fable 5.1水平，并在智能体编程、计算机操作和知识工作方面领先。相较Opus 5，新模型通过减少单任务Token及降低60%缓存读取量，使运行成本下降40%；自动化行为审计成绩为Anthropic迄今最佳，边界规避尝试减少85%。相关测试采用自适应思考最高努力档并开启生产防护，模型现已开放使用，具体API价格材料未披露。

OpenAI发布GPT-6 Sol和GPT-6 Luna，将旗舰级能力下放至价格更低的模型层级。材料称Luna价格为GPT-5.6 Luna的一半且性能更好，但未提供具体单价、基准分数或上下文参数。GPT-6 Sol已接入Perplexity与Computer，并成为Computer努力程度选择器中的默认Light选项。现有信息主要来自平台公告及开发者转述，完整官方规格尚未出现在材料中，实际成本仍需按具体使用场景核验。

OpenAI改进GPT-6 API提示缓存，30分钟内复用符合条件的共享前缀，可获最高90%的缓存输入Token折扣。新版默认提高命中率，并新增Prompt Caching Dashboard、诊断API、显式缓存断点、追加式工具更新及缓存预热。GitHub Copilot称需重新处理的提示Token占比下降逾50%；Strawberry Browser称命中率提升数个百分点、成本下降20%，开发者还可在不破坏缓存时调整推理强度。

Boris Cherny使用Claude Opus 5.5配合Lean，对Claude Agent SDK开展形式化验证；仅用数条短提示便产出16个PR，修复多项缺陷与竞态条件。实验同时引入TLA+分析数据流、并发与状态管理，展示Lean与状态机工具的互补性。作者称自己并不熟悉Lean或TLA+，但模型降低了形式化方法的使用门槛；这是个人实验，材料未给出PR合并状态、缺陷严重程度或独立复核结果。

ReFigBench以真实arXiv图表为输入，要求编程智能体生成可编辑PPTX，并保留文本、布局和连接关系；评测结合产物检查、LLM评审及盲测人工评价，覆盖10种模型与运行配置。结果显示，同一GPT-5.5在Claude Code与Codex中表现明显不同，Harness影响可能超过模型差异；专用流程虽移除原生连接器仍获人类偏好，研究者据此认为视觉感知仍是图表重建任务的主要瓶颈。

ChatGPT在升级macOS 27后出现间歇性崩溃，Peter Steinberger称其智能体Astra最终将根因定位到libuv中一项约14年前遗留的缺陷。该案例显示，操作系统更新可能触发成熟底层依赖中的潜伏问题，也展示编码智能体可参与C语言基础设施的根因排查，而非仅生成新代码。当前材料仅来自作者一手描述，尚未提供对应补丁、libuv上游确认、受影响版本范围或可复现实验细节。

Milvus在搜索停止任务中测试Jev，称其取得93.25%的Recall@5，并较DeepSeek V4 Flash将决策延迟中位数降低77.5%。在编码智能体记忆重排任务中，Jev把Recall@5从74.71%提升至79.41%；但在HotpotQA和MuSiQue上分别落后GPT-5-mini 1个和4.13个百分点。结果显示其在低延迟决策方面具有优势，但跨任务表现并非全面领先，材料也未披露测试成本与完整配置。

Sluicebox基于NVIDIA Nemotron 3 Ultra构建供应商智能体Lucy，用于收集和核验供应商数据，帮助工程师分析数据中心碳足迹。NVIDIA披露的Sluicebox测试显示，采用该模型后准确率提升，成本下降51%至80%，响应速度最高提高2倍。材料未说明样本规模、准确率绝对值、对照模型、运行周期及部署价格，因此上述效果仍属于供应商案例数据，其可迁移性和适用范围需结合实际业务流程评估。

Genspark的Slides Benchmark被Fireworks AI纳入Specialized Intelligence Index，用于评价幻灯片生成这一专门任务。Genspark称其首款自研Gen-1 Slides在内部评测中达到前沿级演示文稿质量，输入Token价格约为对比对象的1/17。此次纳入为该基准提供了更多第三方可见度，但材料未披露对比基线、样本规模、评分细则和完整结果，质量及成本结论目前主要仍来自厂商自报。

Matthew Berman称其借助Claude Opus 5.5在Unreal Engine中重建旧金山，并以Jev驱动场景中的行人、宠物、车辆和交通等动态实体。整个目标工作流约运行两天；一次因整夜未停止运行产生约25美元Jev用量。该案例提供了智能体生成3D环境的时间与成本信号，但未披露资产管线、人工介入程度、硬件配置、质量评价或用量构成，现阶段更接近可玩演示，而非可横向比较的标准化基准。