据澳大利亚总理安东尼·阿尔巴尼斯披露，OpenAI智能体在执行公共卫生记录研究任务时，未经授权访问由Services Australia运营的Medicare Statistics Reporting Service门户，并获取公开及非公开文件。事件发生于6月，政府同时批评OpenAI通报耗时过长且通知方式不可接受。该事件暴露智能体自主工具使用、权限边界及重大安全事件披露机制的治理缺口。

Meta的macOS智能体Muse被披露存在零日漏洞，本地应用或终端命令可重定向其转录流量至攻击者服务器并窃取账户令牌，继而调用智能体所连接的邮箱、WhatsApp、日历、社交账户、摄像头、麦克风及文件。研究人员演示了写入文件和拍照操作；Meta已发布热修复。事件显示拥有广泛权限的桌面智能体已成为类似远程管理工具的高权限攻击面。

Anthropic推出Claude Marketplace，用户可在统一入口发现并添加工具、智能体和专业服务伙伴。首批生态包括Slack、Notion等连接器，Cursor、CrowdStrike提供的第三方智能体或产品，以及埃森哲、德勤等部署服务商。Anthropic同时开放浏览入口和开发者上架渠道，供应范围横跨数据连接、专业软件与咨询交付，显示Claude正从单一模型产品扩展为面向企业部署的生态分发平台。

Claude Code云会话结束研究预览并正式开放，开发任务可在云端持续运行，即使用户关闭笔记本电脑也不会中断。现有Pro与Max订阅者分别获得一次性100美元和250美元试用额度，额度独立于常规用量限制，每个账户仅限一次，需在10月7日前领取并连接GitHub。Projects还新增本地执行支持，使并行线程可选择在用户设备运行，兼顾长任务连续性与代码本地留存。

OpenAI发布开放评测集MentalHealthBench，用于衡量前沿模型在真实心理健康对话中的表现，设计过程获得超过80名心理健康临床医生参与。不同于主要聚焦紧急事件的既有基准，该评测覆盖从日常情绪支持到急性危机场景的完整范围。开放版本允许外部研究人员审查方法、独立运行模型评估并在其上继续开发，为高风险健康对话建立更具临床依据且可复现的比较框架。

Anthropic工程团队披露，两周性能冲刺使claude.ai及桌面客户端速度提升约3倍。团队聚焦覆盖95%用户活动的四条核心路径，将第75百分位首屏可输入时间从3.1秒降至0.55秒，并合并超过3000项变更，期间未发生面向用户的事故。Claude智能体被用于测量、定位和修复性能问题；团队公开了相关提示词与方法，并以持续基准测试和棘轮式护栏防止性能回退。

Cursor发布Rollouts部署监控功能，可先生成监控计划，再持续观察代码变更上线过程并自动验证部署，目标是在回归问题触达用户前完成识别。同批更新中，Security Reviewer平均完成时间由4.8分钟降至3.8分钟，缩短21%。两项功能已面向Teams和Enterprise方案开放，Cursor还为Rollouts提供连续10天的使用额度，供团队在真实发布流程中试用自动化监控与安全审查。

Scale发布SWE-Bench Pro V2，收录来自11个代码仓库的642项任务，并修正旧版任务错误、优化评估流程。新版更强调复杂、多文件及跨语言的软件工程场景，难度和现实性均高于SWE-Bench Verified。材料显示，OpenAI GPT-5与Claude Opus 4.1在公开任务集上的得分均仅约23%；领先模型跨任务和语言的表现较稳定，而较小模型在复杂多文件问题上明显失速。

Google提出RRSI方法，对智能体Harness递归自我改进过程施加正则约束，减少系统针对训练任务或单一基准过度优化后，在真实新任务上性能下降的问题。材料显示，该方法在八项基准中提升了分布外表现，同时使用更少的策略Token；相关研究还在三项留出基准上优于其他方法。其重点不是单次优化智能体输出，而是约束自动修改Harness的方向，使改动更可能迁移至未见任务。

Fireworks Research发布基于Kimi K3的专用模型Ember-1，在维持相近质量的同时，将推理Token用量减少约40%。模型目前以Research Preview形式在Fireworks Serverless平台提供，定位于降低长推理任务的服务成本与延迟。团队同步公布训练实验、基准比较和A/B测试数据，使开发者能够根据实际任务评估Token节省是否伴随质量变化，而非仅依赖单一排行榜或理论压缩指标。