微软一次性放出七款 MAI 模型，自研模型栈开始向推理到语音全链路铺开
微软发布了覆盖推理、图像、语音、语音转写和编码的七款全新 MAI 模型，并强调这套体系从零训练、共享统一数据规范和评测框架。这个动作真正重要的地方在于，微软正在把企业 AI 平台能力从模型接入层继续下探到自研底模层，补齐自己的全栈技术控制权。
阿里推出 Qwen3.7-Plus，多模态模型开始直接瞄准 GUI 操作型智能体
Qwen3.7-Plus 被定位为多模态智能体基座，强调视觉理解、GUI 操作、代码生成和搜索增强问答一体化。相比传统聊天模型升级，这类发布更值得看的地方在于底模开始原生兼容界面操作和工具执行，说明 Agent 能力正被前置到模型层，而不是只靠外部工作流拼装。
Gemma 4 QAT 检查点上线，低内存本地部署开始追求“更省但不太掉点”
Google 发布 Gemma 4 的 Quantization-Aware Training 检查点，主打更低内存占用下尽量保持原始质量，并很快获得 Ollama、vLLM 等生态支持。它的意义不在单次榜单表现，而在于本地和边缘部署正在从“能不能量化”进一步转向“量化之后还能不能稳定可用”。
华为开源 KVarN，把 KV Cache 压到 3 到 5 倍却尽量不牺牲推理速度
KVarN 作为接入 vLLM 的 KV-cache 量化方案，主打 3 到 5 倍缓存压缩，同时避免很多低比特方案常见的显著降速和推理能力回退。对真实服务来说，这类优化比单次跑分更关键，因为它直接决定高并发长上下文场景下，显存、吞吐和质量能不能同时成立。
Cloudflare 给 AI Gateway 加上预算上限和降级路由，推理网关开始补齐生产控制面
Cloudflare 为 AI Gateway 增加按模型和用户设置预算、超限自动切换更便宜模型等能力，并继续往身份控制扩展。它的价值不只在省钱，而在于推理网关正在从转发层进化成真正的生产控制面，负责成本、权限、故障回退和策略治理。
通义推出 PawBench，把模型和 Harness 一起纳入 Agent 评测
PawBench 不再只看底模，而是把模型与运行框架一起纳入联合评测，并直接展示同一模型在不同 Harness 上能拉开明显分差。这个结果很关键，因为它进一步证明 Agent 效果不只是模型问题，调度、工具调用和执行框架本身已经成为一等性能变量。
Agents’ Last Exam 和 SWE-Marathon 一起升温，Agent 评测开始逼近长任务现实
本周多个新基准都在摆脱短题式评测，转向更长链路、更接近真实工作的任务设计，包括 Agents’ Last Exam、SWE-Marathon 和 Meta-Agent Challenge。信号很明确：行业已经意识到，真正影响 Agent 落地的不是会不会做单点题，而是能不能在超长上下文、复杂依赖和连续决策里保持稳定。
Princeton 更新 Agent Reliability 论文，前沿模型依然没跨过“稳定可靠”这道坎
Princeton 更新的 ICML 2026 论文纳入 GPT-5.5、Gemini 3.1 Pro、Gemini 3.5 Flash 和 Claude Opus 4.7 后，结论仍然是这些系统的可靠性并没有出现本质跃迁。这个结果的价值在于给行业降温：模型更强不等于工程可依赖，稳定性、结果一致性和防作弊能力仍然需要单独建设。