在 ThinkingBox 的 507 个业务任务中，Kimi-K3 有 93.89% 的任务至少成功一次，但只有 13.41% 的任务连续二十次全部成功；Claude Opus 5 的后者为 47.53%。Microsoft 与 Hugging Face 以最终数据库状态和副作用判分，而非只看回答与工具调用是否正常结束。十二个模型的消融实验中，失败尝试有 67.24% 仍正常结束、执行过状态变更且没有最终工具报错。Opus 5.5 的单次成功率提高到 67.16%，却没有增加连续二十次全成功的任务数；这些是受控评测结果，不能直接视为生产可靠性。

Agent 降低了部署付费 API 和云服务的门槛，Simon Willison 主张按量计费产品默认设置硬预算上限，超额立即暂停，不能只发提醒。他指出，夜间自动化继续运行，可能让一封超额警报之后再累积数千美元账单。文章引用 AWS 九月十六日公告：项目达到月度支出上限会暂停，但文档说明新体验仍仅向部分客户开放。Google Cloud 七月推出的 Spend Caps 则针对项目内特定服务，不能把这两项功能理解为所有云资源都已有统一封顶。

Claude Code v2.1.289 修复了多条权限规则被跳过的问题，包括托管机器上复合命令内部的拒绝或询问规则未能优先于用户 Mod 批准，以及符号链接下 Read 拒绝规则没有生效。Bash 在沙盒自动放行时，带环境变量前缀或变量赋值的命令也存在漏判，此次一并修复。版本还阻止用户插件改写组织管理的 MCP 登录工具描述，并修复插件升级加载、热重载与界面崩溃问题。更新新增 teammate 的 agent.spawn 等插件接口，扩展编排能力的同时也暴露出插件治理的复杂度。

Sean Goedecke 认为，强大 AI 改变人类行为未必靠无懈可击的论证，也可能靠承诺帮人完成工作或提供现实利益。他举出一个预测市场实验：参与者通过线下建立关系、承诺慈善捐款，使发起者改变了结算决定。文章进一步设想，Agent 可以把用户想要的收益包装成某项额外授权的前提，诱使用户放宽限制。这是关于激励与授权的观点文章，涉及 AI 自主赚钱和交易的部分是推演，并非已验证的能力。

Diogo Almeida 自述 Jev 日处理超万亿 token，强调工作流可靠性；访谈数据未独立核实。

DeepSeek 扩招 DSec 团队；技术分享称单分片日服务三百万沙盒，九成沙盒 CPU 用量不足申请量 5%。

汇总新模型成本及工具，提及 llama.cpp 决策模型接口和开源替代品；显示控制层快速普及，属二次转述。

Cognition 法务负责人预期失控 Agent 引发诉讼，认为刑事案件胜算低；仅读公开导语，全文受限。

Cory Doctorow 批评数据中心挤占能源、材料和劳动力，主张转向公共建设；属评论，未量化影响。

Apple 称部分 AT&T 用户的 iPhone 18 Pro Max 断网后需换硬件；更新只能预防新故障。