看到這期 AINews，我原本以為重點會是 GPT-5.6 又丟出什麼新能力。結果比較有意思的地方反而很務實：Codex 的使用量據稱在大約一天內又增加 100 萬，Tibo 前一天才說有 600 萬活躍使用者；同一段時間，@sama 也提到 Codex + ChatGPT Work 一週內成長 2.5 倍。
如果這些數字成立，那問題就不是「大家喜不喜歡用聊天介面寫程式」了。更像是另一件事：AI coding agent 正在從 demo 進入工作流。人在旁邊下指令，agent 進 repo、讀 AGENTS.md、跑 tool、改檔案、看測試結果，最後把一個任務收掉。這跟以前請模型吐一段 code，感覺差很多。
但這邊有個坑。模型越會寫 code，越容易讓人誤以為「模型品質」就是全部。AINews 裡有幾個訊號剛好指向相反方向。@swyx 提到過期的 agents.md 指令可能像自找的 prompt injection，讓長時間任務卡住好幾個小時。LangChain 把 Codex tracing 加進 LangSmith，後面又擴到 Cursor、Copilot、Pi 和 OpenCode，可以看到 tool calls、subagents 和 token usage。Hermes 也在處理 tool call 平行化與 resets 這類執行層問題。
簡單來說，agent 的品質不只在模型本身，也在 harness。你給它什麼環境、怎麼讓它呼叫工具、失敗時怎麼回復、過程能不能觀察，這些會直接決定它是幫你省時間，還是幫你製造一個更難 debug 的黑盒子。
這也是 eval 會突然變得很重要的原因。Perplexity 開源的 WANDR 很有代表性，它不是拿固定答案集評分，而是重新抓 cited pages，再檢查 claim 跟證據是否對得上。這比較接近真實 web research，因為網頁會變、資料會變，agent 不能只背一份靜態答案。
另一邊，SlopCodeBench 被拿來衡量 agent 在連續任務中如何侵蝕 codebase。這題我覺得特別貼近工程現場。很多 coding benchmark 看的是「能不能解掉單一 issue」，但公司裡真正怕的是另一種狀況：它每次都看起來解了，三週後 repo 多出一堆奇怪抽象、測試變慢、錯誤訊息變含糊，維護成本開始往上疊。
本機推論這條線也很值得看。PrismML 的 Bonsai 27B 基於 Qwen 3.6 27B，Ternary 版 5.9 GB，1-bit 版 3.9 GB，授權是 Apache 2.0，還宣稱保留 multimodal、tool-using、long-context agentic workflow。Tencent Hunyuan 也提到 1-bit 和 4-bit Hy3，描述 295B 規模模型可在啟用 MTP 時透過 llama.cpp 跑在單張 GPU 上。
我不會把這解讀成「雲端模型要被取代」。比較合理的看法是，本機 agent 的操作空間變大了。當模型可以用低位元格式放進消費級裝置，或至少放進比較可負擔的本機環境，很多原本卡在成本、隱私、延遲的任務，就有機會被重新設計。尤其 agent 不是隻問答，它會讀檔、跑命令、處理長上下文，本機化的價值會比單純聊天更明顯。
多模態那邊，MOSS-VL-Realtime 給了另一個方向。它是 11B vision-language family，256K context，面向連續影片串流。比較有趣的是它可以一邊生成一邊看，場景變了就修正或中斷答案，證據不足時保持沉默。這聽起來像小細節，但對即時系統很關鍵。會閉嘴，有時候比硬答更像一個可用元件。
OmniAgent 的 long-video understanding 也在講類似的事。它不是把所有 frame 都塞進去，而是用 Observation-Thought-Action loop 去請求需要的 frames 和 audio。在 LVBench 上，OmniAgent-7B 據稱拿到 50.5，勝過 Qwen2.5-VL-72B 的 47.3，而且只用了約 203 frames，對方是 768。這個差異背後的重點很工程：少看一點，但看對地方。
把這些線索放在一起，這期 AINews 其實講的是同一個問題：當生成成本下降，真正難的部分會往系統邊界移動。coding agent 要靠 harness 和 tracing 才能穩定；research agent 要靠動態 eval 才知道自己有沒有亂講；本機模型要靠量化與執行環境才跑得動；即時多模態要學會選證據和沉默。
回到 Codex 的成長數字，它當然很驚人。但我比較想看的不是下一個 100 萬使用者，而是這些使用者把 agent 放進什麼工作流。若只是把聊天框換成命令列，熱度很快會回到正常值。若 harness、eval、observability 和本機部署一起補上，AI agent 才真的會變成工程系統裡的一個穩定零件。這中間還有很多坑要踩，至少現在坑的位置開始清楚了。