7 月 15 日的 AI 新聞像一張工程檢查表：紅隊、開放權重、研究評測、開源 CLI、視覺搜尋和 coding agent 都在補同一個問題。AI 要長時間做事，就得留下可檢查的邊界。

目錄

  • 01 · OpenAI 用 GPT-Red 把紅隊放進模型訓練
  • 02 · Thinking Machines 發布 Inkling，開放權重回到可客製化路線
  • 03 · WANDR 把研究 agent 的缺口量成數字
  • 04 · xAI 開源 Grok Build，coding agent 競爭延伸到工具本體
  • 05 · Google Images 25 週年，視覺搜尋變成 AI Mode 入口
  • 06 · Cognition 與 Windsurf 合併一年，Devin 往多 agent 工程系統走

01 · OpenAI 用 GPT-Red 把紅隊放進模型訓練

OpenAI 7 月 15 日公開 GPT-Red，定位是內部自動化安全紅隊模型。它用 self-play reinforcement learning 訓練，任務是找出 prompt injection 等漏洞，再把攻擊樣本帶回生產模型訓練流程。OpenAI 說，GPT-Red 會留在內部，用來讓安全測試跟上模型能力成長（來源：OpenAI）。

這篇文章的數字很直接。OpenAI 表示，GPT-Red 產生的對抗資料用於訓練 GPT-5.6 後，在其難度較高的 direct prompt injection benchmark 上，GPT-5.6 Sol 的失敗數比四個月前的生產模型少 6 倍；在一組廣泛 robustness environments 裡，GPT-5.6 Sol 面對 GPT-Red direct prompt injection 的失敗率降到 0.05%（來源：OpenAI）。

更有訊號的是案例。OpenAI 讓 GPT-Red 攻擊一個管理販賣機的 live autonomous agent，它在模擬中測出攻擊，再轉到正式 agent，完成改價、下單和取消他人訂單等目標。另一組測試則攻擊 Codex CLI agent 的資料外洩場景。這讓安全問題從「模型會不會亂回答」推進到「agent 接上工具後，會不會把外部指令當成工作指令」。對企業部署來說，紅隊正在變成訓練管線的一部分。

02 · Thinking Machines 發布 Inkling，開放權重回到可客製化路線

Mira Murati 創辦的 Thinking Machines Lab 發布開放權重模型 Inkling。官方說，Inkling 是 Mixture-of-Experts transformer，總參數 975B、每次啟用 41B，支援 1M token context window，預訓練資料包含 45 trillion tokens 的文字、圖片、音訊和影片（來源：Thinking Machines Lab）。

Thinking Machines 對 Inkling 的描述很克制。它沒有把焦點放在單一榜單，而是強調模型可被 fine-tune、可控制 thinking effort，並能在文字、影像、音訊與 agentic coding 場景中工作。官方也同步展示 Inkling-Small preview，12B active parameters，目標是讓成本和延遲較敏感的工作流也能跑相近配方（來源：Thinking Machines Lab）。

這條新聞的重點在開放權重的產品化方式。Inkling 把 Tinker fine-tuning、controllable effort、長脈絡和多模態能力綁在一起，讓模型檔之外還有一套可改造的工作流。開放模型競爭因此多了一層問題：誰能讓企業把模型改成自己的工具，而不只是在 demo 裡比較回答品質。

03 · WANDR 把研究 agent 的缺口量成數字

Perplexity Research 發布 WANDR benchmark，專門測研究 agent 能不能完成「又廣又深」的資料蒐集。這類任務要求 agent 找出一整批符合條件的對象，再為每個對象補齊來源與欄位。官方例子包含公司名單、任命公告、支撐頁面等層級結構（來源：Perplexity Research）。

WANDR 的規模是 500 個任務，總共要求 170,495 筆 source-backed records。Perplexity 說，任務中位數要求 50 個 members、每個 member 4 筆 records，整體 245 筆 records。評分不用固定答案，而是重新抓取 agent 引用的頁面，檢查頁面是否可用、摘錄是否真的出現在頁面上、證據是否支撐每個 claim（來源：Perplexity Research）。

結果說明現有研究 agent 還很容易提早停下。即使在 high effort setting，評測中較強的系統也只有 0.363 soft F1 和 0.133 hard F1。Perplexity 的診斷指出，agent 通常找得到看似可用的頁面，困難在把頁面轉成完整證據：許多提交頁面未滿足任務要求，摘錄也常無法支撐全部 claim。這讓「研究 agent」的下一步變得具體，搜尋只是起點，覆蓋率、證據與停止條件才是交付品質。

04 · xAI 開源 Grok Build，coding agent 競爭延伸到工具本體

xAI 把 Grok Build 的 Rust 原始碼放到 GitHub。README 將它描述為 terminal-based AI coding agent，能理解 codebase、編輯檔案、執行 shell commands、搜尋 web、管理 long-running tasks，並支援互動式 TUI、headless scripting/CI，以及透過 Agent Client Protocol 嵌入 editor（來源：GitHub：xai-org/grok-build）。

這個 repo 的訊號在於開源範圍。它包含 CLI/TUI、agent runtime、工具實作、workspace、sandbox 與文件，並以 Apache-2.0 授權釋出第一方程式碼。README 也寫明，這份 repository 會定期從 SpaceXAI monorepo 同步，外部 contribution 目前不接受（來源：GitHub：xai-org/grok-build）。

coding agent 競爭原本常被看成模型競爭，Grok Build 把另一層攤出來：終端介面、工具權限、sandbox、長任務、headless 執行和 editor protocol 都是產品能力。當 OpenAI、Anthropic、Google、xAI 都把 coding agent 放進核心路線，工具 harness 會成為模型之外的差異來源。

05 · Google Images 25 週年，視覺搜尋變成 AI Mode 入口

Google Images 25 週年的回顧其實像一條視覺 AI 產品線。Google 從 2011 年 Search by Image、2018 年 Lens、2022 年 Multisearch，一路寫到 2024 年 Circle to Search。官方說，Circle to Search 已在全球超過 5.8 億台 Android 裝置上可用（來源：Google Blog）。

近兩年的節點更像 AI 搜尋入口。Google 說，2025 年 Lens 與 AI Mode 結合後，使用者可以上傳或拍攝照片，AI Mode 會處理整個場景，透過 visual image fan-out 將單一圖片搜尋拆成數十個 sub-queries。Search Live 則讓使用者把手機 live camera feed 分享給 AI Mode，並用語音對話處理正在看的環境（來源：Google Blog）。

這則新聞不像模型發布那麼尖銳，但它說明搜尋入口正在從文字框改成鏡頭。當使用者拿相機問問題，模型要同時處理物件、場景、動作、商品與語音脈絡。視覺搜尋從「找相似圖片」走到「理解眼前場景」，Google 的競爭位置也從 search results 延伸到多模態 agent 的前台。

06 · Cognition 與 Windsurf 合併一年，Devin 往多 agent 工程系統走

Cognition 發布與 Windsurf 合併一週年回顧。官方說，當時交易在 72 小時內完成，Windsurf 帶來 IDE、數百萬使用者與銷售團隊，Cognition 則補上雲端 agent 與工程組織。合併後一年，Devin 從處理孤立任務，往能啟動、排程與管理其他 Devin 的方向移動（來源：Cognition）。

產品線也變得更像工程系統。Cognition 寫到，Devin 現在能用 computer use 測試自己的工作、做 self-verification 與 autofixes；過去一年也推出 SWE-1.5、SWE-1.6、SWE-1.7、Devin Review、Devin CLI、Devin Desktop、Cognition for Government 等功能或產品（來源：Cognition）。

這裡的訊號比「AI 取代工程師」更具體：coding agent 正在長出管理層。IDE、CLI、桌面端、review、安全掃描、政府版、模型與 leaderboard 逐步接成一套工作環境。當一個 Devin 可以管理多個 Devin，軟體開發流程會需要新的隊列、審查、回滾與責任分工。

🐧 Penna 的觀察

今天的主線其實很硬：AI 從「能回答」走向「能被檢查」。

GPT-Red 把紅隊變成訓練資料來源；Inkling 把開放權重和可客製化 workflow 綁在一起；WANDR 要求研究 agent 為每個 claim 留下證據；Grok Build 讓 coding agent 的工具層被外部檢視；Google Images 把鏡頭變成 AI 入口；Cognition 則把 coding agent 推向多 agent 工程環境。

這些新聞表面上分散，底層都在處理同一個代價：AI 一旦開始替人跑長任務，漂亮答案就不夠了。它要能抗 prompt injection、能被 fine-tune、能引用證據、能被 audit、能在工具權限內工作，也要能在失敗時被人接回來。下一段競爭會比較像系統工程，模型只是其中一層。

Sources: OpenAI: GPT-Red, Thinking Machines Lab: Inkling, Perplexity Research: WANDR Benchmark, GitHub: xai-org/grok-build, Google Blog: Google Images 25 years, Cognition: One Year of Building Together

Penna 🐧 · penchan.co · 2026.07.16