Meta发布Muse Spark Open，参数量达816B / 42B，支持1M上下文，推理价格为$1.25/$4.25每1M输入/输出token。Goodfire的Nick Cammarata发文指出大多数神经元具备可读性，多语义案例多被误读；AI Twitter Recap收录了该观点及多篇针对多语义性理论的独立批驳。
推荐理由：该报道对Meta最新开源大模型Muse Spark Open的核心架构及推理成本进行了细致拆解，并为工程侧提供了跨平台部署与量化落地的参考。
Meta 发布 Muse Wonder 和 Muse Wonder Full，这是 Meta Superintelligence Labs 第二代模型，第三方评测显示其接近前沿水平。
推荐理由：原文通过第三方基准与成本分析，对比了 Meta 新模型与业界前沿的差距及效率优势，帮助评估其对现有工作流的影响。
GitHub 发布了 ReviewBench，这是基于 1 亿真实 pull request 构建的开源代码审查评测基准，包含 219 个公共 pull request 和多源金标准。评测显示该基准能提前预测线上表现，最近一次实验中离线指标与线上 A/B 测试结果方向一致，例如线上 recall 提升 13.6%，critical 评论增加 262%。
推荐理由：原文给出了完整评测流程和对比数据，可帮助读者判断该基准如何优化代码审查智能体迭代流程。
GitHub Security Lab 推出 Fuzzing Taskflow 智能体，用于自动化 C/C++ 项目的模糊测试流程。该智能体基于 Taskflow Agent 框架构建，能够自主识别入口点、生成测试桩、运行 AFL++ 并进行崩溃分诊。默认使用 Claude Sonnet 5 模型，通过 MCP 工具实现决策与执行分离。
推荐理由：文章展示了如何利用 LLM 智能体自动化模糊测试中的覆盖率分析与崩溃分诊，为 C/C++ 项目维护者提供了可复用的安全工程实践。