并行执行有了项目级协调入口

官方例子包括同时分析多个端点的延迟，以及跨API、Web和移动仓库迁移已废弃接口。协调者可把工作交给新任务或已有任务，标明PR先后依赖；子任务内部还可继续使用子Agent和工作流。这减少了人工逐个交接的操作，但不同分支修改相同代码时，仍要像普通PR一样解决合并冲突。

记忆与执行位置是两个产品变化

各任务会向项目共享记忆写入信息并从中读取，使项目知识不必每次重新说明。当前工作任务运行在云端，关闭电脑后仍可继续；本地执行与本地工具、网络接入在公告中仍为后续功能。项目级记忆能帮助协调，也要求具体任务保留足够的出处和最新状态。

首批可用范围较窄

发布时面向部分使用云端会话、且网页和桌面端没有旧项目的Pro与Max用户；随后逐步扩大，Team与Enterprise及其他Claude场景更晚跟进。旧项目暂时保持原有行为。它是一项协调界面与执行组织升级，没有同时给出统一的多任务完成率评测。

模型选择可以跨计划与执行阶段

应用列出300多种模型与50多家可接入提供商，也支持本地模型和自带API密钥。Plan与Act可以使用不同模型；CLI、扩展与桌面端的会话可接续。产品重点是把模型选择和任务管理放在一个工作区，而不是再引入一套独立模型能力。

重复工作与工具扩展进入桌面界面

Schedule可保存提示、工作区、提供商、模型和周期，用于例行PR检查或文档更新。Marketplace集中管理插件、MCP服务与技能；网页搜索与语音输入补充日常资料收集。跨Agent导入可带入此前讨论，但新模型仍需理解当前文件与执行状态，历史文字本身并不保证环境完全等价。

发布页的成绩来自先前harness升级

文中Terminal-Bench 2.0表重用了9月2日CLI/harness升级的pass@1结果，明确不是Desktop的新评测。桌面版沿用这套提示、工具发现、上下文与错误恢复机制，因此本周变化主要是访问与协作方式；历史分数说明底层能力背景，不能归功于新增的桌面界面。

对话和产物之间减少重复交接

官方示例是先分析每周业务变化，再写报告、提炼领导会议幻灯片，并让用户直接编辑或评论。Docs、Slides和Design产物各自保留可分享链接，幻灯片可在Claude中展示，或导出PowerPoint、PDF。计划任务可以重复执行，同一工作的手机检查和桌面编辑也延续会话状态。

交办方式与开放时间分别配置

产品允许选择逐项确认或仅在需要进一步检查时介入。聊天与Cowork合并先在Pro、Max的网页、桌面、手机端分批推进，跨度为接下来数周；Team、Free后续跟进，Enterprise组织变更提前通知。三类编辑产物为付费计划beta，企业管理员决定何时开启。原有Cowork资料和独立Design继续保留。

会话暂停后，开发环境仍要留下

Mac工作区基于EC2 Mac裸机和Apple Virtualization.framework。团队给已有快照存储增加NBD前端，使虚拟磁盘可以复用跨平台存储架构；虚拟机退出后，存储进程继续完成写入与上传，管理器等待收尾再清理。这让异步工作不必每次从空机器重新安装依赖。

网络与初始化决定任务能否连续运行

Apple托管NAT与Cognition自己的pf规则会竞争网络配置，因此团队改用文件句柄网络接口和用户态以太网网关，再交给统一访问规则处理。镜像还提前配置桌面、权限和Xcode，预热模拟器并等待索引结束，减少运行中被系统首次启动对话框阻塞的机会。

结构化观察和截图各自验证不同事情

工具可以读取macOS与Simulator的可访问性树，按控件角色、名称、状态和返回引用操作，再重新观察结果。底层使用Dioxus的accessibility-cli。直接绘制的游戏内容不一定出现在树里，截图仍用于检查视觉与场景状态；用户也可通过桌面和Simulator画面接管。视频队列会丢弃陈旧积压并从新关键帧恢复，避免“流畅但落后”的画面误导判断。

延迟直接进入任务难度

全部试验的行动间隔为15至59秒，中位34秒，每分钟输入约2至19次。eFootball不会等待模型思考，SUPERHOT则在不移动时近似暂停，因此相同推理延迟在不同游戏中产生不同后果。三小时预算包含学习按键、失败和重试，不是三小时有效操作时间。

公开与隐藏配对用于追踪泛化

每个游戏有按顺序兑现的里程碑，总计100分，再对六款取均值。Astra在公开三款平均26.7，隐藏三款11.7；其他系统也有不同差距。每个模型—游戏单元目前只有一次试验，差距不能直接证明训练污染；配对设计提供的是后续持续监测的参照。

屏幕操作与任务状态记忆需要同时成立

试验录像显示，模型能做出工作台、木镐或通过部分射击关卡，却常在长时间导航、即时瞄准和状态变化中停滞。文字中容易保存的策略不一定能替代运动时机与空间判断。CUA-bench因此补充了以DOM、API或静止办公界面为主的评测：运行时间本身就是能力的一部分。

奖励曲线需要与采样和故障一起读

看板配置列出全失败和全成功比例、可评分样本数、基础设施错误率，以及部分轨迹的陈旧程度。奖励上升可能伴随采样分布、长度或可用环境变化；把这些指标放在一起，才有机会区分策略进步、题目混合变化和执行故障。

这是过程可见性，不是固定评测结论

pro与flash来自不同运行，训练中数值会继续变化。平均奖励、有效样本表现与独立留出任务成功率也不是同一指标。公开看板的直接价值是让研究者观察学习和系统状态如何共同变化；模型能力仍需由固定检查点、固定任务和统一协议的评测确认。

整体保留率掩盖了不同任务的变化

工具调用与Agent任务由79.74降至77.57，视觉由81.64降至78.59；指令遵循却由81.25升至82.66。聚合分数说明压缩后总体接近原模型，但不能认为每个应用都只下降1.8%。长任务会多次调用模型，具体错误类型仍可能累积。

权重小，不等于运行内存固定

发布页展示RTX 5090上的编码与电脑操作演示，报告最高143 token/s，以及M5 Max上的46.8 token/s。约5.9GB描述权重体积，实际运行还需要上下文缓存与中间状态；262K支持上限不意味着所有设备都能在同样内存预算下跑满。它使27B级模型更容易进入本地或混合部署，但设备与任务长度仍决定可用配置。

框架版本属于模型调用之外的行为条件

新框架采用PascalCase工具参数，并更新基于行的补丁方式。已有集成需要同时核对框架版本、工具schema和解析逻辑；仅固定模型名不能保证动作协议不变。变更记录还说明较早的5月预览版本将在10月5日关闭，迁移安排属于这次更新的实际影响。

把可用权限与秘密值分开

Agent可在代码中使用占位密钥，发出请求时由可信出口代理替换成真实凭据，按绑定目的地完成认证。这样工具仍可调用服务，而提示、文件与日志不必包含真实密钥。这个机制保护的是秘密值的暴露范围；允许访问哪些服务、一次请求能做什么，仍取决于凭据权限与代理策略。

四个阶段把调查范围变成可执行规则

Plan先研究仓库并定义选择规则；Shard将匹配代码分成批次；Map让多个Agent检查各批并按需读取邻近代码；Reduce合并、去重和排序。所谓覆盖完整，指所有被规则选中的批次都得到处理，前提仍是规则没有漏掉相关实现或间接引用。

构建时间案例给出了具体变化

在Dioxus的22个workspace crate上，团队把重型CLI功能改为按需启用，清理依赖与构建配置；本地清洁debug构建从58.6秒降到21.0秒，约64%。另一个网站检查案例报告devin.ai健康分87到92、慢页面减少73%。这些是具体仓库应用改动后的结果，不是扫描器对任意代码库的统一速度保证。

调查与落地之间保留审查环节

用户确认范围后可以查看证据、讨论发现，再决定哪些问题生成PR。发布页引用早期客户约96%的PR合并率和700多工程小时节省，均为客户估计。更直接的产品变化，是把需要先花大量时间定位问题的工程目标，拆成可以逐项验证、逐项落实的改进。