今天最值得看的三件事：
- 公司动态 · OpenAI披露AI‘研究实习生’已上岗，警告自身节奏
- 公司动态 · Anthropic被曝签5170亿美元算力大单
- 行业观点 · 纽约市禁止K-8公立校用AI工具
下文按板块展开，正文每条均附原始链接。
🚀 模型发布
🏢 公司动态
🔬 研究论文
今天研究板块最值得看的一条是：一款由 AI 设计候选药物，在早期试验中可能逆转 biological age（生物年龄）相关指标。现在还不能把“逆转生物钟”当结论，它只是一个等待更大规模验证的初步信号。另外两项研究同样有意思：一个把端侧与云端模型拉在一起解题，另一个试图在 GPU 烧掉之前先判断实验值不值得跑。
AI设计候选药逆龄？先看证据等级
是什么：一款由 AI 设计候选药物在早期试验中，表现出与 biological age（生物年龄）相关指标逆转一致的倾向。相关报道称其可能“逆转身体生物钟”，同时强调结果仍是初步的。
关键点：这类研究最容易把“相关信号”误读成“已经有效”。目前它能支撑的结论，是值得继续推进到更大规模验证，远未到回答“
📱 应用产品
💭 行业观点
⚙️ 开源工具
今天板块值得关注的不是某个新模型，而是 Coding Agent 的基础设施开始沉淀：AWS 开源了异步编排框架 Kiro Crew，OpenAI 则公开了 Codex 的 Skills 技能目录。两者指向同一个信号——Agent 正从“单次对话演示”走向“工程化协作体系”。
AWS 开源 Kiro Crew：把 Coding Agent 当后台任务跑
AWS 开源了 Kiro Crew，一个用于编排多个编码 Agent 的框架，支持在后台并行或异步方式执行任务。目标场景很明确：长任务。
关键点在于，Kiro Crew 解决的不是单个 Agent 的能力问题，而是利用率问题。当 Coding Agent 需要长时间运行时，同步等待是巨大的效率浪费；Kiro Crew 的异步编排，让 Agent 可以在后台持续工作，腾出开发者的交互时间。
为什么重要：这是云厂商将 Agent 视为“可调度的分布式任务”来处理的开源尝试。编码 Agent 的竞争维度正在从模型效果，扩展到任务调度、执行可靠性和资源管理这类传统工程问题。
OpenAI 公开 Codex Skills 目录：代理技能生态起势
OpenAI 在 GitHub 上公布了 Codex 的 Skills 技能目录，同一天，多个社区 Skills 仓库也在 GitHub 热榜上走红。
所谓 Skills，可以理解为赋予 Agent 特定领域能力的一组可复用指令或工作流。官方目录的价值在于提供了一套标准的技能分发与发现机制，社区仓库的走红则说明开发者已经开始围绕这一机制构建生态。
为什么重要：技能目录的建立，意味着 Agent 的能力不再局限于模型权重内部，而是可以通过仓库化的方式进行积累、共享和版本管理。这是 Agent 生态从“模型竞争”走向“技能层竞争”的一个早期标志。
AXIS 开源：机器人数据采集被搬进浏览器
Axis Robotics 开源了 AXIS，一个基于浏览器的机器人操作数据采集引擎，包含 207 个操作任务、50129 条轨迹数据。
传统机器人数据采集依赖物理硬件，成本高、扩展慢。AXIS 把采集环境搬到浏览器内，用仿真或远程操作的方式生成轨迹，直接拉低了数据获取的硬件门槛——这可能是机器人数据规模化的一个可行路径。
为什么重要：机器人大模型同样依赖高质量操作数据，而数据采集基础设施的标准化程度远低于 NLP 和 CV。AXIS 选择用浏览器作为统一采集层，是否能让机器人数据的供给提速，值得跟踪。
OpenWhispr 开源：本地优先的语音输入长出来了
OpenWhispr 是一个跨平台语音转文字应用，默认调用本地模型完成识别，也允许用户自备云端模型。
它的核心取舍是“隐私优先”：音频不强制上传，模型可完全本地运行。对于企业场景中的会议记录、即时通讯语音输入等敏感场景，本地优先的语音转文字是一个现实需求。
为什么重要：语音输入长期是云服务的领地。当一个还不错的开源本地替代出现，至少在隐私敏感的细分场景里，用户有了新的选择。这个项目尚早，但它踩中的方向值得关注。
当 Agent 的执行、技能与数据采集都被拆成独立开源层，下一轮竞争点不在单一模型，而在谁能定义协作协议。