[✅ 博客全文已验证 · 2026-09-15 发布] 核心机制分三层：
成本数据：内部支持 agent 从 $67K/月 降至 $7K/月（89% 降幅），同等工作量、输出质量无差异。可用性：所有用户，model picker 选 Auto 并设为默认。
[✅ 文档已验证] Image Generation 能力默认开启，默认图像模型改为 GPT-Image 2.5 Flare（`gpt-image-2.5-flare`）。图像模型矩阵新增两个 OpenAI 型号：GPT-Image-2.5 Flare 与 GPT-Image-2.5 Sunburst（per-request 选项 `size`/`quality`/`background`/`output_format`）。参考图：agent 可传参考图做编辑/主体一致，OpenAI 最多 16 张，Gemini 3.1 Flash/Pro 最多 14 张。旧 ID 重映射：`dall-e-2/3`、`gpt-image-1/1.5` → `gpt-image-2.5-flare`。
[✅ 文档已验证] 组织 Admin（Pro 及以上）在 Organization settings → Agents 页配置一套组织级默认值。可设：Model / Reasoning / Mode（Fast）/ Context Window / Override Auto Summarization / Summarization Trigger % / Summary Model / File Sharing Behavior。其中 Reasoning/Mode/Context Window 是 model-aware。File Sharing 两个值：Default（继承 chat/agent 权限）或 Organization（全组织共享）。生效规则：新建 agent 对未显式设置项继承默认；有默认则覆盖 Gumloop 内置默认；不改变已有 agent；永不继承 agent 图标与自我改进设置；移除默认即回到内置默认。
[⚠️ 文档未跟进] 现有 reflections.md 仅记录 "Send Slack DM Report"（完成的报告以 Slack DM 发送给 owner），尚未收录"Slack DM 内以卡片逐条接受/拒绝"的交互语义。此交互为 changelog 领先于文档，Slack 端实现。
v10.29.0 "Harrington Harbour"（魁北克北岸，一个只有 ~230 人的渔村）的核心只有一件事：Model Router——把"模型选择"这个专业负担从用户转移给平台。
1. 这是 agent 平台成熟化的标志性一步。模型选择一直是 agent 平台隐藏的"专家税"：用户默认选最聪明的模型，花最贵的算力跑最普通的任务。Gumloop 用一条数据把问题讲透了——内部支持 agent 从 $67K/月 降到 $7K/月（89% 降幅，质量无差异）。这个数据的分量在于：它不是营销话术，而是 Gumloop 自己的生产账单。当 agent 从"玩具"走向"规模化生产工具"，成本成为第一约束，谁先解决"智能的性价比"，谁就占据下一阶段。
2. Model Router 的本质是"成本智能"而非"能力进化"。相比 Reflections（13 分，让 agent 自我进化）或 Subagents（10 分，多 agent 编排），Model Router 不增加 agent 的能力，而是让"同样的能力花更少的钱"。但它触及的恰恰是 agent 经济性的核心——agent 平台若按 credits 计费，用户省的钱就是平台的让利，这是用短期收入换长期留存与竞争力的战略取舍。Gumloop 敢做，说明它赌的是"agent 规模化"而非"单用户高客单"。
3. mid-run 升级是真正的新机制。多数路由方案是"启动时定档"，Gumloop 的增量是"运行中发现更难就中途换更强模型"——这要求路由器和 agent 运行时深度耦合（不是 API 层的静态路由能做的）。这是 OpenRouter 等 API 层路由做不到、而 agent 平台层能做好的差异化。
4. 同版信号：模型治理从"准入"走向"运营"。v10.15 是模型治理的"准入面"（BYOK、角色级 allow-list、代理路由），v10.29 是"运营面"（Auto 路由 + 成本优化 + 修复 OpenAI 过载不 fallback）。两条线合起来，Gumloop 正在把"模型"变成平台可运营的资源，而非用户要自己管理的配置。
模型路由是必抄的能力。如果我方 agent 产品还在让用户手动选模型，Model Router 的 89% 成本数据就是一把达摩克利斯之剑——用户会问"为什么你的 agent 不能自己选对的模型"。但抄的难点在两点：一是需要接入足够多的 open-weight + frontier 模型（否则路由没有选择空间），二是 mid-run 升级需要运行时层改造（不是改个配置文件）。如果只做"启动时按任务类型定档"，是 API 层路由，好抄；做"mid-run 升级"，才是 agent 平台层路由，有壁垒。
组织级默认设置值得直接跟进。Set Defaults for New Agents 是治理基建的补全——组织内 agent 配置一致性是企业采纳的隐性门槛。我方若做组织级 agent，默认设置是第一天就该有的。
"用已连接 app 而非抓取页面"是可借鉴的降级策略。agent 读 Google Doc/Notion/Linear 链接时优先走已连接 app（结构化数据、权限继承），而不是 web scrape（脆、无权限）——这体现的是"连接器优先于抓取"的数据获取哲学，值得我方做集成时内化。
Model Router 10/13 战略级里程碑——89% 成本数据 + mid-run 升级机制有战略分量，与 v10.8 Brain、v10.18 Gumball 同列战略级
Model Router — 10/13 的"成本智能"分水岭。为什么是 10 不是更高：它不创造新能力范式（Reflections 的学习飞轮才是），而是让既有能力的经济性变得可运营。但它值得战略级关注的原因有二：一是那条 89% 的成本数据把"agent 成本失控"这个隐形问题变成了显性痛点，可能带动整个行业朝"路由"方向走；二是 mid-run 升级机制暗示 Gumloop 的 agent 运行时已经在做"模型可插拔 + 运行中切换"的架构准备——这是后续"动态模型编排"（按子任务、按上下文窗口段切换模型）的地基。下次抓取第一件事：复查 Model Router 是否扩展到 Gumball 的 Daily Chew/Meeting Prep（proactive 场景的成本优化空间更大）。
"Stop All + 停止标记"——控制面补全的信号。一次停止所有后台 subagent、停止时标记步骤并注释结束，这些都是 agent 从"单次对话"走向"多 subagent 并发编排"后必须补的控制面。它和 mid-run 升级一起，说明 Gumloop 正在把 agent 运行时从"黑盒"改造成"可干预的执行引擎"。
模型选择器 UX 重构 + Model Router 同版发布——产品叙事的一致性。模型选择器直接落在模型列表、推理开关和 effort/speed 控制沉到底部，这些是为"Auto 成为默认"铺路：当用户不需要手动选模型时，选择器退化成"偶尔覆盖"的次要入口。