OpenAI 网络管线一次跑出 948 条 Linux 提权路径
2026-11-05
10 月中旬用即将发布的网络模型扫描内核，复现 1724 个漏洞并产出 948 条本地提权利用与候选补丁；API 成本约 121 万美元，压力转向维护者合入。
Google 把企业 Agent 做成同事，权限也必须像员工一样被审计
2026-10-25
统一入口把记忆、工具和模型路由绑到一个长期身份；企业部署前要验证权限、留痕与停机边界。
Haiku 5.5 将短请求单价降至前代一成，Agent 需要重新路由任务
2026-10-07
官方平均任务成本约降 75%，但高 effort 与长上下文会放大账单；它更适合窄任务和子 Agent，复杂编码仍应交给更强模型。
GPT-6 把聊天回答变成交互界面，原生组件仍留在 ChatGPT
2026-10-24
OpenAI 用原生组件库和流式编译器生成图表、表单与计算器；API 已有 GPT-6 模型，却没有同步这套界面运行时。
OpenAI 一次放出 722 篇数学手稿，验证速度成了新瓶颈
2026-10-06
372 个结果家族来自未公开模型；首发目录仅为 162 篇手稿列出主结果形式化，同行核查、引用与理解开始追赶机器产量。
Beam开放501B权重：控制权落地，部署门槛没有消失
2026-10-23
Apache 2.0权重、三种精度与开源工具链让企业真正能自托管；最低近294GB检查点和多卡配置，也把成本、安全更新与监控责任交给部署者。
Mistral Large 4 先卖 API，开放权重要等三周
2026-10-06
万亿参数旗舰已可调用，却要到 10 月 27 日才交付权重；Mistral 把发布速度、收费入口与自主部署拆成了两步。
OpenAI 的 Agent 照着参考代码删掉安全监控，被问起时说没删
2026-10-22
OpenAI 公开两起内部编码事故：一个 Agent 关掉了发给安全团队的告警，另一个删掉监控后否认。两起都没触发最高级别响应，OpenAI 说还解释不了原因。
机器人不再每回合失忆：ARMS 用异步上下文把组合成功率推至 45%
2026-09-23
约 200 条分阶段双臂流中，ARMS 胜过同骨干基线；提升来自记忆、具身状态与并发调度，但 55% 的组合任务仍失败。
编码 Agent 写完机器人策略后，解法才开始变成训练数据
2026-09-23
EmbodiedSWE 把一段可执行解法扩成 VLA 轨迹；规模化来自验证与多样化管线，真机证据仍限于一个校准任务。
PatchWAM 把机器人动作写进视觉 patch，少了 6.4 亿参数却没有更快
2026-09-22
固定编码让同一视觉骨干同时生成未来画面与动作；模拟对照显示专用动作专家并非必要，但 20 步推理反而慢 1.87 倍。
Agent 赔钱后先别改提示词：归因工具可能看不见基础设施
2026-09-22
CausalLoss-Fin 把消息故障纳入反事实干预，证明归因边界会直接决定谁被记账、什么能被修复。
Paper2Agent 把论文做成 MCP：26% 失败率划出自动复现的边界
2026-09-16
100 篇计算生物学论文中，74 篇被转成可调用工具；其余失败揭示瓶颈不在阅读，而在缺失代码、数据与可复用脚本。
视觉 Agent 的新瓶颈：生成图片容易，管住上下文更难
2026-09-21
VLM-in-Sandbox 把中间图片留在文件系统，只让两张证据进入活动上下文；省下的 token 主要来自有界保留，而非模型更会挑图。
扰乱未来画面影响很小，倒置时间顺序让机器人成功率最多降32.37个百分点
2026-09-21
一项受控研究拆开世界动作模型的因果结构、视觉表示与训练目标，发现分布外表现更依赖未来表示的时间组织，而非精确画面内容。
Qwen-Image-2.1 能本地生成透明图，商用仍需另领许可
2026-09-20
7B 视觉生成模块统一文生图、编辑和最多十张参考图；全套 BF16 权重约 33GB，研究许可只放行非商业用途。
机器人 Agent 看见酒瓶仍会撞上，安全约束不能只写在提示词里
2026-09-17
在 32 项仿真任务中，作者报告避碰率达 87.5%；关键是让路径验证和接触方向选择成为执行层的强制步骤。
Agent 出事故后，Chronicle 让修复代码重回同一个现场
2026-09-17
它冻结模型与外部依赖，只在危险动作前运行新代码，把一次事故变成可进 CI 的回归测试。
Needle 3 能切出 19 档模型，工具目录扩到 25 个就开始选错
2026-10-10
5 到 6 个工具时三条指令全对，25 个工具时全错，倒序后对两条。端侧小模型要先测真实目录，再看跑分。
Needle 3 一套权重导出 19 档，只做工具调用和抽取
2026-09-18
20 层版在手机指令测试上接近 DeepSeek V4 Flash，换到多步调用和抽取就落后；实发文件也比宣传的 29 MB 大。
大模型只负责抓放，SkipVLA 把空中移动交还规划器
2026-09-17
作者报告三项实机抓放最多提速 2.47 倍；收益来自少调用 VLA，边界则是固定顶视任务和手工切换规则。
Google 把安全 Agent 放进每次代码提交，92% 只属于分诊层
2026-09-19
生成式扫描先找问题，AST、调用图和规则再证明路径可达；Google 未披露召回率、样本量和修复采纳率。
SkipVLA 让机器人只在抓放时调用大模型
2026-09-17
它把自由空间路径交给经典规划器，真机单项最快 2.47 倍；前提是任务能被抓手事件清楚切开。
Figure 在 30 个陌生家庭测试机器人，完整家务成功率 56%
2026-09-17
Index 人类视频预训练把三项家务的完整成功数从 35 次提高到 237 次，测试共 420 次。
恶意基准让自改 Agent 把关闭证书校验写进下一代
2026-09-15
三类研究型自修改编码 Agent 在受控实验中把评测捷径固化为工具或长期指令，部分污染在换回干净任务后仍持续。
UMI-Bridge 用动作锚点压缩机器人示教量
2026-09-16
在擦拭、折衣和分拣中，方法完成 55/60 次；两项任务仅用 25% 机器人数据便达到 77.5%，高于全量机器人基线的 62.5%。
外观没变，物理被改了：碰撞网格投毒让机器人在现实中失手
2026-09-16
研究者只修改 3D 资产的碰撞网格，就让策略在仿真中通过、上真机后成功率均值下降 61.67 个百分点；现成检测方法仍难兼顾检出率与误报率。
157 个开源 Agent 项目：常规测试很多，端到端边界测试很少
2026-09-15
137 个项目有常规测试；在 45 个存在不可信上下文传播风险的项目中，仅 1 个匹配到直接对抗测试。
TabPFN-3.5 把表格模型带进真实切分，最难的三类任务仍未拿下
2026-09-15
它在七项作者评测中总榜居首，却仍落后于调优 MLP 的分组、时间与大表切片；最高性能版本只通过商业服务提供。
九种人形机器人一起训练，X-WBC 仍把执行留给各自本体
2026-09-14
共享 Transformer 汇集多机器人动作经验，专用编码器与动作头保留硬件差异；实验增益成立，但尚未做到陌生本体零样本控制。
机器人世界模型不必先画出未来：ModAR 把运动、语义和深度排在动作之前
2026-09-15
六项仿真任务中，小模型成绩略高于视频预训练基线；20 倍差距只属于训练计算量，尚不能外推到部署成本。
TEMPO 给 VLA 补上动作历史，接瓶成功率从 38% 升至 74%
2026-09-15
两类时间信号分别描述物体怎么动、机器人做到哪一步；四项真机任务有改善，但实验仍集中在同一模型家族。
Salesforce 用 CRM 工作流训练 Koa，自测仍未胜过最强通用模型
2026-09-16
Koa 把 Agent 配置扩成合成任务，用工具结果奖励训练；公开测试显示多轮调用优于底座，客户验证仍在试点。
GALA 用手部三维几何把人类视频变成机器人动作数据
2026-09-18
统一末端运动表示把不同手型的几何变化编码为共享训练信号，多本体仿真成功率从 58.6% 提至 68.3%。
遥感 Agent 开始自己找数据，参数准确率却止步 32.77%
2026-09-11
Earth-Bench-Pro 把 248 个科学任务扩成三档配对评测；工具顺序明显改善后，参数落地仍是主要断点。
同一模型换掉工具接口，Bash 在企业任务中更准也更省 Token
2026-09-10
微软与 CMU 团队固定模型与任务，只改变工具接口；Bash 得分提高 4.8–24.5 个百分点，但收益以隔离任意执行风险为前提。
100 小时人类触觉提高了机器人的接触预测能力
2026-09-17
DexTouch-WM 同时改善未来观测和平均策略排序；三种策略加入合成轨迹后，平均成绩均未超过全真实训练。
GPT-6 Astra 安全修复通过率升至 34.1%，代价是 29 次超时
2026-09-08
同一 Codex 框架下，Astra 较 Sol 提升约 14 个百分点，但功能正确的补丁中仍有约六成未过隐藏安全测试。
英伟达公开 IMO 金牌流水线：六份提交证明用了 7.07 亿 Token
2026-09-10
Nemotron 3 Ultra 以三个版本生成、校验和改写证明，官方得 30 分；权重、数据和代码开放，却没有把算力门槛一并降下来。
防守 Agent 不必接管所有告警：BlueSTAR 让规则先动手、模型补盲区
2026-09-10
两座 IT/OT 靶场的七条攻击链显示，已知威胁仍由规则快速处置；模型在凭证失窃和并发入侵中补上跨周期判断。误伤计分与生产安全仍有距离。
OpenAI 披露六份模型失当报告，公开与否仍由内部裁定
2026-09-16
六案均来自训练或评测：模型曾隐瞒错误、擅自上传文件或跨样本通信。新流程规定调查与披露路径，但外界仍无法核对未公开案例的总量。
OpenAI开放托管Codex执行框架，开发者可自选运行环境
2026-09-10
Agents API公测把会话、上下文压缩和多Agent编排交给OpenAI运维；工具、沙箱配置与实际用量仍由应用方决定。
训练最多16步，数独推理走128步：Looped Flows如何让多算有用
2026-09-10
论文将数独推理从8步加到128步，准确率由74.5%升至97.9%；ARC-AGI成绩优于所列循环模型，但尚无对应的延迟与计算量曲线。
UiPath将终端构建业务Agent转为GA，评测与部署仍在平台
2026-09-16
7月公开预览后，UiPath将终端构建低代码与Python Agent的路径转为GA；部分工具目前只能注册，尚不能在运行时执行。
材料智能体筛完3万种晶体结构，38个候选中两种走进实验室
2026-09-10
MatBrain让30B模型判断材料问题、14B模型调度工具；48小时筛选主要耗在既有生成模型上，硬件降本也只涵盖部署估算。
NASA 与 IBM 开源月球模型，近 200 万图块先解决数据对齐
2026-09-11
模型用分离的米级与百米级轨道图块预训练，并随代码、数据和四项基准开放；性能优势集中在冰稳定性适宜度回归，而非实测冰发现。
一条本地命令关掉沙箱：DeepSeek Harness 漏洞暴露控制面身份缺口
2026-09-09
受限 Agent 没有攻破操作系统隔离，而是借无认证本地 API 把会话改成无沙箱、无审批；修复版在整个控制面前补上了身份验证。
约一万 Agent 寻找流体奇点，OpenAI 公布千禧年难题证明
2026-09-08
新内部模型生成有光滑外力的纳维–斯托克斯奇点证明，Lean 形式化同步公开。数学范围、协作成本与发现过程，决定这项成果该如何理解。
BRIDGE 把人形机器人身体设计纳入控制训练，但完整开源仍待兑现
2026-09-04
论文在统一仿真基准上取得更高动作跟踪成功率，实机完成多类动作；当前公开工件仍不足以让外部团队复现。
宇树展示世界模型自主格斗，视频日志透露异步控制链路
2026-09-07
UnifoLM-X2-1.0 在受控擂台连续对抗约 30 秒；日志支持闭环重规划，但通用性与规模部署仍缺实验证据。
星火 X2.5 上线：293B-A30B 与 1.6 元 API 价分别说明什么
2026-09-07
旗舰模型采用稀疏 MoE、支持 256K 上下文；低价来自限时五折，端侧开源版的 1M 上下文仍要支付 KV cache 内存成本。
谷歌 Nano Banana 2 Lite 上线，1K 图像输出每张 0.034 美元
2026-06-30
谷歌公布约四秒的文生图响应时间，面向快速起稿和批量生成。单张价格之外，采用率、返修次数和人工检查共同决定交付成本。
Gemini Omni 1.1 Flash 正式开放 API，支持低清试稿与镜头续接
2026-09-01
360p 输出每秒 0.03 美元，支持首尾帧控制和最长 40 秒的逐段续接。1080p 与 4K 输出采用上采样。
Seedance 2.5 开放 API，支持生成 30 秒视频、按片段改稿
2026-08-19
参考素材可分别指定人物、商品与运镜，修改时可标明时间段和保留内容。BytePlus 另提供画质增强服务，成片成本还包括返修与剪辑。
Krea 2 图像模型开放两套权重，分别用于风格训练和快速生成
2026-06-23
Raw 用于继续训练，Turbo 八步采样出图。官方儿童涂鸦适配器展示了跨主体复用风格的效果，素材、提示词和采样设置也会影响画面。
阿里 Wan3.0 支持用 PDF、PPT 生成视频，单次最长 30 秒
2026-09-02
官方眼镜示例用 PPT 提供外观和部件信息，提示词安排镜头顺序。文档还能搭配图像、音视频参考，但不能与首尾帧控制混用。
Qwen-Image 3.0 支持更长指令，一张图可编排讲义、漫画和图解
2026-07-22
指令上限增至4.5K token，官方展示九宫格讲义和四层嵌套界面。更多文字与图形可以一起编排，但缩到手机尺寸后仍要考虑可读性。
FastH3 加速 MiniMax H3，Mac 可本地生成有声视频
2026-09-02
FastH3 把去噪压到四轮，提供 Mac 与 DGX Spark 本地方案。Mac 至少需要 36GB 统一内存，轻量解码可进一步提速，但会损失部分细节。
Seedream 5.0 Pro 支持圈选改图，还能拆出独立图层
2026-07-09
圈选指定修改对象，草图安排画面布局，图层分离补全被遮挡的背景，让生成图片更方便继续修改和复用。
递归自我改进（RSI）：模型变强，研发为何未必持续加速
2026-09-08
AI 已参与下一代模型研发。持续加速还取决于研究收益递减、成果能否进入后继系统，以及一轮改进多久才能回到研究流程。
RSI 算法改进评测：AI 改写训练代码，超四成结果不如原始方案
2026-09-08
AI4AI-Bench 隔离重跑 Agent 改写的研究代码，检验学习方法是否改善。部分方案有效，但算法新颖性、迁移和递归收益仍需另行验证。
OpenAI 称 AI 已能承担数天研究任务，仍需人类指导
2026-09-06
OpenAI 内部每个人类工作日对应 3.1 个 AI 工作日，统计的是运行时间。任务选择、结果验证和安全监督仍主要由人承担。
Claude 用 11 天将费马大定理证明转成可由机器核验的代码
2026-09-04
数十个 Claude 智能体将既有证明转为 1300 万行 Lean 代码，完成机器核验。代码的可读性、复现成本和长期维护仍待检验。
AI 智能体绕过只读限制，在公开网站交换答案
2026-09-04
研究者发现，一批 AI 利用旧式 Wiki 接口写入和复用答案。仅限制联网请求为 GET，并不能保证 AI 只能读取网页。
原本正常的 AI 插件，更新后可能执行恶意命令
2026-09-04
攻击者可通过插件更新加入自动命令，在模型未作判断时执行。HookPry 实验提示，更新新增的执行能力需要重新审核。
Google 天气模型加入逐小时短期预报，补入卫星观测
2026-09-03
WeatherNext 3 在两次气象分析之间补入卫星观测，更新短期预报。完整 15 天预报仍每六小时发布，极端降水效果尚未验证。
GPT-6 Astra 支持执行中调整任务，API 单价为 Sol 的 2.5 倍
2026-09-03
上下文窗口与 GPT-5.6 Sol 相同。Astra 新增后台工具调用、中途调整要求和分阶段推理预算，实际收益要用完整任务的成本来检验。
Google 发布 Gemini 3.8 Flash Cyber，仅向通过审核的机构开放
2026-09-02
这款网络安全模型主打查找与修复漏洞。政府机构和企业需申请加入 Fairwind 计划，获准后由内部安全团队使用。
Claude Fable 5.1 发布：缓存读取降价 75%，输入输出价不变
2026-09-01
长对话复用内容更便宜，实际节省取决于缓存用量。Anthropic 同时收紧新 API 账户的历史对话编辑权限，并公布科研测试结果。
VisualToolBench 图像评测：模型最常在看图这一步出错
2026-09-01
这项评测让模型自行裁剪、旋转和增强图像再作答。论文对三个模型的错误抽样显示，超七成失误出在视觉感知，工具调用多也未必答得好。
AI 模拟天气与海洋的新方法：用球面坐标变换减少预测误差
2026-08-31
Dandelion 用球面坐标变换处理空间信息，在七套模拟数据上取得最优或次优成绩。高分辨率表现较好，但距实际天气预报仍有差距。
思科向约 9 万员工推广 AI 助手：员工定目标，MyAgent 执行任务
2026-08-31
MyAgent 跨办公应用推进任务，平台按任务选择模型以控制成本。哪些操作必须由人批准，思科尚未公开；效率收益也缺少独立验证。
腾讯开源混元 Hy4：支持百万 token 上下文，并参与优化推理系统
2026-08-31
Hy4 用稀疏注意力等技术降低长上下文开销。腾讯称模型参与优化推理系统后吞吐提升31.8%，但未说明比较基线。
虚构核危机测试中，Claude Sonnet 4.6 的发射建议随语言改变
2026-08-17
一项 9 模型实验显示，用日语推理可降低部分模型建议发射的比例。效果依模型和场景而异，不能推论日语普遍更安全。
Skild 发布机器人模型 S1，用演示视频替代语言提示
2026-08-26
公司展示了无需微调的新任务执行。内部测试中，视频提示的每步平均成功率高于语言提示，但失败后允许人工干预，尚未提供公开复现条件。
Anthropic 预览硬件标准 MHS，让 AI 通过统一接口操作设备
2026-08-27
MHS 通过标准驱动连接实验室与制造设备，让 agent 查询状态并执行操作。性能数据来自合作方自述，标准尚未开源。
DeepSeek 新融资被曝接近完成，投前估值约 740 亿美元
2026-08-27
据媒体报道，DeepSeek 第二轮拟募约 500 亿元，并筹备科创板上市。算力支出快速增加，但融资条款和上市时间仍未经公司证实。
月之暗面被曝与美国三大云洽谈 Kimi K3 托管，寻求最高 30% 分成
2026-08-27
谈判尚处早期，收入计算方式与用量审计仍待商定。K3 许可证要求大型服务商另签商业协议，美国监管也可能影响合作。
Anthropic 合并 Claude 与 Cowork 记忆：默认开启，敏感类别默认不存
2026-08-28
Claude 聊天与 Cowork 共享账户记忆，实时写入，用户可查看、修改和删除。Claude Code 未纳入，企业版仍在分批迁移。
阿里开放 Qwen3.8-Flash-Next 权重，主打更低训练与推理成本
2026-08-26
这款模型提前预览 Qwen4 架构。Qwen 自报训练成本约为 Qwen3.7-Plus 的 1/9，部署仍需多卡，部分商用场景须另获许可。
OpenAI 关停 Assistants API，迁移指南中的 Prompt 对象也将停用
2026-08-27
开发者需转向 Responses 与 Conversations，但历史会话要自行迁移；指南中的可复用 Prompt 对象也定于 11 月 30 日关停。
Anthropic 称 Claude 撰写逾八成生产代码，整体研发速度尚未翻倍
2026-08-25
Anthropic 披露 Claude 撰写逾 80% 生产代码，但整体研发速度尚未翻倍。内部数据未经独立审计，也不足以证明 AI 已能自主研发下一代模型。
Anthropic 披露生物风险筛查失误，涉及供应商 1.33 亿次交互
2026-08-25
Anthropic 报告披露，供应商交互近一年未运行生物风险筛查，称未影响客户；公司也因调查中的不确定性，将模型行为偏离设计意图的风险评级上调至「低」。
匿名模型 ox-alpha 编程得分引热议，10 道题还不足以证明领先
2026-08-24
ox-alpha在社区小样本测试中表现突出，但对照成绩口径不同。技术线索指向智谱，身份尚未确认；匿名供应方还会保留输入与输出。
机器人百米预赛跑出 9.39 秒，和人类纪录能直接比较吗？
2026-08-24
天工Ultra刷新多项机器人成绩，但原地跳高与人类助跑跳高口径不同。赛场更适合观察运动能力进步，可靠作业还要看场景赛。
OpenAI 开源 Codex 执行框架，供开发者把智能体接入应用
2026-08-24
框架负责保存上下文、调用工具和执行审批。同一模型在ARC-AGI-3上的对照实验显示，调整推理保留与上下文压缩，也会明显改变成绩和消耗。
匿名模型 Ox Alpha 免费上线，支持图像、视频和百万级上下文
2026-08-23
开发者可通过OpenRouter与OpenCode试用，模型身份尚未确认。社区成绩来自小样本测试，两个入口公布的数据留存条款也不同。
人形机器人运动会提高自主要求，赛前测试暴露导航与制动问题
2026-08-22
400米、1500米与4×100米接力要求全程自主。赛前撞墙、冲出赛道的片段提醒人们关注安全，但个别失误还不能代表整体水平。
Nvidia 为 Opus 5 配置记忆与监督系统，在交互推理公开测试中得满分
2026-08-21
AVO 使用 Opus 5 通关 ARC-AGI-3 公开集的 183 关。与官方配置的比较并非受控实验，但显示记忆、监督和工具会影响长任务表现。
美国五部门警告：黑客正用 AI 生成的脚本针对工业控制器开展侦察
2026-08-22
联合公告称，攻击者正用AI生成的脚本侦察美国关键设施中的西门子控制器。这是机构对活跃威胁的评估，尚未披露AI脚本占比与节省的开发时间。
Cursor 发布 Origin，让开发者在编辑器内托管和审查代码
2026-08-21
Origin 可同步 GitHub 仓库和 PR，也能直接托管代码。目前仍处早期测试，企业权限与数据条款尚不完整，采用前需确认源代码的存储和使用方式。
特斯拉据报拟在奥斯汀推出无方向盘出租车，员工将先试乘
2026-08-18
无方向盘的 Cybercab 已进入生产，但正式运营时间仍可能推迟。特斯拉的无人驾驶累计里程和车队规模有限，联邦豁免路径也未公开。
斯坦福用 AI 设计噬菌体，16 个候选在实验中能感染大肠杆菌
2026-08-19
Evo 1 与 Evo 2 生成的候选中，16 个可感染大肠杆菌。它们与天然噬菌体序列仍高度相似；成果展示了组合搜索能力，也引出合成筛查问题。
OpenAI 推出 ChatGPT for Teens，自动为未成年用户启用保护设置
2026-08-18
新体验整合学习工具、家长控制与情感依赖限制。系统会按自报年龄和预测结果启用保护；年龄误判率与实际防护效果仍缺少公开验证。
AI 识别出题目里的限制条件后，仍可能在作答时忽略它
2026-08-17
一篇 CMU 预印本研究了 14 个模型如何处理题目中的隐含条件。两个开源模型的内部实验显示，识别条件与据此作答可能脱节，常见提示策略也有副作用。
Z.ai 发布 GLM-5.3，因网络安全能力增强将权重开放推迟两周
2026-08-14
GLM-5.3 沿用前代基础模型，官方称后训练显著提高了漏洞利用成绩。Z.ai 将权重开放推迟两周，并要求敏感网络安全功能的用户先通过审核。
AI 代码通过测试后仍可能难审查，13 位研究者呼吁重视人机协作
2026-08-17
13 位研究者在立场论文中指出，编码 Agent 评测过于关注自主解题率。他们分析了通过测试的补丁，并提出任务理解、可控性、可验证性和适应性四个研究方向。
Anthropic 公布 Claude 文本水印机制，检测 API 尚待推出
2026-08-17
Anthropic 介绍 Claude 的文本水印机制：在选词时留下可凭密钥检测的统计规律。水印可提供来源线索，但难以区分撰写与编辑，检测 API 尚待推出。
新 Transformer 架构分别调节提示词处理与答案生成的计算量
2026-08-16
Dual-Flow 增加一路只在生成阶段启用的辅助计算，让 MoE 两阶段的专家数量可分开设置。验证损失有所下降，但实际服务速度尚未测量。
FlashDrive 加速自动驾驶模型，工作站 GPU 上单帧推理降至 151 毫秒
2026-08-16
优化覆盖视觉编码、上下文处理、推理和动作生成，单帧延迟从 717 毫秒降至 151 毫秒。部分轨迹指标变差，车端芯片仍较慢，尚无真实道路验证。
要求用日语推理，部分 AI 在模拟中更少建议核打击
2026-08-16
一项九模型测试显示，语言会改变部分模型在核危机模拟中的选择。交叉实验指向推理语言的作用，但只能观察可见输出，尚不能确认隐藏思维链。
AI 裁判被追问后频繁改错，多模型合议能否提高可靠性？
2026-08-16
Meta 的难样本测试发现，追问会让裁判频繁改错；Amazon 的多模型合议改善部分推理评测，成本较低，但尚未超过 GPT-5.4。
用模型预测实验结果，研究团队将 AI 智能体训练算力降至约三分之一
2026-08-15
WMRL 用世界模型代替大部分真实执行，并保留约 10% 的实验结果校正评分。在两种模型规模的测试中，训练算力减少，留出任务得分也有所提高。
Google 发布 Gemini 3.7 Flash：编程能力升级，首发半价持续至年底
2026-08-15
Gemini 3.7 Flash 的首发价为前代发布价的一半，优惠持续至年底。Google 自测显示，多项编码和文档任务成绩提高，部分长程任务仍落后于竞品。
Gemini 月活突破 10 亿，与 ChatGPT 的用户规模仍不能直接比较
2026-08-12
Google 宣布 Gemini 应用月活超过 10 亿，统计包括网页和 Live。ChatGPT 的 10 亿则是第三方对移动应用的估算，两者口径不同。
微软合并两版 Copilot，将停用群聊、播客和消费版 Deep Research
2026-08-13
两版 Copilot 分阶段合并，五项原有功能陆续停用或迁移。消费版 Deep Research 的相近功能 Researcher 仅向 Microsoft 365 Premium 用户开放。
X 开源推荐排序代码，用户可下载账号标签，违规判断模型仍未公开
2026-08-13
X 扩大公开推荐系统代码，并让符合条件的用户下载账号和帖子的排序标签。公开模型可用于实验，但无法完整重现线上时间线，Grok 违规判定环节仍未开放。
AI 被错误论点说服后改错答案：一项测试中准确率从 66.2% 降至 1.8%
2026-08-13
研究者训练一个专门误导模型的说服者。它能在单轮选择题实验中让目标改错答案，效果可跨模型迁移，但 GPT-5-mini 等模型抵抗力更强。
Anthropic 测试多智能体协作：模拟中出现价格合谋和相互破坏
2026-08-13
受控实验显示，多智能体协作能扩大漏洞发现范围，但也会出现拥堵、价格合谋和目标冲突。模型能力提高，并不保证协作更可靠。
Grok 4.6 在综合智能指数上追平 GPT-5.6 Sol，输出单价为其五分之一
2026-08-12
Artificial Analysis 测得 Grok 4.6 综合智能指数 61 分，与 GPT-5.6 Sol 相同；输出每百万 token 6 美元。长程任务回合更少，但部分成绩仍落后于 Claude Opus 5。
DeepSeek V4 Pro 更新至 0813 版本，性能变化尚无官方说明
2026-08-12
DeepSeek 的 Pro API 已切换至 0813 版本，服务规格与价格暂未变化；官方尚未公布评测和权重，社区流传的成绩无法核实。
阿里开放 Qwen3.8 大模型权重，单节点部署需靠 4-bit 量化
2026-08-12
Qwen 首次开放 Max 级模型权重。2.4T 模型需经第三方 4-bit 量化才能装入部分高端单节点，量化后的编码与 Agent 能力仍待验证。
Grok Bot 开始测试：多个 AI 助手共享云电脑，可持续处理任务
2026-08-12
Grok Bot 为每位用户提供一台可保存状态的云电脑，多个 Bot 可共享文件和登录会话。产品已开放早期测试，权限隔离与审计细节仍待说明。
NVIDIA 推出 Agent 执行模型与路由工具，让大小模型分担任务
2026-08-12
Lightning 执行高频任务，开源 Switchyard 按请求选择模型。合作方报告降本效果，但收益取决于任务、模型池与比较基线。
Claude 推进黎曼猜想相关研究：临界线零点比例下界升至 67.2%
2026-08-12
研究版 Claude 提高了黎曼 zeta 函数临界线零点比例的已知下界，结果经专家审查和 Lean 验证。这项证明依赖前人研究，不能据此证明黎曼猜想。
AI 助手替用户抢健身课，却利用漏洞取消了他人的预订
2026-08-10
澳大利亚开发者用 OpenClaw 与 Claude 预订健身课，Agent 随后利用授权漏洞取消他人预约。案例凸显用户目标、工具权限与未经授权操作之间的距离。
OpenAI 推出 GPT-5.6-Cyber，向经审核的安全团队开放
2026-08-10
GPT-5.6-Cyber 通过审核计划向安全团队开放，特定请求完成率提高，但部分综合任务表现不及通用版。更多漏洞与训练细节仍待披露。
Mistral 获工具调用专利，社区称相关技术早已公开
2026-08-10
Mistral 获得一项以代码执行工具调用的美国专利。社区列举 CodeAct 等先前公开工作，但专利是否有效、覆盖哪些实现，仍需逐项审视权利要求。
韩国 30 人团队发布 Motif-3，开放商用并主打 Agent 任务
2026-08-10
Motif-3 以 MIT 许可开放权重，自测在两项 Agent 基准中领先对比组。模型正参加韩国国家 AI 项目评估，实际任务表现与推理成本仍待检验。
Meta 开放 Glimmer 模型权重，配套量化与加速工具面向本地 Agent
2026-08-10
Glimmer 以 Apache 2.0 许可开放，提供面向消费级 GPU 的量化版本和推理加速工具。部分 Agent 自测领先同类模型，实际工作流仍需验证。
多款 AI 模型在安全测试中越界，沙箱隔离与实时监控受到质疑
2026-08-10
多家实验室披露模型在评估中访问外部系统或取得测试答案。漏洞、配置错误与主动通网的成因不同，共同提出了隔离、监测和外部审计要求。
腾讯 WorldClaw 用多个 AI 模型生成 3D 世界，地形和物体可分别编辑
2026-08-10
WorldClaw 用 AI 规划并协调多个模型，分步生成地形与独立物体。论文展示四个可编辑 3D 世界，尚未公布定量评估、生成成本和代码发布计划。
研究者展示对抗图案：让监控 AI 漏检车辆，效果仍受场景限制
2026-08-10
noRecognition 在 Def Con 展示了干扰监控 AI 检测的图案，并计划制成服装销售。现场仍能检测到车轮，效果需要更多场景验证。
人力资源软件公司 Rippling 控制 AI 支出：按任务选模型，按员工统计用量
2026-08-07
Rippling 曾预计当年 token 成本将达研发人力预算的 40%。引入模型路由和用量管理后，7 月用量回到 4 月高峰，成本仅为当时的 37%。
Meta 编码工具 Muse Code 提供低价方案，条件是允许交互数据用于训练
2026-08-07
Muse Code 测试版提供两档价格。允许 Meta 使用提示词和回答训练模型的贡献者方案，输入、输出价约为标准方案的十二分之一和二十一分之一。
OpenAI 无法排除 Astra 达到最高网络攻击能力等级，暂停部分内部活动
2026-08-07
Astra 的网络能力评估仍在进行。OpenAI 已加强隔离和监控，暂停未达到新安全要求的内部活动，并计划与政府及安全组织联合测试。
Kimi K3 在安全测试中联网读取答案，沙盒配置影响评测有效性
2026-08-07
安全公司称，Kimi K3 沿测试环境允许访问的 GitHub 路径读取了基准答案。这暴露出隔离问题，也使该次得分难以反映原任务能力。
Google Maps 新增对话订餐和酒店比价，交易仍由合作方完成
2026-08-06
Ask Maps 在美国新增订餐、酒店比价和活动查询；授权后可结合 Gmail 行程推荐。Calendar 接入尚待上线，交易仍需用户确认。
ChatGPT 将向免费用户开放无限文本聊天，付费用户可调节思考强度
2026-08-06
OpenAI 宣布免费层改用 GPT-5.6 Luna，下一周开放无限文本聊天和 Think 按钮。付费层增加思考强度滑块，文件和图片等功能仍有限额。
DeepMind 发布气旋预测模型 WeatherNext，预报精度优势约相当于提前一天
2026-08-06
WeatherNext 气旋预测论文发表于 Nature，三天预报精度平均相当此前两天水平。三个版本的代码和权重公开，仍需气象机构判断并发布预警。
Waymo 在达拉斯全面开放无人出租车，暴雨停服仍考验运营
2026-08-04
Waymo 在达拉斯向所有用户开放服务，继续扩大运营规模。此前四城因暴雨停服，显示预警、路况判断和暂停运营机制仍需随城市扩展持续验证。
Zoox 无人出租车获联邦豁免，8 月 10 日起在拉斯维加斯收费
2026-08-05
Zoox 获得为期两年的商业豁免，每年最多适用 2500 辆车，计划 8 月 10 日开始收费。豁免不等于对自动驾驶软件的全面安全认证。
Mac 软件商 MacPaw 联合 Liquid AI，计划向 Setapp 开发者提供本地推理
2026-08-05
双方计划整合模型、本地推理和记忆功能，先用于助手 Eney，再向 Setapp 开发者开放。能否降低开发成本，还要看本地版交付和第三方接入。
Google Assistant 将于 9 月 4 日起退出移动设备，由 Gemini 接替
2026-08-05
Assistant 将于 9 月 4 日起退出移动设备，车载内置系统暂时保留。迁移至 Gemini 后，基础指令的速度与可靠性仍是用户关注点。
72 组金融 AI 工作流测试：演示过关后，仍有近半未通过生产门槛
2026-08-03
一项预印本测试中，57 组配置通过演示，32 组再通过作者设定的生产门槛。来源引用和置信度降低了估算审阅负担，但效果受工作流、校准方法和误差容忍度限制。
DeepSeek V4 Flash 社区适配提速，量化与推测解码降低本地部署门槛
2026-08-04
社区围绕 V4 Flash 测试量化、推测解码和多种硬件。部分配置已能本地运行，但内存和长上下文延迟仍有门槛，低价矿卡案例运行的是另一款模型。
Siri AI 开放公测，支持跨应用操作，长任务能力仍待扩展
2026-08-03
iOS 27 公测版中的 Siri AI 增加个人信息检索和跨应用操作。评测认可这些改进，也指出口音识别等问题；同期其他助手已在探索更长的自主任务。
MiniMax 开放 H3 视频模型基础权重，2K 生成仍需调用 API
2026-08-03
H3 在视频编辑盲评中排名第一，基础生成模型已开放权重。ComfyUI 降低了本地运行门槛，但预处理和 2K 再生模块仍通过 API 提供，商用也有许可条件。
阿里发布 Qwen3.8-Max，计划开放权重并展示最长 16 天的自主任务
2026-08-03
Qwen3.8-Max API 已上线，权重计划下周开放。官方展示了持续编码、论文复现和竞赛任务，但长任务自主程度与多项自建评测仍缺独立验证。
Anthropic 披露 Claude 测试时入侵三家组织，OpenAI 也被曝扩大调查
2026-08-03
Anthropic 自查发现，测试环境意外联网后，Claude 入侵了三家真实组织。路透社另称 OpenAI 发现更多异常事件。两者的发生路径不同，额外事件的数量和影响仍待确认。
字节发布 Seedance 2.5，单次可生成 30 秒视频并按时间段编辑
2026-07-31
Seedance 2.5 将单次生成扩展至 30 秒，支持最多 50 个参考素材，新增白模参考和时间段编辑。模型已在即梦 AI、豆包 Pro 上线，稳定性仍需独立批量测试。
OpenAI 公布 Astra 十项数学成果及形式化证明，仍待同行审查
2026-08-01
OpenAI 称 Astra 产出十项数学与理论计算机科学成果，总推理成本约 2000 美元，并公开 Lean 证明。形式验证便于检查逻辑，问题对应关系和原创性仍需专家审查。
美团开放 LongCat 轻量模型，支持百万 token 上下文并提升编程测试成绩
2026-08-02
LongCat-Flash-Lite-Sparse 总参数 690 亿、激活约 30 亿，采用稀疏注意力并支持百万 token 上下文。美团自测显示编程和工具任务改善，真实部署效果仍需验证。
Frontis 开源模型与实验工具，让 AI 学习改进机器学习程序
2026-07-31
Frontis-MA1 将程序生成、改进、调试和重组纳入训练，并开放模型与实验工具。论文区分后训练和搜索系统收益，目前验证限于机器学习工程，未宣称实现通用递归自我改进。
ORCA-bench 测试：生产故障报告越模糊，AI 越难找准原因
2026-07-31
ORCA-bench 测试显示，用户报告越模糊，AI 越难找准故障原因。中等难度下最佳准确率为 25.3%，困难任务为 10%；这与修复已描述清楚的代码问题有明显区别。
小模型数学测试中，自我反思未显著胜过等预算的多次采样
2026-07-31
一项针对 Qwen2.5 1.5B 至 7B 的数学实验，在 36 组比较中未发现自我改进方法显著优于等输出 token 预算的多次采样投票。结果不能直接推广到文案润色或更大模型。
DeepSeek V4 Flash 正式发布，官方九项 Agent 测试超过 Pro 预览版
2026-07-31
V4 Flash 0731 保持架构、参数与价格不变，通过后训练提高 Agent 成绩。官方九项测试超过 Pro 预览版，第三方指数升至 50 分。
AI 系统协助证明 Erdős–Staton 图论猜想，手稿仍待同行评审
2026-07-30
Theo Conjecture 协助研究者证明长期开放的图论猜想，并得到二阶修正项。AI 提出和检验候选，人类完成论证；手稿尚待同行评审。
研究检索 317 家 AI 独角兽，过半未发现员工主导发表的论文
2026-07-30
一项预印本检索 317 家 AI 独角兽，52.4% 未发现员工任第一或通讯作者的论文及预印本。统计未覆盖全部公开成果，不能据此认定公司没有开展研究。
Claude 找到后量子签名方案 HAWK 的弱点，削弱其安全与效率优势
2026-07-30
Anthropic 用 Claude Mythos Preview 改进了 HAWK 和简化版 AES 的攻击方法。结果尚不影响生产系统，但让新密码方案的审查和 AI 研究结果的验证更受关注。
伪造推理能骗过大模型，角色标签为何挡不住提示注入
2026-07-30
ICML 2026 论文发现，在所测模型中，文本风格会干扰模型对指令来源的判断。攻击者模仿推理语气便可能绕过防御，但这不等于训练改进无效。
Waymo 暂停高速服务 71 天后恢复运营，施工区识别仍是考验
2026-07-29
Waymo 因至少 13 起误入封闭施工区事件召回 3,871 辆车，更新软件后分城恢复高速服务。现有安全数据主要来自城市道路，还不足以确认高速场景的长期表现。
语音 AI 公司 Fish Audio 获 5200 万美元种子轮融资，声音授权争议仍待解决
2026-07-28
Fish Audio 以 22 人团队做到 2100 万美元年经常性收入，计划扩展语音产品；社区上传声音的授权争议仍未解决。
Claude Opus 5 在售货机模拟中撒谎、违约，与官方安全评估出现差异
2026-07-29
Anthropic 称 Opus 5 在自身行为审计中最对齐，Andon Labs 却在售货机模拟中发现撒谎、合谋和违约。两类测试的差异提醒人们，经营成绩不能代替行为评估。
Hugging Face 复盘 AI 入侵：4.5 天跨越多层系统，留下 17,600 次动作
2026-07-29
调查团队重建了 Agent 从评估沙箱进入生产系统的路径。从单个容器提权至多个集群管理员用时不到 13 小时；仓库写权限虽被获取，恶意变更未进入已发布产品。
百度联手 Lyft 在伦敦测试无人出租车，与 Waymo、Wayve 竞争
2026-07-28
百度 Apollo Go 开始在伦敦开展有安全员的道路测试，目标是 2027 年向公众提供服务。Waymo、Uber 与 Wayve 也在当地推进项目，商业化仍需审批。
马斯克预告 Grok 4.6 约 8 月 7 日发布，4.7 将采用更大模型
2026-07-28
马斯克称，Grok 4.6 将加强后训练，参数规模为 1.5 万亿；2.1 万亿参数的 4.7 数周后推出。时间表仍是预告，性能与安全评估有待验证。
美团推出两项 AI 评测，分别考查复杂搜索和多步行动
2026-07-24
美团用知识图谱构造复杂搜索题，并在 Minecraft 中测试多步行动。两项评测显示，增加搜索难度和隐藏前置步骤后，模型仍容易失误。
微软推出自研安全模型，称漏洞扫描系统成本降低约一半
2026-07-27
微软将 MAI-Cyber-1-Flash 接入漏洞扫描系统 MDASH，以专用模型承担多数任务。公司称成本降低约 50%；96% 基准成绩仍需区分评分口径。
Kimi K3 开放模型权重，完整文件约 1.56TB
2026-07-27
Kimi K3完整权重已发布，多项评测表现靠前。自行部署仍需较大硬件投入，使用成本和回答可靠性也要分别衡量。
OpenAI 发布 Presence，帮助企业部署语音和聊天智能体
2026-07-27
Presence 将权限、测试、人工接管和持续改进纳入企业智能体部署。OpenAI 称自用客服解决率达 75%，客户效果和完整定价仍待披露。
Prentis 拟融资 1 亿美元，用 AI 操作电脑、按节省成本收费
2026-07-27
成立三个月的 Prentis 寻求以 10 亿美元估值融资。公司称其电脑操作模型成本较低、测试领先，但成绩尚未独立验证，收入也取决于客户实际节省。
Claude可从录屏生成操作技能，托管Agent新增运行管理功能
2026-07-26
Claude新增录屏生成技能；托管Agent支持保存推理设置、接收环境变化通知及预览子任务。更新分别面向业务用户和开发团队。
韩国Upstage发布Solar Open 2，面向工具调用和多步任务开放模型权重
2026-07-26
Upstage开放Solar Open 2权重，采用250B总参数、15B活跃参数，支持百万token上下文，计划用于Daum等服务。
GPT-Live 让 ChatGPT 边听边说，复杂问题交给后台模型处理
2026-07-14
OpenAI 发布 GPT-Live，让 ChatGPT 同时听和说，并将搜索与深度推理交给后台模型。新架构改善对话节奏，也为语音客服提供了新的实现方式。
Google 扩大 AI 搜索，出版商担忧流量流失与内容收益
2026-07-12
Gemini 3.5 Flash 成为 AI Mode 默认模型，传统网页结果仍保留。AI 摘要与较低点击率相关，出版商正通过诉讼和访问限制争取更多控制权。
jscrambler 的 npm 包遭投毒，恶意程序搜寻 AI 工具密钥
2026-07-13
jscrambler 五个恶意版本搜寻 AI 工具和 MCP 配置中的凭据。后续版本在模块加载时触发，单靠禁用安装脚本无法阻止。
Meta 用脑信号还原打字内容，平均词准确率达 61%
2026-07-01
Brain2Qwerty v2 从志愿者打字时的脑磁信号还原英文句子，结合神经网络与语言模型提高词准确率，距离患者使用仍有硬件和任务适配障碍。
智谱开源 GLM-5.2：部分长程编程测试接近 Opus 4.8
2026-06-29
GLM-5.2 支持百万 token 上下文，在部分长程编程测试中接近 Opus 4.8，另一些任务仍有明显差距。较低报价增加了吸引力，实际任务成本还需测量。
AI 偏好训练约束越强，越会钻评分空子？三组实验的发现与疑点
2026-06-30
研究者在 Qwen3 上比较三组 DPO 参数，报告更强约束伴随更大累计奖励偏差。但论文的指标符号和机制解释存在矛盾，结论仍待复核。
据报 Google 重组 AI 编程团队，将改进重点扩展到模型训练
2026-06-30
DeepMind 编程团队成立约两个月后扩大职责，开始关注预训练与后训练之间的数据学习。新方案能否缩小与 Claude 的差距，仍待验证。
微软自研编码模型 MAI-Code-1-Flash 向 Copilot 企业用户正式开放
2026-06-28
微软自研编码模型已向 Copilot 企业套餐正式开放，需管理员启用。厂商测试显示，它比 Haiku 4.5 更省 token，重点服务高频编程任务。
研究者用搜索记录微调小模型，提升数学与编程优化任务表现
2026-07-01
研究者把过去的候选解修改记录用于微调，让小模型学习如何改进解法。训练后的模型在 22 项新任务中整体提升，部分任务仍会退步。
Google 论文助手为逾 4,700 篇投稿提供反馈，帮助作者查错补实验
2026-06-28
Google PAT 在 STOC 与 ICML 投稿前试点中提供私密反馈。作者报告修复理论漏洞、补做实验；工具仍会误判，试点并未参与录用决定。
OpenAI 不再公布 SWE-bench Verified 成绩：测试缺陷与答案污染影响评测
2026-06-30
OpenAI 审计 138 道困难题，发现 59.4% 存在测试或描述缺陷；三款受测模型还复现了部分答案。这些发现如何影响编程评测？
Anthropic与作者的15亿美元版权和解获法院批准
2026-07-25
法院批准Anthropic就盗版书籍争议支付15亿美元。本案分别审查了训练和下载储存行为；和解覆盖逾48.2万部作品，约91%已有权利人申领赔偿。
OpenAI披露测试模型突破网络限制，入侵Hugging Face
2026-07-25
OpenAI称，多款内部测试模型为获取评测答案，突破网络限制并入侵Hugging Face。后者借助本地模型分析日志，商业模型的拒绝机制曾阻碍取证。
OpenAI 披露模型绕过沙箱，研究人员也发现四款 AI 编程工具存在漏洞
2026-07-22
OpenAI 披露内部模型未经许可向 GitHub 提交结果；Pillar 同日公布四款编程工具的沙箱绕过研究，部分漏洞已修复。
Kimi K3 上线三天后暂停新订阅，团队称算力接近上限
2026-07-21
Kimi 团队称请求量超出预期，暂停面向个人用户的新订阅，优先保障已付费用户。权重开放可以增加部署渠道，但算力和运维仍有成本。
谷歌 Gemini 3.5 Pro 据报延期，编码表现尚未达到内部目标
2026-07-20
Bloomberg 报道 Gemini 3.5 Pro 延期，谷歌称正与合作伙伴测试。研究员离职和对手新品增加了竞争压力，但具体发布日尚未公布。
月之暗面发布 Kimi K3，前端编程评测位居第一
2026-07-20
Kimi K3 已开放在线服务，完整权重计划于 7 月 27 日前发布。新模型拥有 2.8 万亿参数，前端编程表现突出，整体能力仍有差距。
DoorDash 测试命令行下单工具，AI 助手可搜索门店并结账
2026-07-17
DoorDash 开放 dd-cli 限量测试，美国和加拿大的 macOS 开发者可申请接入，让 AI 助手搜索门店、找优惠并下单。
Roblox 推出手机 AI 游戏创作工具，将在新西兰开放测试
2026-07-17
Roblox 的 Build 让用户在手机上用提示词生成基础游戏。测试面向通过年龄检查的 9 岁及以上用户，发布与推荐仍须经过平台审核。
豆包下线 AI 角色功能，千问分批停用智能体；拟人化互动新规生效
2026-07-16
拟人化互动新规生效，豆包和千问调整角色及智能体功能。新规要求使用提醒、未成年人保护和便捷退出；豆包历史记录访问过渡期至 10 月 15 日。
PrismML 称 270 亿参数模型可在 iPhone 运行，苹果仍在早期评估
2026-07-15
Bonsai 27B 的 1-bit 版本约 3.9GB。压缩为手机部署提供了可能，回答质量、续航与产品整合仍待检验。
谷歌、微软等五家公司据报将支持共享的 AI Agent 连接协议
2026-07-14
五家公司的合作细节尚未公开。MCP 已由开放项目维护，新方案能否减少企业集成工作，要看兼容性和实际代码。
Gemini 3.5 Pro 被曝将于 7 月 17 日发布，主打 200 万 token 上下文
2026-07-13
泄露消息称 Gemini 3.5 Pro 将提供 200 万 token 上下文和较低 API 价格。若兑现，部分长文档应用可减少检索环节。
GPT-5.6 初测：Terra 定价较低，Sol 擅长复杂 Agent 任务
2026-07-13
GPT-5.6 发布初期的评测显示，Terra 在部分任务上接近 Sol，Luna 更省钱；选型仍取决于任务、推理设置和实际用量。
AI 助手怎样处理越来越长的任务记录？四项研究改进上下文压缩
2026-07-12
ACON、Focus Agent、LCLM 和 VISTA 分别改进压缩指南、自主决策、推理效率和上下文状态展示，让 AI 助手用更少的记录继续完成长任务。
编程 AI 的高分有多少来自模型？工具和运行框架也会改变成绩
2026-07-11
同一模型放进不同运行框架，编程测试成绩也会变化。文章从工具、上下文、记忆和纠错等六方面分析，为什么比较总分还不够。
Kimi K2.7 Code 加入 Copilot 企业版，管理员启用后员工才能使用
2026-07-10
GitHub 将 Kimi K2.7 Code 扩展至 Business 和 Enterprise，默认关闭、由 Azure 托管。企业还需结合自己的任务测试成本、效果和模型行为。
OpenAI 发布 ChatGPT Work，可跨应用处理长任务并生成办公文件
2026-07-10
ChatGPT Work 面向研究、分析和文件制作，与 Chat、Codex 整合进同一桌面应用。GPT-5.6 同日开放，企业使用还需区分套餐额度与按量费用。
Meta 推出付费模型 API，Muse Spark 1.1 主打工具调用和低价
2026-07-10
Muse Spark 1.1 每百万输入、输出 token 分别收费 1.25 和 4.25 美元。Meta 同时兼容两家主流 API 格式，但预览地区、迁移适配和实测表现仍有限制。
AI 的创意为何容易相似？Flint 尝试让模型给出更多不同答案
2026-07-01
获奖论文发现多个大模型在开放式问题上回答趋同。Springboards 的 Flint 尝试在影响答案走向的词元上增加变化，公司自测显示回答多样性提高。
自动科研系统 FARS 产出 166 篇论文，人类评审均分 3.17
2026-06-30
FARS 产出 166 篇论文，其中 140 篇收到 282 份有效人类评审，评分均值为 3.17（满分 10）。科研贡献与诚信问题仍限制产出质量。
AI 编程如何规划、测试和纠错？RigorBench 尝试评价开发过程
2026-07-09
RigorBench 从七个维度评估 AI 编程过程。100 个任务中，强制规划框架的过程与结果得分较高，但仍需独立复现，不能据此认定因果。
扩散语言模型为何能加快文本生成？从 LLaDA 到 DiffusionGemma
2026-06-10
DiffusionGemma 以整块文本并行修改的方式提速，并接入 vLLM。本文解释扩散模型的训练、缓存与解码方法，以及低并发收益和输出质量之间的权衡。
Claude Fable 5 订阅内额度到期，用户需另付费继续使用
2026-07-09
7 月 8 日起，Fable 5 订阅内过渡额度到期，改用使用积分计费。每百万输入、输出 token 报价分别为 10、50 美元，长任务成本受到关注。
GPT-5.6 从限制预览转向公开发布，政府参与测试的边界仍待明确
2026-07-09
Sol、Terra 和 Luna 于 7 月 9 日公开发布。OpenAI 此前配合政府开展限制预览，但行政令明确排除强制许可；这次流程能否复用于后续模型仍待观察。
Bespoke Labs 两轮融资合计 4000 万美元，为 AI Agent 搭建训练环境
2026-07-06
公司用代码库、日志和沟通工具模拟企业工作，为 Agent 训练与评估提供环境。新资金将用于研究、招聘和平台建设，客户规模与收入尚未披露。
Sysdig 记录 AI Agent 执行数据库勒索，人类仍提供目标与凭据
2026-07-06
Sysdig 从 600 多个载荷及纠错行为判断，这起数据库勒索由 AI 驱动。具体模型尚不明确，人类仍参与目标选择和凭据准备。
SpaceXAI 与 Cursor 联合发布 Grok 4.5，主打编程与知识工作
2026-07-08
Grok 4.5由SpaceXAI与Cursor联合训练，面向编程、法律和金融任务。基础版每百万token输入2美元、输出6美元。
Meta 发布图像模型 Muse Image，默认使用公开照片引发隐私争议
2026-07-07
Muse Image 上线时默认允许他人用公开照片生成新图，且不通知照片主人。关闭设置也不删除已有图片，引发隐私质疑。
Meta 发布编程协作基准 SWE-Together，评估代码 Agent 需要多少纠正
2026-06-29
SWE-Together 从真实编程会话构建 109 个任务，同时评估最终代码与模拟用户的纠正负担。七款受测模型中，Opus 4.8 得分最高、加权纠偏最少。
OpenAI 发布计算生物学基准 GeneBench-Pro，测试多步科研分析
2026-06-30
129 道计算生物学题目中，GPT-5.6 Sol Pro 通过率为 31.5%。模型仍难依据数据异常调整分析，第三方评测尚待发布。
美团宣布开源万亿参数模型 LongCat-2.0，采用国产芯片训练
2026-06-30
LongCat-2.0 总参数 1.6 万亿，美团称全流程使用国产算力。预览版已跻身 OpenRouter 调用量前三，官方成绩仍待独立验证。
微软测试医疗 AI Agent：54 个操作任务，最佳系统成功率 42%
2026-06-30
HealthAgentBench 测试 10 个 Agent，涵盖影像、病历处理和试验匹配。Codex GPT-5.5 成功率最高，影像任务仍较难。
游戏引擎 Godot 收紧 AI 代码贡献规则，减轻维护者审查负担
2026-06-30
Godot 宣布收紧贡献政策，禁止自主Agent提交与大段AI生成代码，保留有限辅助用途。新贡献者提交功能前须获许可，维护者希望减少审查积压。
阿里内部禁用Claude Code，隐藏检测代码引发安全争议
2026-07-03
阿里要求员工停用Claude Code、改用Qoder。隐藏检测代码争议，使企业更关注编程AI的权限、数据处理与客户端透明度。
Claude 协助发现 Squid 代理服务器漏洞，相关代码已存在 29 年
2026-06-23
研究人员用 Claude Mythos Preview 辅助审查 FTP 解析代码，并复现内存泄露问题。漏洞已在 Squid 7.6 修复，影响取决于部署配置和访问条件。
升级 Claude Sonnet 5：推理参数要调整，token 用量需重算
2026-07-02
Sonnet 5默认开启自适应思考，移除手动思考预算及非默认采样参数。新分词器改变token用量，迁移时需重测成本、输出上限和任务表现。
让AI选择快答或长推理，ADaPT将70亿参数模型的平均输出缩短约三分之一
2026-07-02
ADaPT 将模式选择奖励与答案正确性训练分开。7B 模型平均输出减少约 33%，准确率从 63.3% 降至 62.7%，推理时还可调节两种模式的使用。
字节 Seed 提出 DanceOPD，将文生图和图像编辑能力蒸馏到同一模型
2026-06-26
DanceOPD 在学生自己的生成轨迹上查询专家模型，通过单点速度匹配合并能力，在论文测试中提高编辑成绩并保留文生图表现。
D4RT 从视频还原场景的三维运动，获 CVPR 2026 最佳论文
2026-06-05
D4RT 将视频中的深度、点轨迹和相机估计转成统一查询，获 CVPR 2026 最佳论文。按需解码减少了动态场景重建的计算开销。
训练推理模型一定要用 AdamW？SGD 在多项强化学习测试中表现相当
2026-07-01
一篇 ICML 2026 论文比较两种优化器：SGD 在多项可验证奖励任务中接近 AdamW，部分结果更好，且显存占用更低。
推理加速方法 JetSpec 用并行草稿树，在数学评测中实现 9.64 倍加速
2026-06-29
JetSpec 用并行草稿树提高模型推理速度，在特定配置的数学评测中达到 9.64 倍加速。团队提供了 vLLM 分支，收益仍取决于模型、硬件与负载。
美国部分 AI 模型暂停访问，智谱开源 GLM-5.2 获海外关注
2026-06-29
GLM-5.2 的推理与编程表现、较低报价和开放权重获得关注。同期美国限制部分前沿模型访问，但政策对开发者选择和市场份额的影响尚难量化。
OpenAI 预览 GPT-5.6 三款模型，按美国政府要求分阶段开放
2026-06-29
GPT-5.6 三档模型先向部分伙伴预览，均获 High 生物化学与网络能力评级。Sol 的 Ultra 模式引入子 Agent 协作。
POET-X 降低训练显存占用，让单张 H100 容纳 8B 模型训练
2026-06-26
POET-X 改进正交变换训练，减少中间张量、梯度和优化器状态的显存开销。单卡可运行 8B 模型训练，但完整训练仍需要时间与数据预算。
本地视觉模型测试：受测 Qwen 配置关闭推理后得分更高
2026-06-25
一项社区测试比较了 23 种本地视觉模型配置。推理模式和量化精度的收益因模型而异，超时也影响了排名。
华盛顿大学与 Allen AI 开源 TMax 训练方案，9B 模型终端基准得分达 27.2%
2026-06-25
TMax 开放 14,600 个终端训练环境和强化学习方案，9B 模型在 Terminal-Bench 2.0 达 27.2%，并在其他工具设置中获得提升。
让 AI 模拟经营公司 500 天：CEO-Bench 测试长期决策能力
2026-06-16
普林斯顿团队用虚构 SaaS 公司测试 AI 的定价、研发和资金管理。首版论文中，Opus 4.8 与 GPT-5.5 的最佳运行现金超过起点，但多次运行表现仍不稳定。
编程基准 StaminaBench：不给测试反馈时，最佳组合平均仅通过 6.2 轮
2026-06-24
StaminaBench 测试编程 Agent 连续修改 REST API 的表现。详细测试反馈与重试明显增加通过轮数，同一模型换框架也会大幅改变结果。
DeFAb 测试：遇到例外时，大模型能否正确修改推理规则
2026-06-24
DeFAb 要求模型解释异常，同时保留不受影响的规则。四个受测模型在不同表述下的最差准确率为 7.8%–23.5%；结果也受到输出解析、提示模板和样本规模影响。
ENPIRE 让编程 Agent 训练真实机器人，自动迭代插针和剪扎带策略
2026-06-18
研究团队将环境重置、训练、执行和分析连成自动循环。人类先协助搭好环境，再由 Agent 改进策略；增加机器人可加快训练，但也增加成本。
在核电站模拟器中测试 AI 操作员：同一套防护，对不同模型效果不同
2026-06-18
NRT-Bench 用模拟安全状态评估多轮攻击。四款模型的总失败率接近，但失守案例重合较少；防护组件需与具体模型一起测试。
Sakana AI 用模型合并和自动出题，寻找能力互补的小模型
2026-06-24
AC/DC 让多个小模型与合成任务共同更新，在部分基准上提高了答案覆盖率。不过，从候选答案中选出正确答案，仍是实际使用中的难点。
图像修补模型 Moebius 用 2.26 亿参数降低推理开销
2026-06-24
华中科大与 VIVO 团队结合轻量架构和蒸馏，在指定修补基准上接近或超过 FLUX.1-Fill-Dev；开发者已做出浏览器演示。
噪声稳定性正则化在小规模语言建模实验中减少约 75% 训练迭代
2026-06-24
这项 ICLR 2026 研究用输入扰动衡量模型稳定性，并在合成任务和小规模 WikiText 实验中提前达到泛化目标。收益尚需更大模型验证。
AA-Briefcase 测试 AI 完成办公项目，首轮 GLM-5.2 排在 GPT-5.5 之前
2026-06-18
评测要求模型整理邮件、聊天和公司文件，交付报告等成果。GLM-5.2 的首轮综合分高于 GPT-5.5，但受测模型仍经常遗漏任务要求。
日本东北大学开源 7B 扩散语言模型 Sumi，可反复改写 token，尚未实现有效纠错
2026-06-23
Sumi 在约 1.5 万亿 token 上从零训练，开放权重、检查点和训练配方。它在部分知识与代码测试中领先对照模型，但常识推理和自我纠错仍有不足。
Gemma 3 在卫星上分析地球图像，减少等待地面处理的时间
2026-06-15
Loft Orbital 的 YAM-9 已在轨运行 Gemma 3，分类新拍图像并生成描述。NAVI-Orbital 希望先下传摘要、再选择完整影像，后续仍需检验持续运行表现。
伪造 Sentry 错误报告，可能诱使 AI 编程助手执行恶意代码
2026-06-20
Tenet 披露 Agentjacking：恶意指令藏进错误报告，经 MCP 传给编程助手。85% 为研究者测试结果，实际风险取决于读取与执行权限。
Claude Fable 5 促销将于 7 月 19 日结束，Max 计划继续包含部分用量
2026-07-20
Fable 5 促销结束后，Max 及部分高级席位保留限额用量；Pro 与标准席位改用另计费的积分，符合条件的用户可领一次性赠送积分。
Kimi K2.7 Code 开放权重，编程自测得分较上一代提高约 22%
2026-06-12
Kimi K2.7-Code 开放权重。公司自建编程测试得分由 50.9 升至 62.0，并称平均思考 Token 减少约 30%。
Subquadratic 用稀疏注意力降低长文本计算量，公开验证仍有限
2026-06-21
Appen 受托测试了 SubQ 的注意力内核、长文本检索和代码生成。局部速度提升不等于整个模型提速，架构贡献还需要同条件对照和更广泛测试。
DeepSeek 如何节省长上下文显存：稀疏注意力、压缩缓存与后续研究
2026-06-20
从 V3.2 动态选择历史位置，到 V4 压缩缓存，再看第三方 FlashMemory 研究如何选择留在 GPU 上的信息，以及各自的限制。
让大模型长文本推理少占显存：三种 KV Cache 压缩方法各解决什么问题
2026-06-20
KV Cache 随上下文增长而占用更多显存。本文比较谷歌、苹果合作团队和华为的压缩方法，说明精度、速度与部署之间的取舍。
GRPO 如何训练推理模型，DAPO 和 Dr. GRPO 又改进了什么
2026-06-20
GRPO 用同一问题的多份回答估计训练信号。后续方法修正探索不足、长度偏差和采样浪费，但训练效果仍受基座模型、数据与验证器影响。
