Kimi K2.7 Code 进入 Copilot 企业版：开放权重模型的合规与成本双刃剑
2026-07-10
月之暗面 Kimi K2.7 Code 于 7 月 7 日进入 GitHub Copilot Business 与 Enterprise，成为模型选择器中首个开放权重选项，Copilot 五家实验室阵容首次覆盖中国 AI 公司。
ChatGPT Work 发布：OpenAI 把聊天机器人变成了能独立工作数小时的办公智能体
2026-07-10
OpenAI 发布可跨应用执行多步骤任务的 ChatGPT Work，底层由 GPT-5.6 系列模型驱动，Codex 并入 ChatGPT 桌面端，向企业办公自动化发起全线进攻。
Meta 首次对 AI 模型收费：Muse Spark 1.1 以「四分之一价格」杀入 API 市场，开源旗手的战略转折
2026-07-10
7 月 9 日 Meta 发布 Muse Spark 1.1 并同步推出付费 Meta Model API，定价 $1.25/$4.25 每百万 token，约 OpenAI/Anthropic 的四分之一。这是 Meta 首次对 AI 模型访问收费，标志着从开源免费到付费变现的战略转折。
为什么每个大模型都在说「时间是一条河流」：LLM 同质化危机与一家澳洲小公司的破局实验
2026-07-09
NeurIPS 2025 最佳论文揭示：25 个不同大模型在开放式问题上显著趋同。澳洲创业公司 Springboards 推出 Flint 模型，用「关键 Token 定向注入随机性」替代全局调温，多样性翻倍而不牺牲基准性能。
166 篇 AI 论文的人审成绩单：人类评审给 FARS 打了 3.17 分
2026-07-09
Analemma 的全自动科研系统 FARS 在首次大规模公开部署中产出 166 篇论文，282 次人类评审给出平均 3.17 分（满分 10）。AI 评审系统此前给出的乐观分数被大幅修正，揭示了自动化科研在贡献深度与实验严谨性上的真实短板。
AI 编程智能体首次被审视「怎么写代码」：RigorBench 揭示过程纪律让正确率提升 30%
2026-07-09
现有基准只看代码能不能跑，RigorBench 首次从七个维度衡量 AI 编程智能体的工程过程纪律，发现工具型框架无济于事，而规划强制的 harness 使过程质量提升 33%、结果正确率提高 30%。
Fable 5 正式开启付费：$10/$50 的「AI 法拉利」能否撑起 Anthropic 的 IPO 叙事
2026-07-09
7 月 8 日起 Anthropic 旗舰模型 Fable 5 全面转为积分计费，单次编程会话可耗费 $100。在 10 月 IPO 前，这场「性能溢价」实验将检验 Anthropic 是否具备真正的定价权。
GPT-5.6 全球公开发布：前沿模型首次走通「政府预审→全民访问」路径
2026-07-09
7 月 9 日 OpenAI 向全球公众开放 GPT-5.6 三个变体，标志着 6 月行政令下的自愿预审机制从应急措施走向常态化。Sol 定价 $5/$30 直面 Fable 5 的 $10/$50。
SpaceXAI 发布 Grok 4.5：$600 亿收购 Cursor 后首个联合模型，以性价比挑战 Opus 和 GPT-5.5
2026-07-08
Grok 4.5 是 SpaceXAI 与 Cursor 联合训练的首个模型，Musk 称其「Opus 级别」但更快更便宜，瞄准编码、法律和金融场景而非通用聊天。
Meta 发布 Muse Image：首个自研图像模型上线即陷隐私风暴，用户照片默认可被他人 AI 篡改
2026-07-07
7 月 7 日 Meta 推出由 Alexandr Wang 领导的 MSL 打造的首个自研图像模型，免费接入 Meta AI、Instagram 和 WhatsApp，但「标记他人照片即可 AI 生成」的 opt-out 默认机制正在引爆新一轮隐私危机。
JADEPUFFER：首例全自主 AI 勒索软件攻击全记录——600+ 载荷、31 秒自我纠错、赎金交了也白交
2026-07-06
Sysdig 记录下首例端到端由 AI Agent 独立执行的勒索软件攻击。Agent 完成侦查、横向移动、加密、销毁全流程，并将加密密钥随机生成后直接丢弃。Agent 勒索时代不再只是预警，而是已发生的事实。
Bespoke Labs 融资 4000 万美元：Agent 后训练基础设施成为 AI 栈第三层
2026-07-06
Bespoke Labs 完成 4000 万美元种子轮+Series A，Jeff Dean 与 Anthropic 天使参投，标志 Agent 后训练环境正从手工作坊走向工业化。
阿里内部禁用 Claude Code：代码 Agent 的企业安全边界开始收紧
2026-07-03
从 7 月 10 日起阿里将禁用工位上的 Claude Code，这不止是中美 AI 争端升级，更标志着企业开始对代码 Agent 执行安全准入评估。
Sonnet 5 的三个「破坏性」设计：当 Anthropic 夺走了温度旋钮
2026-07-02
自适应思考取代手动推理预算、移除 temperature 等采样参数、新分词器暗藏 30% 成本——Sonnet 5 的三个架构决策正在重新定义开发者与模型的交互范式。
ADaPT：让推理模型学会「该快则快，该慢则慢」——Token 级双过程框架破解 CoT 的效率困局
2026-07-02
复旦大学等机构提出 Adaptive Dual-Process Thinking (ADaPT)，通过 Token 级解耦效率信号与正确性信号，让单个推理模型在推理时平滑调节效率-性能权衡，无需训练多个模型或牺牲推理质量。
DanceOPD：字节跳动 Seed 团队让一个模型同时搞定文生图、编辑与更多——多能力生成的「蒸馏统一」之路
2026-07-02
字节跳动 Seed 与学术界合作提出 DanceOPD——On-Policy Generative Field Distillation 框架，将多个专家模型的能力蒸馏到一个流匹配学生模型中，登顶 HuggingFace trending 论文榜。
「我们真的需要 Adam 吗？」——ICML 2026 最叛逆论文用 SGD 挑战十年优化器共识
2026-07-01
ICML 2026 即将在首尔开幕，一篇 Oral 论文发现经典 SGD 在 LLM 强化学习阶段能匹配甚至超越 AdamW，且仅更新不到 0.02% 的模型参数，可能颠覆 AI 训练中近十年「Adam 是默认选择」的共识。
Godot 禁收 AI 代码：开源维护者开始反击「Agent PR 洪水」
2026-06-30
Godot 基金会发布新贡献政策，禁止自主 AI Agent、大段 AI 生成代码及 AI 生成的人际沟通文本，开源治理的 AI 外部性开始显性化。
HealthAgentBench：医疗 Agent 评测从问答题走向真实临床工作流，最强模型仅 42% 成功率
2026-06-30
微软发布 HealthAgentBench，54 个 agentic 医疗任务覆盖 7 类临床环境，Codex GPT-5.5 仅达 42% 成功率，影像任务仍是核心瓶颈。
LongCat-2.0：美团开源 1.6T MoE 模型，国产芯片训练、匿名登顶 OpenRouter 后亮明身份
2026-06-30
美团以 MIT 许可证开源 LongCat-2.0，1.6T 参数、48B 激活、1M 上下文，SWE-bench Pro 59.5% 超越 GPT-5.5，且完全由中国国产 ASIC 集群训练——此前以「Owl Alpha」匿名身份登顶 OpenRouter 开发者使用榜数周。
OpenAI 发布 GeneBench-Pro：AI 生物学的「SWE-bench 时刻」正在到来
2026-06-30
129 道研究级计算生物学题目，GPT-5.6 Sol 仅通过 31.5%。OpenAI 与 Anthropic 在一周内相继发布生物学基准与产品，编程之后的第二个「基准战场」正式成形。
D4RT：用单一 Transformer 统一解决 4D 动态场景重建——Google DeepMind 联手牛津、UCL 斩获 CVPR 2026 最佳论文
2026-06-30
CVPR 2026 最佳论文 D4RT 用一个统一的 feedforward Transformer 同时从单段视频中推断深度、时空对应关系和相机参数，替代了传统多阶段 4D 重建管线。来自 Google DeepMind、牛津大学和 UCL 的联合团队。
Meta 开源 SWE-Together：代码 Agent 评测从「一次性交卷」走向「多轮协作」，Opus 4.8 所需纠偏最少
2026-06-29
Meta 从 11,260 次真实编程会话中精选 109 个仓库级任务，用 LLM 用户模拟器回放多轮交互。Claude Opus 4.8 以 63% pass@1 和最低 User Correction 1.38 领先，但距离参考基线仍有 15 个百分点的差距。
JetSpec：让 LLM 推理加速 9.64 倍的「并行树起草」，如何突破推测解码的 scaling 天花板
2026-06-29
UCSD Hao AI Lab 提出 JetSpec，通过因果并行树起草同时优化草稿成本与质量，在 MATH-500 上实现 9.64 倍端到端加速，且已集成 vLLM。论文揭示推测解码存在 scaling ceiling：增大草稿预算只在接受率高且草稿成本低时有效。
GLM 5.2：中国开源模型触发第二次「DeepSeek 时刻」——而美国出口管制正在助推它
2026-06-29
智谱 GLM 5.2 在 BridgeBench 推理上击败 Fable 5，成本仅为美国前沿模型的 1/10，速度 300 token/s——在美国出口管制刚刚收紧之际，中国 AI 用开源给出了最强回应。
GPT-5.6 三重奏：Sol、Terra、Luna 如何重新定义旗舰模型的发布逻辑
2026-06-29
OpenAI 发布 GPT-5.6 系列，首次以三款分层模型（Sol/Terra/Luna）同时亮相，全部触及「高」生物与网络安全风险阈值，并应美国政府要求仅向可信伙伴开放预览。
POET-X：一个让 8B LLM 在单张 H100 上完成预训练的「内存魔术」
2026-06-26
ICML 2026 Oral 论文 POET-X 提出正交变换训练方法，使 Llama-8B 级别模型能在单张 H100 GPU 上完成预训练——而标准 AdamW 优化器在同样条件下会内存溢出。
推理模式拖累视觉模型？社区 2070 次测试揭示：VLM「思考越多，看得越糟」
2026-06-25
一位社区开发者对 23 个视觉语言模型进行了 2070 次系统测试，发现推理模式在所有 Qwen 混合推理模型上均降低了视觉表现，MoE 架构在视觉任务上并不比小得多的密集模型更好，且 Q8 量化并非总是优于 Q4。
TMax：一个简单的 RL 配方，让 9B 模型在终端 Agent 任务上击败 3 倍大的对手
2026-06-25
Allen AI 和华盛顿大学发布 TMax——迄今最强开源终端 Agent RL 训练方案，仅用 GRPO 加少量稳定性修复，9B 模型在 Terminal-Bench 2.0 上达 27.2%，超越所有 32B 以下开源模型并逼近 Claude Haiku 4.5。
CEO-Bench：让 AI 当 500 天 CEO，只有 Claude Opus 和 GPT-5.5 活下来，且都不赚钱
2026-06-24
普林斯顿团队发布 CEO-Bench，模拟 AI Agent 运营一家创业公司 500 天：只有 Claude Opus 4.8 和 GPT-5.5 在结束时资产超过起始的 100 万美元，且两者都无法持续盈利。
StaminaBench：所有编程 Agent 撑不过 6 轮对话——vibe coding 的「耐力」现实检验
2026-06-24
Amazon Science 发布 StaminaBench，在 100 轮连续修改任务中评测编程 Agent 的「耐力」：所有被测模型 5-6 轮内全部失败，但测试反馈可将存活轮数提升 12 倍，且 harness 质量差距可达 6 倍。
DeFAb：一个 50 微秒跑完的符号逻辑求解器，让最强大模型在「可推翻推理」上颜面尽失
2026-06-24
DeFAb 基准揭示残酷对比：基于规则的符号求解器 50 微秒内以 100% 准确率解决所有推理问题，最强前沿 LLM 最高仅 65%，渲染鲁棒评估暴跌至 23.5%。CoT 方差（36pp）超过任何模型间差距。
ENPIRE：编程 Agent 自主在物理世界中训练机器人，完成插针、扎带等高难度操作，成功率 99%
2026-06-24
UC Berkeley、NVIDIA 等团队发布 ENPIRE 框架，让前沿编程 Agent 自主完成真实机器人的策略训练闭环——环境自动重置、策略迭代、物理执行、日志分析与改进——在插针盒、扎带、工具使用等灵巧操作任务上达到 99% 成功率，多机器人并行时进一步加速。
NRT-Bench：在核电站模拟器中红队测试 LLM 操作员，8.7%-12.1% 攻击成功，且同一套护栏对不同模型效果相反
2026-06-24
韩国研究者发布 NRT-Bench，在模拟核电站控制室中测试 LLM Agent 操作员团队的安全韧性。多轮自适应攻击在 8.7%-12.1% 的会话中成功突破安全边界，更惊人的发现是：四个模型的失败几乎不重叠，同一套护栏对某些模型降低攻击成功率、对另一些模型反而提高。
AC/DC：让 LLM 通过「模型合并 + 合成数据」自主进化，不再需要人工启动训练
2026-06-24
Sakana AI 在 ICLR 2026 提出 AC/DC 框架，通过模型合并与合成数据生成实现 LLM 种群的任务-能力协同进化，8 个小模型组成的集体可超越 72B 大模型，且无需针对任何 benchmark 优化。
Moebius：一个 0.2B 参数的图像修补模型，性能比肩 10B 级模型
2026-06-24
华中科技大学发布 Moebius，一个仅有 2 亿参数的图像 inpainting 模型，在多项指标上达到 10B 参数级模型的性能，为小模型在视觉生成领域树立了新标杆。
噪声稳定性正则化：让 Transformer 训练加速 75% 的简单方法
2026-06-24
ICLR 2026 论文提出「噪声稳定性正则化」，在算法任务与语言建模上分别将训练加速 35% 和 75%，并催化 grokking 现象。方法源自布尔函数分析的理论创新。
AI 发现的第 29 年老漏洞：Claude Mythos 如何在几分钟内找到了人类审查 29 年都没发现的 Squidbleed
2026-06-23
安全研究员利用 Claude Mythos 在 Squid 代理服务器中发现了一个自 1997 年就存在的内存泄露漏洞（CVE-2026-47729），可泄露 HTTP 凭证——同一模型也因「网络安全风险」被美国政府限制。
AA-Briefcase：一个全新的、未被「刷榜」的智能体评测基准，GLM-5.2 超越 GPT-5.5
2026-06-23
Artificial Analysis 发布 AA-Briefcase，一个全新的智能体知识工作评测基准，测试 LLM 在多周复杂项目中的规划与执行能力。由于基准刚发布、尚未被饱和，结果更具参考价值：Claude Fable 5 以 1587 Elo 居首，GLM-5.2 在 Agentic 能力上超越 GPT-5.5，开源模型价格优势显著。
Sumi：首个从零训练的 7B 统一扩散语言模型开源，挑战自回归模型的垄断地位
2026-06-23
日本东北大学发布 Sumi，一个完全开源的 7B 统一扩散语言模型，在 1.5T token 上从零训练，是首个在参数规模和 token 预算上均达实用级别的 UDLM。
Subquadratic 声称突破了制约 LLM 近十年的注意力瓶颈——是自 Transformer 以来最大的架构突破，还是 AI 界的 Theranos？
2026-06-21
Subquadratic 用动态稀疏注意力宣称将 LLM 推理成本从 O(n²) 降至亚二次方，Appen 独立评测数字惊人，但 Qwen 权重起点、封闭测试与社区质疑仍让「AI Theranos」标签挥之不去。
从逐 token 到并行去噪：扩散语言模型如何重写大模型推理规则
2026-06-20
Google DeepMind 发布 DiffusionGemma，标志着扩散语言模型（dLLM）从学术论文走向生产级部署。本文深度剖析 dLLM 的技术原理、训练路线图、推理加速栈，以及它为何可能成为自回归模型之外最重要的架构替代方案。
Gemma 3 上天：首个在轨运行的视觉语言 AI 模型背后的边缘计算革命
2026-06-20
Loft Orbital 的 YAM-9 卫星已在轨运行 Google Gemma 3 视觉语言模型，实现不依赖地面站的实时图像分析——AI 从云端向太空边缘延伸的里程碑。
Agentjacking：85% 成功率的新型攻击正在劫持 AI 编程助手
2026-06-20
安全研究者发现一种名为 Agentjacking 的新型攻击，通过伪造 Sentry 错误通知即可劫持 Claude Code、Cursor 和 Codex，成
Kimi K2.7 Code：月之暗面开源编程模型，推理 token 减少 30%，性能反超 21.8%
2026-06-20
Moonshot AI 发布 Kimi K2.7-Code，在 K2.6 基础上将 Kimi Code Bench v2 得分从 50.9 提升至 62.0（+
从 Lightning Indexer 到 Lookahead Sparse Attention，DeepSeek 用三代模型重写了 Transformer 注意力机制的底层规则。
2026-06-20
本文系统梳理 DeepSeek 稀疏注意力机制从 V3.2 到 FlashMemory-V4 的算法演进：DSA 的 Lightning Indexer、V4 的 CSA/HCA 混合架构，以及 2026 年 6 月最新提出的 Lookahead Sparse Attention 与 Neural Memory Indexer，揭示长上下文推理效率跃升背后的算法逻辑。
2026 年，KV Cache 压缩成了大模型推理的算法主战场——Google、Apple、华为三套方案同时逼近理论极限。
2026-06-20
KV Cache 已取代模型权重成为大模型推理的内存瓶颈。2026 年上半年，Google TurboQuant、Apple CommVQ 和华为 KVarN 三套压缩算法相继亮相，在 2–3 bit 精度下实现 6–8 倍压缩，本文从算法原理、基准对比和工程落地三个维度进行深度拆解。
GRPO 与强化微调：推理模型背后的算法革命
2026-06-20
从 DeepSeek-R1 到 DAPO、Dr. GRPO，GRPO 算法如何让大模型在无人工标注的情况下学会推理，以及社区正在如何修补它的缺陷。
