Carbon-A开放5.66亿个基因候选与跨物种注释模型
10月8日，Hugging Face Biology Research发布1.2B参数的Carbon-A及Carbon Annotation Database。模型直接从DNA预测蛋白质编码区域，已处理48,167个基因组组装、22,617个物种和约27万亿碱基对，给出5.66亿个候选编码位点；在42个基准基因组上的宏平均核苷酸F1为0.944。它把基因组研究的瓶颈从“读出序列”推进到“批量生成可实验验证的注释假设”。
团队还用PacBio Iso-Seq检查猫、仓鼠、鸡和拟南芥中的部分预测，发现若干RefSeq未收录位点存在转录证据。但这只能支持RNA及外显子结构，尚不能证明其会翻译成蛋白质或具有具体功能；5.66亿应理解为候选位点，不是已确认的新基因。模型、训练数据和数据库均已开放，后续仍需蛋白质组学和功能实验缩小候选集。
Google把企业Agent收束为单一入口
10月8日，Google Cloud发布Gemini agent，把问答、知识工作、媒体生成、代码执行和长时任务统一到一个入口，并可在Workspace、Microsoft 365、Slack、命令行及无界面模式间共享记忆和上下文。它能动态创建临时子Agent，并用身份、授权、沙箱、网络网关与实时支出上限约束执行。变化不在新增一个聊天框，而在把企业Agent的入口、执行状态和治理面合并为同一产品边界。
OpenAI封禁两起“假前台”影响行动
10月8日，OpenAI封禁来自俄罗斯和伊朗的两组隐蔽影响行动。俄方借拉美“研究中心”和不知情员工经营前台，伊方以7个虚假记者身份向中小媒体投稿；两组行动还用模型批量评论、写内部报告和包装影响力。OpenAI称它们已把内容投进外部媒体，而非只在自营账号传播。案例显示AI主要降低写作、翻译和批量运营成本，信任突破口仍是编辑部、雇员与真实机构。
Anthropic把Claude带进关键基础设施防御
10月8日，Anthropic启动Cyber Mission，首批同时覆盖电网、水务、交通等运营技术和开源软件。关键基础设施计划联合11家安全、咨询与工业厂商，提供Claude、驻场工程师和威胁研究；OSS Scanner则向开源项目免费提供定期漏洞扫描。官方同时承认，发现漏洞已变容易，验证、排序和修补才是当前瓶颈，因此项目成效要看修复闭环，而不是扫描数量。
Anthropic三年投入1.5亿美元支持美国科研
10月8日，Anthropic承诺未来三年向美国联邦Genesis Mission投入1.5亿美元，为NASA、NIH、NSF等15个以上机构的数百个项目提供Claude、Claude Code、API额度、培训和技术支持，重点含聚变与量子计算。这不是新的模型能力发布，而是把模型访问、工程支持和机构采购打包进入国家科研基础设施；实际科研产出仍取决于项目选择与验证流程。
腾讯云下线三档GLM旧模型并自动迁移
腾讯云已于10月9日零时下线TokenHub中的GLM-5、GLM-5-Turbo和GLM-5.1。按量用户会自动切换至GLM-5.3并按新模型计费；GLM-5.1批量推理服务则直接停止，不提供自动迁移。对生产调用方而言，这次变更的风险点不是接口名称本身，而是自动切换后的质量、价格和短暂超时都需要重新验证。
LightOnOCR-3把转写、版面与图表合成一个模型
10月8日，LightOn开放0.8B、1B和4B三档LightOnOCR-3，统一输出文本、区域框、图片描述与图表表格，采用Apache 2.0许可。其自测中，4B版在olmOCR-Bench得86.3分，比35.1B参数的Infinity Parser Pro低1.3分；相同4B架构下比Chandra 2单页快19%。不过不同系统的输入分辨率、提示词和格式归一化会改变成绩，不能只看总分判定通用领先。
OnTrack用早期轨迹拦截失败Agent
10月8日，OnTrack不再让第二个LLM逐步审核，而是把实时工具调用与成功轨迹的结构进行流式比较，单步约1毫秒。SWE-bench实验中，它仅看前8步就比内容相似度方法多0.057 AUROC；启用中止策略后节省约18%的失败运行计算，6次中止有5次确实指向失败。样本规模很小，结果说明的是低成本预警可行，不是通用可靠性已解决。
安全总分可能混淆不同拒绝行为
10月8日，研究者用心理测量方法审计HELM Safety中的“有害请求拒绝”。四个候选数据集中三个已接近饱和；剩余HarmBench的题目反应分析显示，它不能被稳定解释为单一拒绝能力，且同等能力的不同开发者模型仍会因题目类型得到不同分数。结论不是安全评测无效，而是汇总分在比较模型前应先证明测量的是同一属性。
一个选项名即可让Agent护栏放行
10月8日，研究测试7个开放权重决策模型作为Agent“允许/阻止”护栏，三类筛查准确率仅36%至72%。在合成工具调用中，加入六行与政策无关的服务器日志，可把原本判断正确的护栏漏放率从0推到63%；给“允许”选项换一个误导性名字后，4个把标签放入输入的模型漏放率升至93%—100%。这暴露了把自然语言选项当成类型系统的根本脆弱性。
多Agent轨迹被用于递归自我改进
10月8日，MASS让同一基础模型交替搜索多Agent工作流，再用自生成轨迹做监督微调。Qwen3.6-27B经过两轮后，在4个开放式基准上的单位输出Token表现提高到1.2—1.6倍；由多Agent轨迹训练的学生模型还超过使用1.4倍训练Token的单Agent学生。由于优化者与评估者仍来自同一模型体系，这证明的是样本效率和编排收益，不能单独证明能力会持续无上限提升。
JSON准确率损失取决于字段顺序
10月8日，Structure Tax在多模型、数据集和Schema上比较自由文本与结构化输出，发现性能下降并非结构本身必然造成。把“推理”字段放在“答案”之前可持平甚至超过自由文本，而答案优先的Schema对小模型伤害尤其明显。对依赖JSON工具调用的团队，这意味着Schema不仅是接口契约，也会改变模型的推理路径；论文结论仍需在具体模型和任务上复测。
Agent护栏漏掉了“应该做却没做”的动作
10月8日，ObligationBench把安全检查从禁止动作扩展到未履行义务。研究者称，在一个既有基准中，56.92%的GLM-5.3轨迹存在未完成的安全义务，明显高于含禁止动作的30%；新建的240条专家校验轨迹上，14个模型的最高召回率仅48.97%，精确全匹配仅10%。这提示生产护栏还要检查必要确认、回滚和验证是否缺失。
LEVER在搜索过程中同时优化证明成本
10月8日，LEVER把证明长度、计算成本和主题纯度写进AND/OR证明图的搜索目标，而Lean内核继续负责正确性。在同等预算的PutnamBench实验中，它把解题率从强单会话Agent的80%提高到96%，成本降低34%；对主题偏离的改善也高于事后重构。价值在于把“找到任意正确证明”改成可编程的质量—成本权衡，但结果目前限于Lean 4与该基准。