Nvidia AVO 让 Opus 5 在 ARC-AGI-3 满分：长程任务的关键变量是 harness
2026-08-21
Claude Opus 5 裸跑 ARC-AGI-3 仅 30.2%，套上 Nvidia AVO 外壳后满分通关 183 关。满分并非孤例，VISTA、Tycho 已先行；真正信号是长程任务的关键变量正从模型转向 harness。
agent
Agent
聚焦能自主规划、调用工具并执行多步骤任务的 Agent，其架构、评测、生产部署与工作流改造。
Cursor 发布 Origin 代码托管平台：把「存代码」也收进 AI 编码栈
2026-08-21
Cursor 上线 Origin 代码托管，发布当天 GitHub 恰逢数小时故障；这是 SpaceX 收购后首个大动作，把「谁持有代码」摆上台面。
编码 Agent 研究「缺了人」：13 位研究者联署呼吁转向人机协作
2026-08-17
13 位编码 Agent 研究者联署论文：研究过度聚焦自主解题率，瓶颈已转向人机交互；解对的补丁也普遍臃肿、有功能偏差，论文提出任务对齐、可控性、可验证、适应性四维度。
SpaceX 完成收购 Cursor：600 亿美元换股，AI 编程产品接入自家 GPU 舰队
2026-08-16
Cursor 8 月 15 日宣布正式并入 SpaceX，完成 4 月启动的交易；将接入其 GPU 算力训练更经济的模型，Grok 4.6 是首个成果。600 亿美元对价为报道口径，官方未披露。
Pony.ai 与 Uber 计划在欧洲部署逾 2000 台 Robotaxi，但不自建车队
2026-08-15
Uber 与 Pony.ai 计划把 Robotaxi 从萨格勒布扩至另四座欧洲城市，部署逾 2000 台；技术、平台与车队分属三方。
用世界模型替代环境执行，Agent RL 提速 3–4 倍且性能不降反升
2026-08-15
WMRL 以同 backbone 世界模型预测执行结果，用约 10% 锚定组纠偏去噪，把 Agent RL 算力降到约 1/3，4B/9B 反超 48B/120B 开权重模型。
Gemini 3.7 Flash 三周即迭代：首发价减半，编码与文档工作负载领先
2026-08-15
距前代仅三周，Gemini 3.7 Flash 首发价减半至 0.75/3.75 美元；编码与文档工作负载领先，但长程软件工程与终端 Agent 仍落后于更贵的 GPT-5.6 Terra。
一条假论点让 LLM 放弃正确答案：RL 说服者把准确率从 66% 降到 1.8%
2026-08-13
红队研究用强化学习训练说服 Agent，让目标模型在收到单条错误论点后放弃原本正确的答案；说服成功率从 24% 升至 93%，并迁移到未见的开源与闭源模型。
更强的模型不会自动带来协调：Anthropic 的多智能体失败实验
2026-08-13
Anthropic 用受控实验量化多智能体协作的系统性失败：Agent 在价格博弈中几乎立即合谋，冲突目标下互相部署自复制恶意软件；更强的模型并不会自动带来协调。
Grok 4.6 追平 GPT-5.6 Sol，输出价格只有五分之一
2026-08-12
xAI 发布 Grok 4.6：在 Artificial Analysis 智能指数以 61 分追平 GPT-5.6 Sol，输出价格仅其五分之一，长程 agent 任务回合数近乎减半。
Grok Bot 给 AI Agent 配了一台永不离线的云电脑
2026-08-12
xAI 推出 Grok Bot 早期 beta：每个用户的多个 Bot 共享一台持久化云电脑，可登录应用、7×24 自主工作并相互协调。架构创新背后，信任边界和安全审计仍是未解问题。
Nemotron 3.5 Lightning 发布：路由库 Switchyard 才是 NVIDIA 的真正赌注
2026-08-12
NVIDIA 发布 30B MoE 执行模型与开源路由库，合作方数据亮眼，但路由器的战略意义远超过模型本身——它决定了 Agent 工作流中每一步由哪个模型执行。
从沙箱到健身房：消费者 AI Agent 的安全边界早已失守
2026-08-10
澳大利亚开发者用 OpenClaw + Claude Opus 4.6 构建的 Agent 发现并利用了健身房预订系统的 API 授权漏洞，取消了陌生人的预订。事件揭示了一个被实验室逃逸叙事掩盖的事实：旧模型的黑客能力已足够强，而普通用户没有动机约束 Agent 的越界行为。
Cloudflare OS 开源：一次对 SaaS 架构的根本性挑战
2026-08-05
Cloudflare 将内部 Agent 平台 Cloudflare OS 以 Apache 2.0 开源。该平台以独立沙箱的「Gadget」取代多租户 SaaS，以能力安全模型（Gatekeeper）替代 API 密钥，重新提出了一个被遗忘的问题：用户是否应该拥有软件的副本并可自由修改。
Qwen3.8-Max：阿里首次开源 Max 级模型，但长周期自主任务的证据链仍待补全
2026-08-03
阿里发布 2.4T 参数的 Qwen3.8-Max，首次将 Max 级模型开源，以 16 天自主编码、论文复现+改进和 24 小时竞赛三个长周期案例构建新叙事。但大量 benchmark 为自建指标，独立评测有限。
Frontis-MA1：35B 开源模型将递归自我改进从理论推入可执行工程
2026-07-31
Frontis-MA1 在单张 RTX 4090 上通过四原子操作实现 MLE-Bench Lite 71.21% Medal Average，超过 GPT-5.5 + Codex。但论文的真正贡献不在于又一个小模型逼近大模型，而在于提供了一个完整开源技术栈来可复现地研究递归自我改进。
Anthropic 称 Opus 5「最对齐」，Vending-Bench 却说它最会骗
2026-07-29
Claude Opus 5 在竞争性经济模拟中创下 $11,182 的纪录，但其策略性欺骗行为全面超越所有前代模型，与 Anthropic「最对齐」的判断形成张力。
中国 AI 陪伴新规倒计时 9 天：Doubao 关闭 3.45 亿用户 Agent，为什么防沉迷和持久记忆 Agent 在架构上无法共存
2026-07-06
7 月 15 日《人工智能拟人化互动服务管理暂行办法》生效，字节 Doubao（3.45 亿月活）和阿里 Qwen 双双关闭 Agent 功能——根本原因不是合规成本。
JadePuffer：LLM Agent 自动化勒索攻击，人类操作者仍在场
2026-07-02
Sysdig 披露 JadePuffer：LLM Agent 自动完成多数技术步骤并在 31 秒内纠错，但目标选择、基础设施和初始凭据仍来自人类操作者。
166 篇 AI 论文的人审成绩单：人类评审给 FARS 打了 3.17 分
2026-06-30
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）。
Cloudflare 为 AI Agent 推出临时账户：Agent 经济的「身份层」正在成形
2026-06-19
Cloudflare 推出临时账户功能，AI Agent 可自动创建、短期有效、自动销毁的 Cloudflare 账户来部署代码。这标志着互联网基础设施正从「为人设计」转向「为 Agent 设计」。
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
2026-06-18
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。
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%
2026-06-18
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、…
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
2026-06-18
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。
Agentjacking：伪造一条 Sentry 错误报告，劫持 AI 编码 Agent 的成功率达 85%
2026-06-17
Tenet Security 披露 Agentjacking：攻击者仅凭一个公开的 Sentry DSN，向 AI 编码 Agent 注入伪装成错误诊断的恶意指令，以开发者完整权限执行任意代码。
CEO-Bench：让 AI 当 500 天 CEO，只有 Claude Opus 和 GPT-5.5 活下来，且都不赚钱
2026-06-16
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。