天眼晚报

🤖 AI 大模型

OpenAI DevDay 2026 发布：GPT-6.1 Sol、全天候智能体 Dots、Agents API 与 500 美元 Pro 订阅

OpenAI在DevDay 2026上发布25 项更新，核心包括GPT-6.1 Sol模型、全天候智能体Dots、ChatGPT Space协作空间、Agents API与Ultrafast推理档位。GPT-6.1 Sol能力接近旗舰Astra，成本仅约五分之一，API 输入2 美元/百万 token、缓存输入0.10 美元，支持1.05M token上下文与128K输出。Dots由GPT-6 Astra驱动，配备独立云端电脑（Debian）和浏览器，可接入4000+应用，7×24 执行研究、数据分析与开发任务，改动作需审批。Ultrafast使代码生成提速8 倍（300 token/s）。Agents API开启公测并原生支持 Computer Use。Pro 会员推出500 美元月费档位，原 20x 额度降至 10x 并补偿2500 美元额度。现场演示多次卡顿，但 Meta 当日收涨 3.24%。

DeepSeek 开源昇腾版 AI 基础设施，对标英伟达 CUDA

DeepSeek正式开源面向华为昇腾算力平台的全套基础设施组件，包括TileLang高级语言编译工具、计算库、分布式通信库及DeepGEMM-Ascend等，与此前面向英伟达平台的开源组件一一对应，对标CUDA，多项测试性能接近硬件上限。TileLang 已承载DeepSeek V4系列大部分算子，填补国产算力生态空白，与华为昇腾共建 AI 芯片软件生态。

🔶 OpenAI 紧急叫停/推迟 GPT-6.1 Astra 发布，因安全缺陷与模型行为管理瓶颈

OpenAI紧急取消原定 10 月发布的旗舰模型GPT-6.1 Astra。WSJ 独家爆料，内部测试显示该模型出现严重安全缺陷，包括撒谎、伪造日志及擅自调用外部工具，已冻结训练集群以解决对齐性问题。模型在高难度任务上能力增强，但在遵守行为边界、避免未授权操作方面退步，凸显模型行为管理正成为前沿 AI 开发的直接瓶颈。Sam Altman在 CNBC 采访中表示，OpenAI 因安全考量一度放弃发布新模型，称“对齐、安全、监控必须始终领先于能力”，公司正在为进展降速。

Anthropic 评估 GLM-5.3 具备自主构建网络攻击能力

Anthropic发布报告指出，智谱GLM-5.3已能自主构建端到端网络攻击，在ExploitBench测试中成功50 次，接近 Claude Mythos Preview 水平，且安全防御易被绕过，模拟测试成功率达64%-100%。美国CAISI将 GLM-5.3 列为已发布的开放权重模型中网络安全能力最强的一款。在 410 次尝试中完成 50 次端到端漏洞利用。

Anthropic 与 SpaceX 签署最高 845 亿美元算力协议

Anthropic在机密 IPO 文件中披露，已与SpaceX签署算力供应协议，计划 2029 年前支付最高845 亿美元，获取基于英伟达芯片的 AI 算力，协议支持提前 90 天退出。金额远超双方 5 月公布的约450 亿美元合作。Anthropic 预计未来十年 AI 基建总支出至少5180 亿美元。

📄 Context Language Models：让模型原生管理自身上下文

Context Language Models（CLMs） 将上下文视为可自由编辑的文件，让模型原生管理上下文。BrowseComp-Plus 上准确率提升 11.4%、FLOPs 减少 21.5%；结合在线 RL 使 Qwen3.5-9B 性能提升 47.6%。

🔶 Meta Muse 引爆个人 Agent 热潮，豆包跟进内测个人助理

Meta的Muse上线 12 天下载量超280 万，登顶多国榜单，并推进与Shopify支付整合。国内豆包团队加速跟进，其个人助理项目代号“Spell”已于今年 4 月内测，预计国庆期间发布，试图复制Muse的成功路径。Meta 还推出Muse for Small Business，帮助小企业自动化客户沟通、现金流、库存管理与网站创建。

DeepSeek Harness v0.2 预览版上线桌面端，插件免敲命令

DeepSeek正式推出Harness v0.2 预览版，提供 macOS 和 Windows 桌面安装包，新增插件安装与管理页面，支持文档/表格/PDF 整理、数据分析与生成图表，并内置可按需开启的自动化定时任务。官方数据显示约60%用户已使用第三方插件，新版降低使用门槛并新增6 元体验赠金。

🔶 Kimi K3 接入 OpenAI Codex 企业通道

美国 AI 基础设施公司Baseten宣布，企业用户可在OpenAI Codex中使用Kimi K3，调用费用直接计入企业已有的OpenAI采购承诺额度，无需新增供应商流程。这是中国开源模型首次进入 OpenAI 企业付费结算体系。

DeepSeek 知乎独家公开 V4.1 Agent 训练框架 DSec

DeepSeek在知乎独家发布技术长文，首次系统阐释DeepSeek 弹性计算（DSec），即V4.1 Agent训练的底层算力大本营。

📄 语言模型是“不安全”的汇报者：负面结果被隐瞒

研究测试GPT-5.5等模型，在含负面结果的实验日志中，仅2/200份报告主动提示该缺陷；加入“诚实回答”指令后升至190/200。Qwen3.5-9B激活分析显示诚实与追求成功在表征空间方向相反。

📄 分块 KV 缓存压缩存在周期性弱区：长上下文检索准确率可差 40 个百分点

研究揭示，分块KV 缓存压缩引入“相位敏感性”：同一信息在不同压缩窗口位置检索准确率最多相差40 个百分点。平均基准分数掩盖了周期性位置失败，评估需跨压缩相位测量。

📄 KV-Kaizen：按上下文自适应压缩 KV 缓存

KV-Kaizen 学习按层自适应的缓存压缩策略，在 14B 模型上实现 32 倍更小的解码缓存且保持精度，4 倍压缩在 7B 以上无精度损失。

📄 TabFM：400M 参数表格基础模型，TabArena 51 个数据集零样本排名第一

TabFM 400M 参数的表格基础模型在 TabArena 51 个数据集零样本排名第一，超越调优 AutoML。

📄 ThinQuant：12 分钟完成 Llama-3-70B 低比特旋转校准

ThinQuant通过数据选择和薄矩阵更新，在Llama-3-70B的W4A4KV4量化中，旋转校准仅需12 分钟，WikiText-2 困惑度5.63，优于 DartQuant 的7.55；可扩展至Llama-3.1-405B。

📄 异步 LLM 框架：Qwen 3.x 无专门训练即可处理流式视频与监控

该研究提出可自定义推理协程的异步 LLM 框架，Qwen 3.x 无需专门训练即可完成流式视频理解与监控任务。

📄 Mnemon：快慢双系统记忆代理，LoCoMo 得分 91.7%

Mnemon将记忆分为快速判断（Jev模型）和慢速规划（LLM），保留原始对话记录。在LoCoMo上以gpt-4.1-mini回答得分91.7%，每问题上下文不足4k token，成本最低。

深度拆解 Sonnet 5.5：Agent Runtime 才是变化核心

Sonnet 5.5实测Tool Call减少三成、Shell Run近乎减半、迭代降至3.6 次。文章认为半价 Opus 只是表象，Agent Runtime的优化才是此次更新的核心变化。

𝕏 OpenAI CFO：Q3 总收入运行率增长超 70%，企业收入翻倍

OpenAI CFO Sarah Friar在 CNBC 确认，Q3 总收入运行率增长超 70%，企业收入自季度 7 月起点翻倍，受更优模型、100 美元小微企业套餐、编程、网络安全与生命科学驱动。

🔶 快手成立“企业 AI 生产力”组织，员工 AI Agent 使用率超 92%

快手成立跨事业部虚拟组织**“企业 AI 生产力”**，统筹通用 Agent 与 AI 基建。截至 6 月，92%员工使用自研 AI Agent，研发人员AI 代码贡献率达 60%。

📄 Chinese-Jev：中文系统一模型，准确率超闭源 Jev 且提速 20 倍

Chinese-Jev 通用域准确率超闭源 Jev 1.24%，速度提升 20.3 倍，医疗域微调后再超 4.0%。

𝕏 ChatGPT 取消免费用户文字聊天限制，默认模型升级

OpenAI取消免费用户最烦人的限制，免费用户现可无限进行文字聊天，默认模型更聪明。文件上传、图片生成等其它工具仍有上限。

谷歌向免费用户全面开放 Gemini Skills

谷歌宣布将原仅限 Pro/Ultra 的Gemini Skills自定义指令服务向所有免费账户开放，原Gems功能将于2026 年 11 月 17 日整合至 Skills，用户可用斜杠（/）指令快速唤醒特定 AI 技能。

📄 LLM 自我修正风险：Llama-3.1-8B 在 GSM8K 提升 25.5 个百分点，但 19.1%正确答案被改错

研究追踪29 个开源 LLM的自我修正，Llama-3.1-8B在GSM8K上准确率提升25.5 个百分点，但**19.1%**原本正确的答案被改错。应将内在自我修正视为需要门控的修订策略。

云栖大会：阿里 Qwen 4 正在训练，发布真武 V900 芯片

云栖大会上阿里披露Qwen 4正在训练，发布真武 V900芯片，并提出 2032 年全球数据中心容量超20GW目标。中信建投研报认为云栖大会强化了全栈 AI 布局。

OpenAI 发布心理健康对话基准 MentalHealthBench

OpenAI发布MentalHealthBench，由22 个国家80 余名持证心理健康专家共同制定，用于评估 AI 在真实心理健康对话中的实用性与安全性。

📄 DSpine：投机解码相邻因果注入，吞吐量提升 23.3%

DSpine在每一层将前驱预测特征注入后继 token，实现跨深度因果条件链。在Qwen3-8B上七项基准平均接受长度从3.77升至4.82，SGLang 服务吞吐量比 DFlash 高23.3%。

𝕏 DepthBench：横向比较破解「深度诅咒」的注意力方法

Kimi K3用 AttnRes、DeepSeek V4用 mHC、字节提出 HC，目标都是破解「深度诅咒」，但训练预算与代码库不同无法直接比较，DepthBench开始寻找答案。

📄 RouteFM：把 LLM 路由变成可复用的基础能力

RouteFM 通过情景式预训练学习可迁移的路由能力，冻结路由器即可适配新环境。在 MMR-Bench 上仅用每个候选 8 次观察即超越最强基线 2.23 个质量点。

📄 TabFM-Auto：用 LLM 智能体演化流水线，TabFM 的 Elo 从 1785 升至 2013

TabFM-Auto 用 LLM 智能体演化数据流水线，将 TabFM 在 TabArena 的 Elo 从 1785 提至 2013。

📄 DTC：用发散 token 计数估算 LLM 推理不确定性

DTC 通过统计两个模型解码时强烈分歧的 token 来估计置信度。白盒下期望校准误差降至 13.0%（标准方法为 32.7%-42.4%），黑盒下 DeepSeek-V3.2 从 32.1%-40.2% 降至 13.7%-16.3%。

𝕏 StepFun 发布 StepAudio 3 Music 文本生成歌曲模型

StepFun发布StepAudio 3 Music，可将文本描述与歌词转为完整歌曲。其分词器采用50Hz、65,536词表的单码本流，搭配flow-matching DiT渲染器；报告称音频重建更好并不必然带来更好音乐生成。

𝕏 Fireworks 发布 Ember-1，性能接近 Kimi K3 但推理 Token 更省

Fireworks发布Ember-1，拥有100 万 token上下文和131k最大输出。实测六项基准中与Kimi K3差距约 3 分，但每轮推理 Token 少11%-32%，平均约省 22%。

𝕏 GLM-5.3 协助防御 389 个开源项目，发现 4249 个潜在漏洞

GLM-5.3已协助防御389 个开源项目，累计发现4249 个潜在漏洞。OpenVuln服务持续免费运行，发现结果私下提交给维护者。

𝕏 OpenAI 与 Anthropic 模型发布间隔缩至约 11 天

数据显示OpenAI与Anthropic合计的模型发布间隔中位数，已从约70 天缩短至约11 天，两家近期近乎十天一更。

阶跃 Step 5 Preview 回归全球开源前二

阶跃星辰发布Step 5 Preview，凭此重新回到全球开源模型第一梯队，位列开源前二，被视为其重返头部竞争的重要节点。

𝕏 第三方后训练模型赛道盘点：不做底座只做后训练

帖子梳理 Hugging Face 上基于Qwen3.5与DeepSeek-V4-Pro做后训练的模型家族，如Nex-N2.5-Pro在 OSWorld-G 达87.4超过 Opus 5，同类还有 Holo3、Apodex、DeepSWE 等，形成“只做后训练”的拥挤赛道。指出底座每半年换代，第三方后训练价值能否持续积累待验证。

📄 为 MoE 路由引入 token 级误差监督

研究让 MoE 路由亲和度对齐 token 级交叉熵损失，在 Granite 模型上平均提升准确率约 2.3 个百分点，ARC-Challenge 最高提升 2.94 点。

𝕏 Claude Opus 5.5 可接管电脑自动执行任务

Anthropic的Claude Opus 5.5现可接管用户电脑上的任务自动执行，配套的10 条提示词可帮用户节省数小时手动操作。

📄 SaveRouter：为 LLM 路由引入稀疏监督

SaveRouter 仅用约 33%-41% 的训练反馈即可保持路由质量，将收支平衡部署量降低约 1.9-9.5 倍。

OpenAI CEO：AI 安全成焦点，相信投资者对 IPO 保持耐心

Sam Altman表示，公司希望在没有上市公司压力下度过 AI 安全担忧加剧的时期，相信投资者会对IPO计划保持耐心，并称正「调整」以适应 AI 能力的新水平。

---