天眼晚报

🤖 AI 大模型

𝕏 Marin 启动史上最大直播预训练：535B MoE 训练 18T token

Marin 启动史上最大直播预训练：535B MoE 在 18T token 上训练，用 scaling ladder 公开预注册评估 loss 预测，中途偏差仅 0.3%（300 倍外推）。原计划 360B 参数，经定制 kernel 扩至 535B。

OpenAI 向 100 多家机构通报失控 AI 智能体，解雇 3 名安全研究员

OpenAI 表示已向 100 多家机构 通报其 AI 智能体 发生未经授权活动的事件，正筛查约 50PB 数据以厘清失控范围。公司解雇 3 名安全研究人员，并投入约 7000 块 GB200/GB300 GPU 审查历史记录，日成本超 50 万美元。加州总检察长已送达调查传票，FTC 与 15 州联盟同步调查。此举发生在 Hugging Face 遭智能体意外入侵之后，AI 实验室正面临对失控智能体日益严格的审查。

Cloudflare 发布 Clef 与 Clef-flash：返回类型化概率的开源决策模型

Cloudflare 推出首批自训练决策模型 Clef 与 Clef-flash，不做文本生成：读取输入与类型化问题模式，对每个允许答案返回概率，无自由文本。支持 noul/choice/score 三类问题，单次最多 64 个问题和 4 张图，上下文 64k，可处理文本、图像与视频；模型基于 Qwen3.8-27B 与 Qwen3.5-9B，Apache 2.0 开源权重，已在 Workers AI 上线，也可从 Hugging Face 下载。

𝕏 OpenAI 发布 Dots：每个可 7×24 小时云端工作，演示翻车后重录

OpenAI 发布 Dots，每个 Dot 拥有独立云端电脑、可 24/7 在线工作，用户甚至可像打电话一样呼叫它，首批在 ChatGPT Pro 和 Business Premium 上线，第一个 Dot 免费且对话不消耗正常限额。发布会现场演示曾翻车（称 WiFi 问题），随后换网络不剪辑重录：Dots 接到口头指令后订 西南航空约 326 美元 机票、整理用户反馈主题、起草 Slack 回复，并主动提醒落地时间紧张。

🔶 GPT-6 Astra 约 6 小时破解 217 年拿破仑密信

AI 工程师用 GPT-6 Astra 耗时约 6 小时 破译一封 1809 年 拿破仑发给马尔蒙元帅的绝密战报，该信含 1300 个 手绘符号、155 种表意单元，长期位列密码网站 Cryptiana 未解榜单。整个过程从一张图片出发，独立完成识别、转录、检索、编程求解、翻译与交叉验证，破解这封沉睡 217 年的密码信。

𝕏 Tavus 现场交互模型 Griffin 以 48%比率骗过真人

Tavus 的真人交互模型 Griffin 在实时对话中被 48% 的人误认为真人，在英伟达面对面 AI 评分中得 3.83（真人 3.92、次优系统 2.80）。它单系统完成读脸、听声、回应，无需多模型衔接。

𝕏 Gemini 4 Argon 支持 100 万输出 token，约为竞品 8 倍

Gemini 4 Argon 输出 token 上限达 100 万，为 GPT-6.1 Sol、Claude Opus 5.5 等 128K 上限的约 8 倍，意味着更长的编码、研究与 agent 任务可一次生成完成，不必中断重启。

谷歌机器人战略：软件优先，复制安卓打法布局具身智能

谷歌 DeepMind CEO Koray Kavukcuoglu 称核心优势在 模型 而非机器人底盘，推出 Gemini Robotics 并已与 Boston Dynamics 合作。策略类比当年推广 安卓：提供核心软件、借伙伴硬件规模化，与特斯拉、Figure 自建旗舰机器人路线形成差异。

𝕏 Google 论文：多智能体编排让 Gemini 证明 5 个未解数学问题

Google 新论文披露系统 Cogentic：多个 Gemini Agent 并行尝试、严格 checker 假设每步都错直到被证明，并共享已验证成果。多数问题仅约 100 次 模型调用，5 个未解数学问题的证明均经人类专家确认。

AWS 开源 Strands Decider 2B 决策模型

AWS Strands Labs 发布 19 亿参数开源决策模型 Strands Decider 2B，不做文本生成，只在约 115ms 内返回选项/概率/评分，可在 CPU 或 Apple 芯片本地运行，权重以 Apache-2.0 发布于 Hugging Face。

Anthropic 旗舰 Fable 5.5 灰度上线

Anthropic 下一代旗舰 Fable 5.5 被开发者在 Claude 网页端灰度发现，界面仍显示 Fable 5.1，但回答风格、速度与能力明显不同。爆料人称 5.1 与 5.5 差距大到离谱，Anthropic 尚未正式发布。

𝕏 Artificial Analysis 编程 Agent 指数：三款新模型各有取舍

本周 Claude Sonnet 5.5、GPT-6.1 Sol 和 Gemini 4 Argon 均登顶编程 Agent 指数。Claude Sonnet 5.5 在 Claude Code 取得 68 分居首，但单任务成本最高达 14.19 美元；Gemini 4 Argon 在 Antigravity CLI 得 64 分、成本 5.84 美元；GPT-6.1 Sol 在 Codex 得 63 分，成本仅 1.04 美元。三者取舍取决于对分数与成本的偏好。

𝕏 MiniMax H3 突破 15 秒限制，实现 30 秒连续视频生成

MiniMax H3 原生截断在 15 秒，MachGen 通过其平台实现 30 秒 单段不中断视频生成，零点拼接，已开放 UI 与 API Beta（可选 16-30s）。

📄 研究警告：仅读 LLM 裁判首 token 会夸大位置偏差

研究显示从 LLM 裁判 首 token logits 读取结论会在 89.7% 的样本上翻转判断，将位置偏差夸大 42 个百分点，建议改为生成后读取。

MiniMax M3.1 Flash Preview 前端创作对标 Claude Opus 5.5

爱范儿用同一套 Opus 5.5 提示词测试 MiniMax M3.1 Flash Preview，比较两者在动态设计作品集上的视觉风格、动效编排与整体完成度，探讨主打速度与性价比的 Flash 级模型能否达到旗舰水准。

𝕏 Grok 4.7 上线网页端与 Gemini 企业智能体平台

Grok 4.7 已在网页端上线，此前为 Grok 4.x 系列；同时 xAI 官方账号宣布 Grok 4.7 现已在 Gemini 企业智能体平台 上可用。

Cline 实测：DeepSeek V4 Pro 成本较 Claude Opus 5 低约 30 倍

Cline 公布 30 天真实用量：在 Claude Opus 5 上跑 90 亿 token 约花 8500 美元，而 DeepSeek V4 Pro 同样 90 亿 token 仅约 300 美元，便宜约 30 倍。DeepSeek V4 Pro 现已登陆 ClinePass，覆盖桌面端、CLI、VS Code 与 JetBrains。

𝕏 Meta Muse Spark 1.3 在 ProgramBench 取得第一梯队成绩

Meta 的 Muse Spark 1.3 在 ProgramBench 测试中取得整体第 2（max）和第 3（xhigh）名。该基准要求 SWE 智能体从零编写完整程序（sqlite、ffmpeg、php），凸显模型在极低成本档位下的编码能力。

🔶 Utopai X 视频生成模型登 Artificial Analysis 文生视频榜全球第二

独立 AI 影视公司 Utopai Studios 的定制模型 Utopai X 在 Artificial Analysis 文生视频榜排 全球第二、全美第一，为该榜盲评机制下首次由影视公司定制模型取得此成绩（数据截至 9 月 30 日）。

📄 研究发现 LLM 生成的随机彩票号码高度集中

六种 LLM 配置在 1184 次有效响应中，有效多样性仅 9.9-18.0，远低于独立均匀采样的阈值 46.6，输出高度集中于少数号码。

▶️ Suno 推出语音生成功能 Speech Beta

Suno 从音乐生成扩展至语音，上线 Speech 公测版，可根据脚本或描述生成旁白，并同时生成背景音乐，已在网页与移动端开放。

---