天眼早报

🤖 AI 大模型

𝕏 ⭐《State of AI Report 2026》发布：AI 开始主导自身研发

State of AI Report 2026 发布：Anthropic 内部 26% 的模型研发由 Claude 主导，Claude Opus 5.5 以 58 分居综合智能指数第一；OpenAI 与 Anthropic 年化收入合计约 1050 亿美元，较年初增长逾两倍。

⭐ 微软发布决策 AI 模型 Microsoft-Decision-1，速度是 GPT-6 Sol 的 35 倍

微软推出专为结构化决策设计的 Microsoft-Decision-1，基于 Qwen3.5-9B 后训练，专做选择题并输出校准概率。其运行速度为 GPT-6 Sol 的 35 倍、Quyet-1.0-Large 的 4.5 倍，在覆盖近 15 万道题的 36 项基准测试中准确率均第一；输入定价每百万 tokens 0.042 美元，输出免费，已在 Microsoft Foundry 上线。Xbox 团队用它归类 1 万多条玩家反馈，快 14 倍、成本低 200 倍。

🔶 ⭐ 谷歌发布企业通用智能体 Gemini Agent

谷歌云在 Gemini at Work 2026 大会推出企业通用智能体 Gemini Agent，用户可用自然语言下达目标，由智能体自主拆解任务、调用企业数据、编写并运行代码、生成文档与多媒体，支持多子智能体协同与四重记忆机制。目前仅面向部分企业用户开放预览，未公布商用日期与定价。

📄 NanoProof：首个完全开源可复现的 Lean 4 定理证明器

NanoProof 在 MiniF2F-Test 达 50.8% pass@16，超越 HyperTree 与 ABEL，算力分别少 90 倍与 7 倍，训练数据、工具链与权重全部开源。

𝕏 ⭐ Claude 推出多 agent 编排功能 dynamic workflows，单次可调度 1000 个 agent

Anthropic 的 ClaudeDevs 宣布 dynamic workflows 进入公开测试：由 lead agent 制定计划，分阶段调度多 agent 并合并结果，单次最多编排 1000 个 agent。实测在 116k 行代码库植入 70 个 bug，workflow 三次均找出 66 个，单 agent 仅 14-27 个。

⭐ OpenAI 推出 Decisions API 公测，比 Responses API 快 10 倍

OpenAI 发布 Decisions API 公测版，将文本/图像转为可分支的结构化类型化答案，速度约为 Responses API 的 10 倍。仅支持 gpt-6-luna 模型（105 万 token 上下文），输入价格每百万 token 0.10 美元，输出免费。

𝕏 ⭐ NVIDIA vLLM 推理方案 Rubin：每吉瓦利润提升 3.2 倍

SemiAnalysis 测算，NVIDIA Vera Rubin NVL72 在 vLLM 上每吉瓦利润比 GB300 NVL72 高 3.2 倍，每美元性能最高提升 10 倍，运行开源模型年利润可达 390 亿美元。

💻 ⭐ 非文本 AI 模型 Jev 发布数周即估值 75 亿美元

TypeSafe 的非文本 AI 模型 Jev 发布仅数周即估值 75 亿美元，公司称其运行速度显著更快、使用 token 远少于 LLM，已获用户和大型企业关注，a16z 参与投资。

𝕏 ⭐ 阶跃星辰 Step 5 Preview 发布，登顶 OpenRouter 趋势榜

StepFun 发布 Step 5 Preview，采用 600B 总参数、27B 激活的稀疏 MoE，原生支持文本、图片、视频输入与 100 万 token 上下文，主打代码 Agent 与前端生成，智能分 44 与 GLM 5.3、Kimi K3 相当，输入输出价格仅 $1.0/$2.70 每百万 token；开源权重将于 10 月 15 日发布，上线次日即登顶 OpenRouter Trending 榜首。

𝕏 Prime Agent 用 2000+ 智能体集群两周重写自身为 Rust

PrimeIntellect 的 Prime Agent 通过 2000 多个 子智能体、10000+ 沙盒、2000 亿+ GLM-5.3 token 和 16000 条智能体间消息，用两周将自身重写为 Rust。新版输入可用速度提升约 13 倍，启动内存减少 83%，已开源。

🔶 谷歌 Gemini 4 Argon 已对部分用户开放，最快今日发布

Gemini 4 Argon 已现身 Google Cloud、编程工具 Antigravity（被设为默认模型）并被曝在代码库直接提交代码；发布卡片已部署于内部系统与部分 Pro 用户界面，爆料与媒体报道指向本周甚至数小时内正式发布。

𝕏 ⭐ 谷歌一周密集发布：Nano Banana 2.1、EmbeddingGemma 2 等多个模型

谷歌本周发布多项更新：Nano Banana 2.1 提升视觉设计、主体一致性与精确局部编辑；EmbeddingGemma 2 为首个原生多模态开放嵌入模型，统一文本、图像、视频、音频与代码；Gemma 4 用于作物基因研究。

📄 研究：LLM 版本迭代导致 AI 写作检测器大面积失效

研究将 PNAS 4000 篇摘要交由 23 个版本 LLM 改写，检测器在模型代际边界处检出率从 99% 骤降至 3.8%，呼吁每次模型发布后重新验证检测器。

📄 ReSI：递归安全改进框架，攻击成功率从 86% 降至 31%

ReSI 通过多轮红队评估与自动更新对齐模型，将四个模型的 X-Teaming 攻击成功率 从 86.01% 降至 31.45%，低于前沿模型的 56.69%。

📄 SWE-Journey：编程助手评测新基准，非程序员场景通过率不足 25%

新基准 SWE-Journey 引入用户模拟，模型面对软件架构师通过率超 75%，面对非程序员却不足 25%，暴露问对、找对、修对的能力缺口。

𝕏 阿里发布 Qwen-Image-2.1-Turbo，8 步去噪生成 2K 图像

阿里 Qwen 团队发布 Qwen-Image-2.1-Turbo，将图像生成与编辑的去噪步数从 40 步降至 8 步，保持 7B 架构与 2K 输出，并支持自然语言编辑，开放权重已上线 ModelScope 与 Hugging Face，Pro 与 Turbo API 正式可用，采用研究许可证。

𝕏 HuggingFace TRL v1.15 发布：峰值显存降低 82%、序列长度延长 7 倍

HuggingFace TRL v1.15 发布，默认启用融合 LM head，峰值显存降低最多 82%，序列长度延长 7 倍，DPO 从 10k 升至 59k tokens，GRPO 升至 115k。

GPT 周报：Meta 等联合起草个人智能体协议，Manus 融资超 5 亿美元

Meta 与 Sierra 等企业联合开发 个人智能体协议，规范智能体与企业交互；Manus 完成超 5 亿美元新一轮融资；另有数学组织反对 OpenAI 发布数学研究成果。

📄 LTBD：可学习信任边界防御提示注入，攻击成功率降至 0

轻量防御 LTBD 用少量可学习分隔符区分可信指令与不可信数据，在 AlpacaFarm 上 ASR 为 0.00%，TaskTracker 仅 0.11%–0.19%，且无需微调模型。

📄 研究：编码 Agent 的技能冲突普遍存在，近四分之一技能重复

分析 20,947 个代码仓库发现，近 1/4 已安装技能存在功能重复；冲突不改任务通过率，却令核心功能丢失超 1/3，建议平台在首次读取时拦截。

📄 研究揭示 LLM 评判不可靠：重复试验结论会翻转

对 6 个前沿模型审计发现，温度 0 下重复试验结论仍会变化，位置顺序调换可翻转多数判定，最确定的评判者仅 51% 与真实答案一致。

𝕏 Meta 超级智能实验室提出“智能体可塑性”指标评估自改进收益

Meta 超级智能实验室提出agent plasticity（智能体可塑性），即模型权重冻结、每次运行全新上下文时，每美元学习成本带来的留出任务收益。研究发现表现最好的模型往往不是学习最高效的：国际象棋、围棋中Claude Fable 5最终分最高，而 GPT-5.6 Sol 每美元增益最大；NetHack 中仅 Claude Opus 5.5 显著提升。

𝕏 Qwen3.8-Flash-Next 与 GLM-5.3-Flash 稀疏架构对比实测

实测显示同款 4090 48G 机器上，Qwen3.8-Flash-Next 达 120 tok/s，GLM-5.3-Flash 为 40 tok/s，比值与激活参数 18B 比 6B 一致，源于极稀疏专家架构。

📄 DIAL-OPD：仅用 40% token 的在线蒸馏，AIME25 通过率翻倍

DIAL-OPD 按学习价值筛选 token，仅保留 40% 即超越全 token 蒸馏，平均准确率提升 5.25 个百分点，AIME25 Pass@16 从 13.33% 升至 26.67%。

📄 研究首次将冻结决策模型 Jev 引入强化学习训练

研究将冻结决策模型 Jev 用作参考策略、探索评判与回放评分，在 9 个 MiniGrid 任务 与 3 款 Atari 游戏 上超越标准 RL 学习器，Jev 本身无需训练。

📄 新基准：LLM 生成 UI 设计创意度远低于人类

Design Creativity Bench 测出模型同提示设计的原创性仅 0.592，远低于人机配对的 0.764；创意跨度 0.581，而人类设计达 0.902。

𝕏 Tinker 将长上下文 token 价格降至与短上下文相同

Tinker 将长上下文 prefill 与采样价格降至与短上下文相同，agent RL 中占大头的 token 成本大幅下降，长上下文任务的训练与评测因此更便宜。

📄 Agentic-TTT：让模型自主决定何时进行测试时训练

Agentic-TTT 把测试时训练（TTT）流程转为可调用工具，学习策略判断何时启用，在自有基准上效用较主干模型提升近一倍，并能权衡算力。

AWS、Upstage、Ollama 就决策模型 API 达成一致，OpenAI 未加入

AWS 发布基于阿里 Qwen3.5 的开源权重模型 Strands Decider 2B，采用与 TypeSafe AI 的 Jev 相同的 /v1/systemone 端点，Upstage、Ollama 跟进，OpenAI 未签署。

𝕏 LangSmith 信号：Claude Sonnet 5 采用率跃升至第 2，GPT 5.6 Luna 调用量登顶

LangChain 发布 LangSmith Signals：Claude Sonnet 5 模型采用率从第 9 升至第 2，使用机构增加 51%；gpt 5.6 luna 调用量从第 3 升至第 1，增加 65%。

Cloudflare 发布 Clef-omni 全模态决策模型

Cloudflare 发布 Clef-omni 决策模型，可同时接收音频（wav/mp3）、视频（mp4/webm）、图像与文本输入，无需级联转写管道，同时下调 Clef-flash 价格并提升 Clef 速度。

𝕏 Grok Bot 获得专属邮箱，可自主注册与对外联络

xAI 为 Grok Bot 开放专属邮箱，每个账户限申请一个，可自主注册服务、联系商家、安排会议，相当于为 AI 助理配备独立收件箱。有测试者称已通过它管理约 90% 的编码工作。

📄 研究：本地开源 LLM Agent 可完成 85% 数据工程任务

15 项移动性数据工程任务基准显示，闭环工作区使通过率提升 26.7–52.0 个百分点，最强配置达 85.3%，量化 90 亿参数模型达 69.3% 且仅需约 6.5GB 显存。

𝕏 Claude Code Projects 即将向 Pro 和 Max 用户开放

Anthropic 将为 Claude Code 推出 Projects 功能，用户只需一次设置指令、仓库和记忆，即可批量分配任务，由 Claude 以并行云线程运行，Overview 面板显示哪些线程完成、哪些 PR 待审。

𝕏 Kimi K3 在 AMD MI355X 上跑出 216 tok/s

Kimi K3 在 AMD Instinct MI355X 上由 TokenSpeed 驱动，8 卡配置下每用户输出 216 tok/s，解码速度达 ATOM 的 1.4 倍，且在更真实的多轮 SWE 任务上测得。

📄 研究：LLM 生成的无代码修复不到半数真正解决问题

在 322 条 无代码修复中，不同执行器仅 14.6%–49.7% 真正解决 bug，最优配置达 74.1%；仅更换执行器就使解决率平均波动 38.8%。

𝕏 Meta 首席 AI 官披露 Muse 运行于独立安全虚拟机

Meta 首席 AI 官 Alexandr Wang 介绍，每个 Muse 运行于独立沙盒 安全 VM，数据仅存其中；sentinel agent 会拦截信用卡、社保号等敏感信息外发，访问新网站需用户逐一批准。

𝕏 英伟达在 Hugging Face 发布 GR00T 机器人模型 Agile One S

英伟达发布基于 GR00T 的机器人模型 Agile One S，面向 SSD 分拣部署场景，附带 ONNX 计算图与 TensorRT 引擎。

𝕏 Arena 周榜：Nano Banana 2.1 跻身图像三榜前六

Nano Banana 2.1 在 Image Arena 三种模式均进入前六：多图编辑第 4（1431 分）、文生图第 5（1328 分）、图像编辑第 6（1428 分）；Mistral Large 4 位列 Agent Arena 第 43 名。

Mistral Large 4 合规性大幅提升但仍有差距

Mistral 新模型 Large 4 在欧盟 AI 法案与 GDPR 合规测试中从 16% 升至 53%，人权场景表现提升 61 个百分点，但仍落后于 Claude 与 GPT 模型。

𝕏 Codex 新增 composer 预测功能

OpenAI 为 Codex 桌面应用 Pro 用户推出 composer 预测（beta），可根据对话内容建议下一条消息，按 Tab 接受，可在设置中关闭。

𝕏 Claude 新增 Dashboards 与 Motion 功能

Claude 新增两大能力：用自然语言构建实时 Dashboards，以及将一句提示词转为发布视频、广告和动画解说的 Motion 功能。

𝕏 Chrome 集成 Gemini 支持从学习资料生成练习题

Google Chrome 集成 Gemini 推出考试备考功能，可从学习资料创建 练习题，该更新正在推送中。

𝕏 LangChain 为托管 Deep Agents 简化认证、记忆与渠道

LangChain 简化了 Managed Deep Agents 的智能体认证、记忆与渠道，并将网络搜索作为预置工具引入，相关细节在 Interrupt NYC 会议公布。

---