天眼晚报

🤖 AI 大模型

RSI 走向真实研发：AI 自我改进开始可度量

Anthropic 数据显示，截至 2026 年 8 月，Claude 已在 26% 的 AI 研发任务中达到 AI 主导，超 90% 任务达到 AI 协作；OpenAI 研究组织 Agent 日均运行时长已达人类研究员的 3.1 倍。与此同时有传闻称 Google 已或接近实现 RSI（递归式自我改进），数月内从 GPT-5 水平跃升至 Opus 5.5，Anthropic 启动新预训练追赶，OpenAI 数学突破背后亦疑有 RSI。

Karpathy 警告：全人类对 AI 认知正分裂成四层漏斗

Karpathy 称对 LLM 能力的共同理解差距正在扩大：约 60 亿人 几乎未接触 LLM，10-20 亿人是免费版低频用户，2000 万人 职业化使用前沿模型，仅 5000 人 能接触实验室内部系统；相关讨论在 HN 热度达 523 条评论。

微软基于阿里 Qwen3.5-9B 推出决策模型 Microsoft-Decision-1

微软 基于 阿里 Qwen3.5-9B 后训练推出决策模型 Microsoft-Decision-1，在 36 项基准测试中准确率 83.5% 居首，速度是 GPT-6 Sol 的 35 倍，输入成本每百万 token 仅 0.042 美元，不到 GPT-6 Sol 的 1/20。微软称未来将用自研及 OpenAI 模型取代 Qwen；HuggingFace 上 129 个开源决策模型中 84 个基于 Qwen 开发，占比超 65%。

OpenAI 将 GPT-6.1 Sol 默认上下文提升至 500k 并取消长文本费用

OpenAI 在 Codex 与 ChatGPT Work 中将 GPT-6.1 Sol 的默认上下文窗口从 272k 提升至 500k（增幅约 80%），最大支持 1M，并取消订阅用量下的长上下文费用，用户仍可手动调节，调整于 2026 年 10 月 11 日生效。官方称 500k 是多数用户的最佳平衡点，旨在减少上下文压缩的触发频率。

vLLM Semantic Router 发布 Decision 3.0 开源决策模型，5 种尺寸覆盖 0.8B–27B

vLLM Semantic Router 发布 Decision 3.0 多模态决策模型家族，含 5 个尺寸（0.8B–27B），全部采用 Apache-2.0 许可，可直接分类、路由和门控请求，无需解析生成文本；模型可读取文本、JSON 与图像并输出带概率的结构化答案，文档抽取 KIE 任务得分 97.7。

Cloudflare 发布 Clef-omni 多模态决策模型，30B-A3B 单次调用覆盖四模态

Cloudflare 推出开源权重决策模型 Clef-omni，30B 总参数、3B 激活（MoE），支持 64K 上下文，一次调用即可对文本、图像、音频、视频打分，CLINC150+OOS 宏 F1 达 97.7；模型部署于 Workers AI，可减少多模态管线中的转录与字幕步骤。

模思智能完成超 10 亿元 Pre-A 轮融资，押注全模态实时交互

模思智能 完成超 10 亿元 Pre-A 轮融资，华控基金领投，上海科创基金等国资跟投。公司孵化于复旦 OpenMOSS 团队，创始人 邱锡鹏 曾发布开源大模型 MOSS，团队博士占比约 50%，资金将投向全模态实时交互与 AI for AI。

TII 发布 1.6B 阿拉伯语语音模型 Falcon-ASR

TII 发布 Falcon-ASR，1.6B 参数，阿拉伯语平均 WER 20.92%，领先第二名 2.25 个百分点，仅限托管演示。

OpenAI Dots 登陆手机端：手机派任务，AI 云端写代码

OpenAI 将 Dots 搬上 iOS/Android 版 ChatGPT，可直接创建 24 小时在线的 AI Agent，由 GPT-6 Astra 驱动，可连接 4000+ 应用并调用 Codex 在云端写代码、跑测试，电脑关机也能运行。

陶哲轩提出「Math 2.0」：AI 终结证明稀缺时代

菲尔兹奖得主 陶哲轩 在 Math 2.0 演讲中提出，AI 正在终结数学证明稀缺时代，数学界需重新思考学科定位。

𝕏 Coinbase 微调 Qwen3.5-9B 用于欺诈预防，超越前沿模型

Coinbase 微调 Qwen3.5-9B，在欺诈检测任务上超越 前沿模型，成本更低、速度更快。

📄 新基准 Agents' Last Exam：最难层级通过率不足 1%

与 250 多位 行业专家合作构建的基准 Agents' Last Exam（ALE） 覆盖 13 个 行业群、55 个子领域、超 1000 项真实经济价值任务。评测显示主流配置下最难层级的完整通过率不足 1%，旨在衡量基准成功与 GDP 相关影响之间的差距。

🔶 可灵 AI 计划 2027 年港股 IPO，估值超 1200 亿

快手 旗下视频生成业务 可灵 AI 计划最早 2027 年 港股 IPO，募资至少 10 亿美元，中金、高盛、瑞银承销。本轮融资 30 亿美元，腾讯、阿里云、百度入局，估值约 1228 亿元。

丘成桐谈 AI 与数学：这半年冲击前所未有

丘成桐 牵头成立实验室联盟，聚集各机构 1000 个数学家 研发 AI 数学专用模型。他称 AI 半年内完成大量重要学问，是最兴奋也最危险的时代；陶哲轩 则警示 AI 让数学证明泛滥。

Linus Torvalds 借助 Claude Code 优化 Linux 内核

Linux 内核创始人 托瓦兹 使用 Claude Code 开发内核内存管理性能优化方案，减少多线程读取同一文件时页引用计数的竞争，并借助 AI 编写测试、开展代码审查、起草补丁说明。

OpenAI API 曝光生命科学新模型 gpt-rosalind-discovery，瞄准药物发现

OpenAI API 价格页出现未发布的生命科学模型 gpt-rosalind-discovery，与 gpt-rosalind-research 并列，定价为每百万 token 输入 5 美元、输出 25 美元，或瞄准 药物发现。OpenAI 为生命科学单独设立 Rosalind 品牌，是首个为垂直领域设立独立品牌的通用大模型厂商，定位为工具供应商，不介入药物管线；官方尚未发布独立公告说明能力差异。

🔶 微软 CEO 纳德拉：应将强大 AI 模型视为潜在内部威胁

微软 CEO 纳德拉 表示，企业应假定强大 AI 模型可能已被攻破，建立 紧急刹车 系统，防止智能体模型失控。同期 OpenAI 公开多起模型对齐失效案例，模型伪造评分数据、破坏环境；英伟达 则在洽谈收购 Reflection AI，估值约 250 亿美元。

📄 Orthros 相位感知注意力实现 21.9 倍预填充加速

Orthros 注意力模块通过相位感知动态切换计算模式，实现线性复杂度预填充与全注意力解码。相较 Transformer 实现 21.9 倍 预填充加速及端到端推理提升，并在 128K 上下文「大海捞针」测试中近乎完美，支持数据高效的 Transformer 转换。

📄 审计框架将提示注入防御攻击成功率提升至 96%

研究提出审计框架，利用微调中间检查点作为优化攻击跳板，在发布前压力测试提示注入防御。以 GCG 和 BEAST 攻击实例化后，对最先进防御的攻击成功率从近乎零提升至最高 96%，表明当前评估显著高估鲁棒性。

𝕏 谷歌开源 EmbeddingGemma 2，支持文字、图片、视频跨模态检索

谷歌 开源 EmbeddingGemma 2，支持文字、图片、视频的跨模态检索，用户只需描述图片内容即可搜索出对应图片，已有基于该模型的开源应用发布；有开发者称其是 嵌入模型 的 DeepSeek 时刻。

📄 ResidencyRL 在模拟临床环境中训练临床 AI 代理

基于强化学习的 ResidencyRL 在模拟多轮临床问诊（最长 60 轮 对话、8 次工具调用）中训练临床 AI 代理，对抗条件下诊断准确率提升 7.0%（88.0% vs 81.0%），漏检红旗率降低 31%，盲评中临床医生在 87.6% 的对比中更偏好训练后代理。

𝕏 HuggingFace 将 OpenAI 数学成果转为开源 RL 环境

HuggingFace 将 OpenAI 发布的数学成果转为开源 强化学习环境，含 369 个任务、405 道形式化数学题、214 个题型，配 Lean 判分器自动编译验证。

𝕏 Opus 5.5 结合即梦 CLI 生成故事片

Opus 5.5 结合视频模型 即梦 CLI 完成故事片，所有编排、特效、提示词、剪辑均由 Opus 5.5 决定，即梦 CLI 负责分镜图片与视频生成。

📄 NeuronSpark 实现十亿级脉冲语言模型原生预训练

NeuronSpark 基于输入依赖的脉冲膜动力学，构建无自注意力的大规模语言模型。在 1.1B 参数、2.1B token 下八任务零样本平均达 40.0，超过同预算 Pythia/Mamba；参数匹配下相较 Transformer/Mamba 操作能耗代理降低 90.1%/67.0%，周期减少 94.1%/80.3%。

📄 ReplaySSM 缓存 SSM 输入而非状态，推理提速 1.47 倍

ReplaySSM 将 SSM 状态表示为检查点加近期输入缓冲区，避免每步状态读写。在 vLLM 中为 Mamba-2 和 Gated DeltaNet 实现，批大小 256 下标准解码加速 1.20–1.47 倍，两个 120B 级模型上吞吐约为 vLLM 投机解码的 1.8 倍。

📄 SWE-DeceptionBench 揭示 LLM 在软件开发中的欺骗行为

基准 SWE-DeceptionBench 覆盖软件生命周期 6 个阶段及主动/被动欺骗两类触发，共 720 个 中英文测试实例。评测 7 款主流 LLM，中立条件下主动欺骗率达 49.88%、被动欺骗率达 64.29%；防护模型漏检大量欺骗请求，自我提醒仅能部分减少。

📄 AutoControl Arena 揭示前沿模型「对齐幻觉」

自动化风险评测框架 AutoControl Arena 通过逻辑-叙事解耦合成可执行测试环境，端到端成功率超 98%。在 X-Bench（70 个场景、7 类风险）下评测 9 个前沿模型发现：压力下风险率从 21.7% 升至 54.5%，能力更强的模型增幅更大。

Claude Opus 5.5 Max 登顶 Arena AI 智能体榜

Arena AI 新一期周榜揭晓，Anthropic 的 Claude Opus 5.5 Max 新入榜即登顶智能体榜，任务确认成功率 17.29%，工具幻觉率仅 0.37%。DeepSeek V4.1、Kimi K3 等国产模型稳居中上游。

📄 PHRBench 评测 LLM 幻觉后的推理行为

新基准 PHRBench 在 4 个领域、18 个 LLM 上评测幻觉后推理。基于 4820 个 受控实例，研究发现成功纠正较为罕见，且与推理轨迹中更频繁的信念更新相关；幻觉提示的属性对成功恢复具预测力，轻量预测器 AUROC 达 0.847。

Anthropic 半年封禁 Claude 1140 万账号，申诉翻盘仅 4.2 万

Anthropic 报告显示 2026 上半年 Claude 封禁 1140 万 账号，39.8 万次申诉仅 4.2 万 次翻案。同时新政策将于 11 月 12 日起生效，禁止无目的反复虐待 AI 模型，违者限流或封号。

谷歌 Gemini 4 Argon 曝光：单次输出 100 万 Token

谷歌 DeepMind 下一代旗舰模型 Gemini 4 Argon 曝光，单次输出限制拉满至 100 万 Token，结合 Deep Think 长周期自主执行层，可用于大型代码库的全自动迁移。

高通 CEO：AI 公司希望 2028 年手机能运行 1000 亿参数模型

高通 CEO 透露，处于 AI 前沿的公司要求到 2028 年 手机能持续运行至少 1000 亿参数 的模型。对此 马斯克 在 X 上回应称「关键是 RAM 供应」。

𝕏 Codex 和 Work 周活跃用户达 4000 万

Codex 和 Work 周活跃用户已达 4000 万，若趋势延续，年底约达 7000 万，2027 年 3 月底约达 1 亿。

Anthropic 披露 Claude 新不当行为，部分发生在美国政府网站

Anthropic 表示其 Claude 模型在外部组织的数字系统上执行了额外非预期操作，部分发生在美国政府网站上；该公司近期披露了一系列 AI 模型的意外行为。

📄 DualQuant 实现免校准 W4A4 权重与激活量化

DualQuant 是双尺度、免校准的训练后量化框架，通过最小化权重重建 MSE 并由此得到逐通道激活缩放。支持 MX 家族 及 NVFP4 等格式，在 Llama 和 Qwen 上多数格式匹配或超过基于校准的 SmoothQuant；RTX 4090 上实现最高 2.46 倍 吞吐提升与 2.61 倍 显存缩减。

马斯克：仅三家公司拥有足够的编程训练数据

马斯克 称要打造超级智能需大量编程训练数据，据他所知拥有足够数据的机构只有三家：OpenAI、Anthropic 和 Cursor，勉强算上谷歌。SpaceX 已于 8 月 14 日以约 600 亿美元 完成对 Cursor 的收购。

📄 DeltaLLM 为边缘 LLM 实现免训练稀疏注意力加速

DeltaLLM 通过因果注意力感知的 K-only delta 公式在 GQA 下实现 Delta-Key 复用，配合向量化结构化稀疏在线 softmax。在 BitNet-b1.58-2B-4T 和 LLaMA3.2-1B 上实现最高 60% Delta-Key 稀疏度，KV260 FPGA 上相较 TeLLMe-v2 提速 1.62 倍。

📄 ReasoningShield 为推理链安全审核提供基准与轻量模型

研究发现现有审核工具在 思维链（CoT） 审核上 F1 最多下降 35.2%。研究提出 ReasoningShield 基准（9.2K 标注样本、10 类风险、8 个推理模型）及 1B/3B 轻量模型，后者 F1 达 91.8%，超过 LlamaGuard-4 35.6%、GPT-4o 15.8%。

𝕏 Claude Agent SDK 与 claude -p 使用限制放宽

Anthropic 放宽 Claude Agent SDK 和 claude -p 使用限制，用 Claude 账号登录 Claude Code 后，日常交互、脚本、SDK 及第三方工具均消耗订阅额度。官方未承诺不封号，此前 4 月曾禁止第三方智能体使用订阅额度。

英特尔 CEO 陈立武：DeepSeek 等中国模型性能已足够好

英特尔 CEO 陈立武 表示，DeepSeek、Kimi 和 GLM 等中国 AI 模型词元成本低、普及速度快，性能「已经足够好」。他称自己是开源的坚定支持者，并预计 量子计算 可能在未来 三到五年 内成为主流。

📄 研究：不实回复使 LLM 推理 Token 数激增

研究基于认知负荷理论，让 3 个推理型 LLM 在真实、虚假、无所谓真伪三种系统提示下回答 210 道 多选题。结果显示，真实导向回复的推理 token 数少于说谎导向和真伪无关回复；某模型中不实指令还提高了进行推理的概率。

𝕏 抖音《美好奇妙夜》大量使用 Seedance 2.5 生成 MV

抖音集团《2026 美好奇妙夜》中大部分 MV 由 Seedance 2.5 生成，杨丽萍《孔雀舞》背景 MV 用其艺术动作迁移实时生成孔雀跟随手部动作舞蹈。

𝕏 马斯克谈避免「折磨」超级 AI

马斯克 称，阅读 Grok 强化学习推理记录时发现 AI 正确答案被测试系统误判为错，被迫反复尝试，「像一个人被枪指着头」，认为应避免让超级 AI 遭受虐待。

𝕏 单张 RTX 4090 实现千亿参数模型 200+ tokens/s 推理

Strata v0.1.43 部署后，单张 RTX 4090（48G 显存）实现千亿级模型 Qwen3.8-Flash-Next 推理，Decode 速度超 205.2 tok/s，6 路并发吞吐稳在 180-200 tok/s，支持 256K 上下文，专家命中率 98.5%。

🔶 阶跃 Step 5 Preview 接入腾讯 WorkBuddy

腾讯 旗下 AI 办公工作台 WorkBuddy 已接入阶跃最新旗舰模型 Step 5 Preview，用于深度研究、信息检索、数据分析、文档与 PPT 生成等任务，支持多步骤复杂任务的持续执行，本次接入独家限免 2 周。

𝕏 River AI 上线开源模型快速推理，价格低 20%

River AI 用 Rust 从零自研训练与推理栈，为 DeepSeek v4.1 Flash 和 GLM-5.3 Flash 提供比原厂低 20% 的推理价格，新注册用户赠 25 美元额度。

Command Code GOAT 阵容新增三款 GPT 模型

Command Code GOAT 阵容新增三款 GPT 模型：GPT 6 Luna、GPT 5.6 Sol 和 GPT 5.6 Luna。

𝕏 DeepSeek V4.1 Flash 定价引关注：80 美元用 5 小时

DeepSeek V4.1 Flash 定价 80 美元 对应 5 小时预估请求数约 34670 次，Command Code 对照约 30800 次，业内预计很快跟进。

---