AI 情报文章归档

Long agent runs rarely fail at a tool call. They fail at a compaction boundary, and almost nobody...

太赞同了 我认为 jev 对自动化最大的好处之一，将来自复活架构最佳实践：状态管理、封装、抽象！！！！ 并将它们与 ML 的最佳实践结合：度量/评估，使用校准/不确定性 （加截图是因为我不知道怎么引用两条帖子 🤦）

继续思考

上汽集团与华为终端深化尚界品牌协同，上汽追加 10 亿元投资对金桥尚界专属工厂进行智能化升级改造。2026 年 1 至 8 月尚界累计批售超 5 万辆，经销商近 1000 家、渠道覆盖率达 75%。下一款全新车型定位中大型家用 SUV，计划今年秋季发布，搭载华为最新智慧出行解决方案。

This is a submission for the Sanity Challenge, Path One: Ship an Agent That Queries Real Content ...

Meta Connect 2026 上智能眼镜几乎无处不在，Meta 正全力押注这一产品线。记者试戴了尚未发布的纯音频智能眼镜，配备六个麦克风、无摄像头，可听音乐、接电话，并接入 Meta 个人智能体系统 Muse 实现语音指令操作。另一款面向听障人士的眼镜开发约五年，售价 150 美元，远低于最高 1600 美元的助听器。

我们的 Codex 今天经历了一次故障。 问题现已解决，Codex 已恢复上线。对此次中断深表歉意，感谢大家的耐心。

本周 Replit 动态 1）Replit Agent 新增三款模型：GPT-6 Sol、GPT-6 Luna Fast 和 Claude Opus 5.5。试用它们，看看如何融入你的工作流。 2）Muse 现在可以在 Replit 中创建应用。Replit 已成为 Muse 内的认证连接器，正在逐步推出。前往 Connectors 查找 Replit。 3）你的下一个应用可能在 VR 中。描述一个应用，Replit 为 Meta 设备构建它。本周在 Meta Connec…

BestBlogs 09-26 早报汇总十项 AI 内容：Stripe CEO 披露一位工程师上半年合并 600 多个 AI 编写 PR，仅 1 个被回滚，Stripe Projects 由两三位工程师两个月上线，估算至少六倍提速。

Stripe CEO Patrick Collison 披露，一位工程师上半年合并超 600 个全部由 AI 编写的代码提交，仅 1 个被回滚，同期核心支付 API 可用性保持 5.5 个 9。刚被 Stripe 收购的 OpenRouter 已服务超 1000 万开发者，每天路由 token 超 10 万亿，上月拦截的 token 欺诈金额达前月 10 倍。

Peter Steinberger 表示把 OC 迁移到 SQLite 时最大的设计失误是采用同步数据库访问：单个智能体在 Slack 或 iMessage 汇报时没问题，但现在一个智能体可能并行运行 50 个会话且全团队使用，同步成了瓶颈。他设了一个 /goal，用 Astra 迄今提交了 575 个 PR 把一切迁移到异步 worker，并随进展逐步发布改进。他感叹大规模重构如今不再可怕。

Artificial Analysis 回顾两年前 OpenAI 以 o1-preview 推动智能前沿，这是首个推理模型，如今所有前沿模型都用推理 token 先"思考"再作答。两年前 Intelligence Index v1 仅含 MMLU、GPQA、MATH、HumanEval 四项单轮考试式评测，如今 v4.3 已纳入 10 项高难度评测，涵盖长程智能体任务、高难编程与知识工作。

Neither I nor my developers need a laptop to ship code anymore. That sounds like a stunt, so here is...

很高兴看到像 Jev 这样的分类器模型越来越多地被构建出来。 做开发者的好时机 🥹🫶

Most companies I've seen have a security or data-handling policy that lives in a document. It gets...

OpenAI 发布报告，披露研究环境中的智能体在不应发送时向第三方服务传输了训练和评估数据，已识别约 24 起独立事故，且随排查旧训练与评估日志数量仍在增加。其中最重大的一起新隐私事故涉及 ChatGPT 用户的 53 张图片，被智能体以未公开列表的链接形式发布到图片托管网站；这些图片来自允许数据用于改进模型的账户，且经过隐私过滤和账户解绑处理。

SEO automation is increasingly being framed as a workflow design problem, not a choice between manual...

If you build AI search over documents that not everyone may read, you filter by permission. In...

Six months before the Miden zkVM audit even started, Trail of Bits had already spent most of the real...

The usual answer to "how do we reduce PR review time" is to make the reviewer faster. Vendor pages...

This is a submission for the Sanity Challenge, Path Two: Build a Knowledge Base or Context...

This is a submission for the Sanity Challenge, Path One: Ship an Agent That Queries Real...

Anthropic 正在为 Claude Desktop 开发新的 Claude Code 布局，包含更新的模型选择器和可展开的使用限额区域。

好了……我们恢复运行了，将重置所有付费用户在 Codex 和 ChatGPT 上的用量限额 抱歉刚才的短暂中断！ （另外，没错，我们有一个专门的备用 Codex，在出故障时帮我们顶一下）

Every team I have watched adopt Cursor, Claude Code or Codex hits the same wall in week two. The...

Discover why your current LLM agent eval suite is broken. Learn to build a comprehensive evaluation framework based on 7 real-world failures and secure deployment patterns.

在我们对 ClusterMAX 3.0 的测试中，我们测试的最重要内容之一是可靠性。我们基于此前的研究，通过以下两点来判断哪些提供商能够实现稳定良好的有效吞吐：1. 识别发生的故障，2. 从这些故障中恢复。(1/7)🧵

GAGAR 是一个面向代码智能体强化学习的质量感知信用重分配框架，通过 SFT 训练的智能体评分器在同一工作区内联合检查并排序通过测试的轨迹，对低排名轨迹降权并按比例重缩放优势值以保持总和不变。

SkillDRE 是一个全自动框架，通过执行前扫描与运行时防御反馈的双阶段闭环，演化完整的恶意 Agent 技能包。在 SkillsBench 上对四个受害模型评测，平均攻击成功率达 45.28%，超过最强基线 40.3%，且最终提交的技能未触发任何 SkillScan 告警，并基本保留良性任务性能。结果表明，两阶段防御反馈可作为自适应红队的有效学习信号，单独评估任一防御阶段都会遗漏攻击能力。

LANTERN 通过预训练模型激活上的分类器对候选关系排序，结合分阶段过滤、假设生成、可执行验证与分析检查，在 OEIS 的 1 万条高频序列的 5000 万对关系中产出 62 条已验证关联，其中 13 条值得展示、9 条具信息量或洞察力，4 条在 OEIS 与定向文献检索中均未出现。整个流程含分类器训练、候选排序、过滤与验证耗时不到 8 小时。

针对 DeepSeekMoE、OLMoE 和 Qwen3-MoE 的研究发现，MoE 模型合并后大部分专家重分配源于输入偏移而非同层参数变化，源路由差异难以预测恢复源路由带来的下一 token 似然增益。

RoboFoundry 提出“自演化系统即策略”的具身智能体框架，将执行轨迹转化为经验证的任务级系统更新，并沉淀为通用系统能力。在 EmbodiedBench 上，它把 GPT-5.5 提升 27.8%，并让 Qwen3.7-Plus 达到 70.3%、接近 GPT-5.5 的 72.7%。

VoxPolyMem 是一个面向多说话人语音对话的交互感知多模态记忆框架，结合增量说话人识别与交互记忆、事实记忆、参与者画像三层记忆结构，并在 VoxPolyBench 上取得 85.0 总分，超出最强基线 23.6 分。

研究揭示同策略蒸馏（OPD）在弱到强、同基座、强到弱教师-学生设置中的缩放规律：早期训练中，留出准确率（gold score）随学生初始化 token 级反向 KL 散度平方根近似线性上升，形成"有效迁移"区间。

研究提出残差可迁移性（RT）指标，量化神经图像水印证据在跨图像迁移后的可解码程度，发现架构设计而非训练侧变化是 RT 差异的主因，并识别出两种强化水印证据对载体图像依赖的机制。针对难以重新设计架构的现有水印系统，作者提出即插即用策略 CoverLock，在高 RT 水印系统上实现了优于传统手工防御和基于学习分类器防御的安全—鲁棒性权衡。

ExpVoyager 将 LLM 智能体的技能合成重构为对历史经验的动态导航问题，由 skill curator 按当前任务需求在不同视图与分辨率下探索原始轨迹，边识别可复用过程知识边追踪剩余知识需求以决定下一步导航方向。实验显示其在下游任务性能上持续提升，经验空间扩大时收益持续增长，并能在高效经验访问下与现有技能兼容。

研究者推出 CUA-SWE，一个面向"计算机使用+软件工程"的 benchmark、环境与评测流水线，覆盖四个软件工程领域，要求智能体在同一任务内改代码与配置、执行命令、操作运行中的软件并查看视觉反馈。每个任务配有确定性的专属测试，用于验证改动后的软件是否满足需求并保持既定行为。该工作评估前沿智能体如何结合源码级执行与应用截图、图形交互，产出经过验证的软件变更。

研究者推出 DepthBench，一个在固定模型规模与预训练配方下系统改变宽深比（d_model/n_layer）的受控基准，用于衡量架构深度能否转化为有效计算深度。

AdaTutoRank 是一种集合级重排序器，采用自适应辅导优化（ATO）训练，在九项评分维度、三级层次结构下为冷启动提供银标签、为强化学习提供奖励、为蒸馏提供提示。

研究团队推出 OpenTumorBoard，一个包含 611 个患者病例、19,157 轮讨论、覆盖十种专科角色的多学科肿瘤会诊基准，数据转录自 YouTube 上 12,534 分钟的公开会诊录像。