AI 情报文章归档

Epoch 持续做着 AI 领域最优秀的公共基准测试工作之一。这很有帮助（也告诉我们基准测试的现状有多糟糕，以及我们最爱的一些基准有多差） Epoch AI 推出 Benchmark Reviews：一项审查 AI 基准测试的新计划。首批覆盖 15 个基准：4 个通过验证，9 个存在缺陷，2 个信息不足无法审查。

我认为值得继续追问：实验室是否会吞掉每一个有价值的AI垂直领域，尤其是当它们的产 品开发成本因AI而越来越低，再加上在token成本上的直接定价优势以及对底层模型本身的访问 权。

《纽约时报》等诉微软、OpenAI 版权案中，双方机密内部文件公开。微软主管 Brent Hecht 称用新闻内容训练 AI 是前所未有的大规模盗窃，OpenAI 的 ChatGPT 负责人 Nick Turley 也承认 AI 产品可能给出版商带来生存性威胁。

台积电暌违 3 年决定重返龙潭设厂，新竹科学园区龙潭园区扩建计划草案已获审议通过。扩建约 104 公顷、开发经费约 956.28 亿元新台币，龙科三期优先锁定 1.4 纳米（A14）以下埃米世代先进制程，初步规划三座晶圆厂，首座厂目标 2030 年前后完工，整体投资规模估计超 1 万亿新台币。龙潭并非 A14 首批量产基地，但可能承接 AI 需求放大后的第二波产能扩张。

The "best self-hosted AI code review tool" question gets searched constantly, and almost everything...

Most chat interfaces have three states: empty, loading, and finished. Agent workflows have many...

I gave my Actor a GitHub MCP connector. It could see 44 tools and use 4. I publish 22...

TypeSafe AI 推出专注高频决策的大模型 Jev，不做对话和文字生成，只输出判断，速度比传统大模型快20～200倍，成本0.042美元/百万Token且输出Token免费。作者实测预筛任务中Jev准确性第二且更便宜，在并行判断任务上达到最高准确率和最快速度；模型采用RLCD训练方法优化决策校准，可在官网 https://typesafe.ai/ 申请资格，Vercel 已首发接入。

I connected my audit Actor to Claude, and it audited three packages nobody asked for I...

Explore how diffusion models are revolutionizing AI code generation. Learn the technical architecture, latent space strategies, and engineering challenges of moving beyond autoregression.

谷歌正以"gemini-3.8-flash"名称在 Arena 等基准平台测试其最强模型 Gemini 4 Pro，内部开发代号为 Argon。网友晒出的测试显示，该模型生成"鹈鹕骑自行车"SVG 图片表现优秀，并被拿来与 OpenAI 最强模型 GPT-6 Astra Pro 对比，网友认为谷歌官方发布后其能力还会进一步提升。

作者从 2026 年 9 月 8 日研究员 Jacob Coxon 辞职 Anthropic 并发文警告 AI 可能毁灭人类的事件切入，追溯其背后持续二十余年的理性主义亚文化。

研究者提出 Infinite-Parameter LLM，用紧凑超网络把运行时数据转成共享基座网络的低秩调制，使前馈权重由实时数据生成而非固定专家库存储。该方法对生成器隐码维持贝叶斯信念并在线更新，权重随会话演进重新推导，存储占用固定但可编译权重实际无限。作者称将运行时知识写入权重可摊薄计算、释放上下文窗口、跨轮次持久，并给出对照 in-context learning 与检索的评测协议。

Functionalizer 是一种无损预分词框架，在分词前将大小写、变音符号和字符重复等拼写变化拆解为 Unicode 私有使用区中的 opcode/operand 前缀流，且完全可逆。在自然语言与代码语料上，它最多可减少 19.7% 的实际词表槽位需求；在 98M 参数 GPT-2 上，Python 代码语法有效率从 7.70% 提升至 9.12%，并减少了自然语言中的重复 n-gram。

研究者提出 Calibrated On-Policy Distillation（Cal-OPD），通过正负特权干预估计教师自身偏差区域，并据此校准教师-学生差异，仅保留超出该区域的部分作为优化信号。在数学推理基准上，Cal-OPD 仅保留约 52-65% 的原始教师-学生差异，却在各模型规模上持续优于标准 OPD 及其变体。

MintAct 是一系列视觉语言模型，统一了 UI grounding、跨移动端/桌面/Web 的多步导航与视觉工具使用，提供 2B、4B、8B 三种规模，性能可匹配各领域专用模型。其配套的可扩展环境与异步 RL 框架支持数百个并发实例和在线强化学习，在 OSWorld-Verified 上取得 48.9 的 SOTA 成绩。

OpenRouter 对其路由的 20 个图像生成模型用相同提示词实测计费，单张图片成本在 $0.006 到 $0.134 之间，相差 22 倍。

Epoch AI 发布 AI Use in Math Research 探索工具，提供 2023 年 1 月至 2026 年 8 月 arXiv 数学预印本中 AI 致谢率及致谢类型的月度估算。该工具为初始版本，原文同时列出了局限性说明。

研究者构建了机器人化流水线，将异构人类视频转换为机器人对齐的观测与动作轨迹，并据此构建了 HuRo 数据集，包含约 630K 机器人化 episode 和 142M 处理帧，来自五个人类视频来源。

Epoch AI 发布"AI Use in Math Research"探索器的方法说明，用 GPT-5.6 Sol 读取 2023 年至今的 arXiv 数学论文全文，识别 AI 使用致谢并分类研究、写作、代码计算、文献综述与形式化等用例，Claude Fable 5 独立复核研究类与形式化标签。

论文提出 Probe of Internal Recognition（PIR），向模型呈现问题及候选答案，从内部状态读取模型识别为正确的选项，无需诚实参考模型或标注真值语料。

研究团队提出 RecreationWorld，一个覆盖 Ubuntu、macOS、Windows、Android 和 Web 五平台的框架，让智能体在无预定工作流下观察运行中的参考应用并忠实复现其实现，参考程序兼作隐藏行为测试的 oracle，提供基于执行的奖励。

Apple 研究团队提出 Dynamically Scaled Activation Steering（DSAS），一种与具体方法无关的引导框架，将"何时引导"与"如何引导"解耦，在生成时按层和输入自适应计算缩放因子，仅在检测到不良行为时施加强引导。

Factory 发布新部署选项 Factory Private，可在客户自有 VPC、本地环境或气隙网络中运行，Droids 与敏感数据均留在客户侧。Factory 由此形成 Factory Managed、Factory Private、Factory FedRAMP 三种部署模式，其中 FedRAMP 授权仍在进行中。

Designer-RSI 让冻结的前沿模型通过 230 多个工具操作专业设计软件，并用外部程序性记忆从经验中积累自然语言技能。在 1，406 条真实用户 brief 上经五轮迭代，技能库从 76 个扩展到 139 个，Claude-Sonnet-4 的 GenEval2 执行成功率从 72.7% 升至 99.3%，生成质量提升 11.99 分。

PARTS 是一个真实世界子任务 RL 框架，让冻结的预训练策略提供常规动作，由智能体生成的 selector 与成功验证器激活残差修正并提供局部结果奖励，从而在完整任务成功稀少时也能从成功子任务中学习。

IntBMoE 通过稠密专家组合与稀疏块执行，解耦 MoE 的参与度、计算量与显存占用，块来自小型学习码本，超网络将每层专家池合并为组合专家。图像分类实验显示其持续优于代表性稀疏与稠密 MoE 基线，语言建模与序列推荐实验验证了泛化能力。该架构已部署于高德生成式推荐系统，服务数亿用户，60ms 延迟预算下在线 A/B 测试 UVCTR 相对提升 2.4%。

Epoch AI 发布「AI Use in Math Research」数据集，以 gzipped CSV 形式提供按子领域划分的 arXiv 数学论文月度趋势数据，更新于 2026 年 9 月 18 日。数据可在其官网以可视化形式查看或下载，采用 Creative Commons Attribution 许可，可免费使用、分发和复制，需注明来源与作者。

Epoch AI 分析2025年1月至2026年8月所有数学 arXiv 预印本，发现致谢 AI 使用的比例从4月的4%升至8月的25%。方法是用 AI 关键词筛选后由 GPT-5.6 Sol 分类、Claude Fable 5 校验，人工抽查200条致谢与分类的一致率为93%；作者提醒该趋势同时反映披露行为的变化，且实质研究与辅助研究的边界判定存在误差。

研究提出 OmniVChat 任务，让 omni 模型直接同时接收用户音频与视频并返回文本，无需独立文本提问、外部描述或语音识别。为此构建多智能体数据引擎 OmniVChat-Studio 合成单轮与多轮音视频对话，并推出覆盖五类能力的评测基准 OmniVChat-Bench。

Epoch AI 指出其数学研究 AI 使用统计存在多重局限：AI 致谢与用例分类由 GPT-5.6 Sol 完成，可能含错误，且仅凭披露难以精确判断 AI 贡献程度。数据仅覆盖 arXiv 预印本正文中自愿披露的 AI 致谢，趋势可能反映披露行为变化而非 AI 使用变化，源文件注释中的提示词等信号被排除。作者识别对常见姓名、早期研究者及无 arXiv ID 或 ORCID 者可能不准或不全。

Gricea 是一个将对话式 AI 研究表示为可配置、可部署研究制品的开放科学平台，研究者可运行、检查、共享和复用这些制品。在一项复现研究中，Gricea 复现了 CUI 2026 合格论文中 93% 的配置，同时标记出 96% 论文中阻碍忠实复现的缺失信息。用户研究显示，不同背景的研究者与从业者均能用它构建可运行的研究。

CodeMidas 是一个以源码为唯一任务输入的智能体流水线，把现有代码库中已实现的功能转化为可执行的 RL 环境，共产出 3，185 个开源代码库、23 种编程语言、15 个技术领域的 5，545 个训练任务。

研究者推出 OmniVBench 基准与 Omni-R2V Dataset，用于评估和训练全能参考生视频（omni R2V）模型。OmniVBench 覆盖 7 个任务族、18 个细粒度任务，采用含 12，172 条案例专属清单项的因素锚定评估；Omni-R2V Dataset 含 340K 处理后的训练样本。

APort Vault 发布 AI 智能体支付授权基准，回放人类在公开 CTF 活动中针对在线支付智能体写下的 4，371 次攻击，覆盖 8 家实验室的 14 个模型、5 种策略配置和两条回放轨道，共完成 225，964 次评测。

一家全球金融科技公司通过 Together 的 Dedicated Model Inference 在 GLM 5.2 上运行编码助手，应对集中在工程时段的高峰流量。

GraphSkillEvo 将 LLM 智能体技能表示为图结构自然语言产物，节点为执行步骤及操作指引、有向边编码步骤间的情境转移，并在此基础上用带变异与交叉算子的种群进化框架优化技能。在五个智能体基准上，它平均准确率超过基线 SkillOpt 4.01%（GPT-5.4-nano）和 1.76%（GPT-5.4），代码已开源。

Rohan Paul 转引 @deredleritt3r 的发现：GPT-6 Astra 破译了一条据称此前从未被破译的 1918 年德国无线电报，明文大意为英军一艘巡洋舰于某月 24 日抵达塞瓦斯托波尔、一支协约国舰队将于 26 日跟进。

联想 Vantage 外设管理应用已上架 Google Play 商店，可为 Googlebook 用户查看设备 RAM、存储容量、序列号、系统版本与保修状态，并对外设快捷调参。