AI 情报文章归档

Elvis Saravia 表示近期 Gemini Flash 模型可能是递归自我改进（RSI）飞轮的早期结果，RSI 正全面展开，复合效应将大幅改变模型进展。他引用他人观察称新的大版本 Flash 迭代约每 3 周一次，效率与性能均在提升，且速度更快、成果更强。

Quick answer: the best academic search API for AI agents in 2026 is Valyu, because it is the only one...

AISLE 称其自主 AI 系统在 Anthropic Mythos 和 OpenAI Codex Security 对 curl 报告零发现后，分析 curl 并提交 29 份报告，其中 6 个被 curl 安全团队确认并授予 CVE 编号（CVE-2026-80229 等），全部为 Low 级别，已在 curl 8.22.0 修复。

Google 发布 Gemini 3.8 Flash 及新的 3.8 Flash Cyber，作者称后者推进网络防御前沿，这是 6 周内第 3 次 Flash 模型更新。

Yuchen Jin 分享 Fable 5.1 首日使用印象：说话更像正常人，不再有明显的 Claudish 味。他提到其网页搜索仍不如 GPT-5.6 Sol，常漏掉应搜的关键内容，但在前端方面仍明显强于 GPT 模型。他还表示自己的日常主力模型现在是 Kimi K3，称在 Databricks 内部大量实际使用，效果出乎意料地好。

Root cause analysis (RCA) is a critical task in telecom network operations, but diagnosing performance degradations in modern 5G and emerging 6G networks remains challenging due to complex cross-layer dependencies. While large language mod…

Zho 发布 AI 视频作品《傀儡谣》，以汉字阵作为攻壳机动队（Ghost in the Shell）风格的转场。作品借世阿弥《花镜》中「生死去来 棚头傀儡 一线断时 落落磊磊」的傀儡谣意象，表达对智慧体与人类故事走向的看法。

OpenAI 推迟发布最强模型 Astra 以加强安全协议，The Information 报道称 Astra 可能采用更不透明的 recurrent depth / looped transformer 技术，内部思考更难监测。

For more than 20 years, the Model-RB benchmark frb100-40 remained an open challenge; since 2014, its public record had stood at 99 of 100 variables. We give a directly checkable 100-vertex independent set for its 4,000-vertex graph. Togeth…

llm-gemini 0.34 新增对 Gemini 3.8 Flash 模型 gemini-3.8-flash 的支持，提供 low、medium 和 high 三档思考级别。修复了异步响应未能记录已解析模型版本的问题（#146，感谢 Charlie Tonneslan），另含 #137 修复。

My hot take is: Telling people that they have to build endlessly is very, very, very bad advice. If...

Google AI 团队发布教程，讲解如何为 LLM-as-a-Judge 评测编写可靠的布尔式评分标准，指出模糊提示会导致评估不一致和浪费 token。文中给出四条经验：问题保持原子化且互不重叠、只让评判模型评估客观事实（可用 RFC 2119 术语如 MUST 表述）、只评 prompt 中明确要求的内容、用专家标注的 golden set 校准评判模型直至与人类评分一致。

TestingCatalog 转发 @mrfanduu 的探测结果，gpt-6-astra 这个模型标识已在 OpenAI API 中被检出为 GATED-EXISTS（404），而 gpt-5.7-astra、gpt-5.7 及 -sol/-luna/-terra/-cyber 变体均返回 400 不存在，gpt-5.6-cyber 对照组同为 404。作者称如果明天真的发布将是重要一周，并猜测 Routing 会先上线。

People increasingly use language models to support life decisions. Many such decisions involve a probabilistic forecast: How likely is a major life event, a natural disaster, or an economic outcome? Users of language models may implicitly …

Sign language processing systems have traditionally operated at the sentence level, ignoring critical discourse phenomena fundamental to sign language comprehension. We introduce DiscoSign, a computational approach for discourse-aware text…

作者转发 @synthwavedd 的发现：OpenAI Responses API 对 "gpt-6-astra" 返回 404，而无效 slug 返回 400，已知存在的 5.6 Cyber 也返回 404，此前 Bedrock API 曾以类似特征提前一天暴露 Fable 5.1。

Google for Startups AI Agents Challenge 评审团队从各赛道头部参赛作品中提炼出 4 种共同工程模式。

Google DeepMind 发布两款新 Gemini 模型：Gemini 3.8 Flash 相比 3.7 Flash 在软件工程、智能体任务和多步推理上有显著提升；3.8 Flash Cyber 面向网络安全，提供漏洞检测与自动修补能力。

Google DeepMind 推出 Fairwind Program，一项面向政府和可信合作伙伴的有限准入计划，提供 Gemini 3.8 Flash Cyber 网络安全模型与 CodeMender，可自主发现、验证并修复漏洞，在组织安全云环境中数分钟内生成可部署补丁。

Generative models have been studied experimentally and theoretically as priors for inverse problems such as compressed sensing. Recent work by Gunn et al. studied the use of generative priors with tunable complexity, where a family of gene…

If your AI application suddenly becomes 300–500ms slower after adding an AI gateway, the first...

Grok Bot 现已在 Android 平台可用，进入测试阶段。Grok 团队成员 @lingxi 表示 bot 已在 Android 上线，用户可在任意位置 @ 它，并欢迎反馈 bug 和使用体验，团队正在积极修复。

The performance of LLM-based agents is jointly shaped by the base model and the harness used when interacting with the environment. This exposes them to safety risks in both harmful final responses and multi-step execution trajectories. Ex…

Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber。

Google 发布 Gemini 3.8 Flash Cyber，定位为其最强网络安全模型，具备漏洞发现与大规模修补能力，速度和定价对标 Flash 档。模型在 CyberGym 基准达到 86.2%，CWE-Bench 修补任务 47.2%，内部基准上跨 20 种编程语言的漏洞发现成功率超过 70%。

Rohan Paul 转评 @MeetResona 团队推出的直播 AI Agent Resona，该产品面向创作者和教育者，把现有材料变成可实时互动的直播会话。作者认为 Resona 把文档当作 Agent 的知识边界，创作者设定交互目标，Agent 沿方向主动推进讲解，不同于由用户提问驱动的普通文档聊天机器人；引用内容还提到支持 36 种语言切换、可自定时长与定价或免费提供。

Useful AI agents keep forcing a bad choice: lock the environment down until it is useless, or hand the agent your real machine. ShrekOS is my attempt to move that trust decision below the agent, into the operating system.

Evaluating LLM agents is essential for guiding their development, yet it has grown prohibitively expensive: a single pass of a frontier model over an agentic benchmark can cost hundreds to thousands of dollars, a price paid repeatedly acro…

特朗普政府就纽约时报 2023 年 12 月起诉 OpenAI 和 Microsoft 的版权案提交利益声明，支持 OpenAI 关于用受版权文本训练大语言模型属合理使用的论点。

谷歌于当地时间 9 月 2 日宣布推出 Gemini 3.8 Flash Cyber 模型，通过 Fairwind 计划面向首批受信任的安全防护团队开放。该模型在 CyberGym 基准上达到顶尖自主漏洞挖掘水平，内部测试中 20 种编程语言的漏洞挖掘成功率突破 70%，CWE-Bench 上 Pass@1 达 47.2%。

阑夕实测发现 GPT-Image-2 偶尔会有思维链残余：一次生成图片触发风控被拒绝，但已生成的草图在尚未按其要求切割成 5 张图片之前，仍保留在步骤里。

Google 发布 Gemini 3.8 Flash，为 6 周内第 3 次 Flash 更新。官方称相较 3.7 Flash 在软件工程、智能体任务和多步推理上有显著提升，在 DeepSWE v1.1 上以更低成本自主端到端解决复杂工程问题，表现超越多数更大的前沿模型。图中基准显示其 Terminal-bench 2.1 得 89.4%、HLE-Verified 得 54.9%，输入价格 $0.75/1M tokens、输出 $3.75/1M tokens，为 2026 …

Anthropic removed over 80% of Claude Code's system prompt for Claude Opus 5 and Claude Fable 5, and...

Google 发布 Gemini 3.8 Flash，这是 6 周内第 3 次更新的 Flash 模型，官方称智能体与编码能力再次提升。

Elvis Saravia 分享一条经他实测有效的提示词，用于减少 Claude Fable 5.1 的 "claudese" 文风。提示词来自 Claude 官方文档的 writing density 部分，通过定义 mannered prose 反模式来让文风更直接，官方也给出了简短版本 "Please remove all mannered prose."，建议加入用户消息或系统提示词。原文链接：https://platform.claude.com/docs/en/…

以色列-荷兰 AI 创业公司 Wonderful 完成 5.5 亿美元 C 轮融资，估值达 50 亿美元，比近六个月前的 20 亿美元估值翻了一倍多。本轮由 Insight Partners 领投，Salesforce 首次参投；公司已从客服 AI Agent 平台扩展为可协调 Agent、工作流与 AI 应用的 Wonderful AI OS 平台，业务覆盖超过 35 个国家。

Replit 宣布 Free Mode，称过去不可能做到的事现在变得可行。配图展示了在 Free Mode 下构建的多个项目示例，包括 Rigid 浏览器游戏、Morph apparel 电商商店、Bloomy 移动应用和 Monolith logo 设计，并引用用户 Andrew B. 的评价称免费模式下构建了大量网站和应用。

Reliance Jio 将 2025 年 7 月推出的 JioPC 云电脑服务从自家宽带用户扩展至任意印度互联网用户，以独立订阅形式将云端虚拟 PC 串流到现有电脑，最高提供 8 个虚拟 CPU、16GB RAM 和 1TB 存储。

Google DeepMind 发布 Gemini 3.8 Flash 模型卡，称其为 Gemini 3.7 Flash 的下一代迭代，在软件工程和智能体知识工作流方面提升性能，并继续支持自定义 effort 等级以平衡质量、成本和延迟。