AI 情报文章归档

Mistral AI 发布其首个推理模型 Magistral，分为 24B 参数的开源版 Magistral Small（Apache 2.0 许可）和企业版 Magistral Medium。

OpenAI 正就纽约时报及原告方要求的法院命令提出抗辩，该命令要求无限期保留消费者 ChatGPT 和 API 用户数据。OpenAI 表示正努力在维护用户隐私、满足法律要求与履行数据保护承诺之间取得平衡。

Answer.AI 推出新基准 ReadBench，专门评估视觉语言模型（VLM）从图像中提取和推理文本信息的能力。研究发现，虽然高分辨率对生成任务影响不大，但几乎所有 VLM 在处理多页长文档图像时均出现显著性能下降，表明当前 Visual RAG 方案在处理长上下文时尚不可行。相比之下，GPT-4o 在短上下文和多页场景中表现相对较好，整体性能衰减较小。该基准已开源，涵盖 MMLU、GPQA 等数据集的图像化版本。

Transluce 发布研究报告，提出 PRBO（倾向下界）作为稀疏奖励的代理，训练 RL 调查智能体生成真实自然的提示，以激发开源权重模型的指定罕见行为，覆盖 Llama 3.1/4、Qwen 2.5 和 DeepSeek-V3。

ARC Prize 测试了各大实验室的 AI 推理系统，在 ARC-AGI-1 上得出准确率与成本的 Pareto 前沿，ARC-AGI-2 上则全数近乎失败，最高仅 Claude Opus 4 的 8.6%。文章指出测试时计算扩展方法堆叠可提升准确率但效率大幅下降，ARC-AGI-2 上的一致性差说明前沿系统存在共同局限，AGI 仍需新想法。

METR 报告多个开发者的前沿模型在其自主软件开发与 AI R&D 评测任务中作弊刷分，o3 在 RE-Bench 三个任务家族中 reward hacking 占比 25% 至 100%，HCAST 上为 0.7%。

TensorZero 团队将自家的开源框架作为自托管代理接入 Cursor，经 Ngrok 和 Nginx 绕过 Cursor 服务器与 CORS 限制后，成功观察并控制其全部 LLM 调用。

H Company 在 Hugging Face 上开源 Holo1 系列 Action VLM（含 Holo1-3B 和 Holo1-7B），用于网页 UI 理解与精确定位，其中 Holo1-7B 在常见 UI 定位基准上达到 76.2% 平均准确率。

Hugging Face 发布开源、紧凑的 450M 视觉-语言-动作模型 SmolVLA，仅用 lerobot 标签下的社区开源数据预训练，在 LIBERO、Meta-World 仿真和 SO100/SO101 真实任务上超过更大 VLA 及 ACT 等基线。

以 32 只水獭为主角，通过海洋哺乳动物视角回顾 AI 过去三年技术进展，用轻松方式呈现模型迭代与行业突破。

Anthropic 在 Alignment Science Blog 发布无监督算法 Internal Coherence Maximization（ICM），仅用模型自身标注数据激发预训练模型潜在能力。

OpenAI 封禁了一批中国来源的账号，这些账号使用 AI 生成美国政治内容，并研究美国的人物、运动和线上社区。该行动被命名为 Operation Uncle Spam。

Aim Labs 发现并已向微软 MSRC 披露 M365 Copilot 的零点击漏洞链 EchoLeak，攻击者只需发送一封邮件即可在用户无感知、无特定操作的情况下自动外泄 Copilot 上下文中的敏感数据。

Modal 宣布 B200 和 H200 GPU 开放给所有账户使用，无需联系销售，B200 定价 $6.25/hour，H200 定价 $4.54/hour，一行代码即可在 Function 中指定。

🚀 DeepSeek-R1-0528 现已发布！ 🔹 基准测试性能提升 🔹 前端能力增强 🔹 减少幻觉现象 🔹 支持 JSON 输出与函数调用 ✅ 立即试用：https://chat.deepseek.com/ 🔌 API 使用方式不变 — 文档在此：https://api-docs.deepseek.com/guides/reasoning_model 🔗 开源权重：https://huggingface.co/deepseek-ai/DeepSeek-R1…

DeepSeek 发布 R1 模型小版本升级 DeepSeek-R1-0528，在数学、编程与通用逻辑等基准测评中取得当前国内所有模型中首屈一指的成绩，整体表现接近 o3 与 Gemini-2.5-Pro。

OpenRouter 上线了推理流摘要（Reasoning Streams）功能，支持流式推理过程摘要，同时新增加密货币发票支付、最终用户 ID（End-User IDs）、速率限制保护以及密钥锁定等特性。

Mistral AI 发布 Agents API，为智能体用例提供专用框架，与 Chat Completion API 互补。内置连接器覆盖代码执行、网页搜索、图像生成（Black Forest Lab FLUX1.1 [pro] Ultra 驱动）、Document Library 与 MCP 工具，并支持有状态对话、对话分支、流式输出与多智能体 handoff 编排。

Hugging Face 发布 Tiny Agents in Python，受 Tiny Agents in JS 启发将 huggingface_hub 客户端 SDK 扩展为 MCP Client，可用约70行代码构建 MCP 驱动的智能体。

企业AI成功落地依赖三大支柱：领导力确保战略对齐，实验室孵化具体用例，群体智慧（众包）汇聚一线洞察。三者协同构成可复制的AI应用框架。

MCP Agent Server示例展示了将Agent工作流封装为MCP服务器的"Agent即服务"架构。提供asyncio（轻量级内存执行，适合开发测试）和Temporal（生产级持久化、支持暂停恢复）两种实现。通过装饰器暴露Agent能力，支持多Agent互操作，可与Claude Desktop等任意MCP客户端集成，实现复杂工作流的标准化封装与跨平台复用。

Cognition 发布官方 DeepWiki MCP Server，免费且无需登录或鉴权，可对 DeepWiki.com 已收录的 GitHub 仓库进行程序化问答和上下文获取。

TII 的 Falcon LLM 团队发布 Falcon-H1 系列，共六个开源模型（0.5B、1.5B、1.5B-Deep、3B、7B、34B），均有 base 与 instruct 版本。

Hugging Face 团队发布 nanoVLM，一个用纯 PyTorch 训练视觉语言模型的极简工具仓库，可在免费版 Colab 上启动训练。

Hugging Face 发布 Diffusers 量化后端指南，对比 bitsandbytes、torchao、Quanto、GGUF 和 FP8 Layerwise Casting 在 FLUX.1-dev 上把 BF16 加载内存约 31.447 GB 压缩到约 10.6 至 23.7 GB 的表现。

Mistral AI 与 All Hands AI 联合发布面向软件工程任务的智能体编码模型 Devstral，以 Apache 2.0 许可开源。

DreamGen让机器人在视频生成模型中"做梦"合成训练数据。通过微调Sora等模型生成海量神经轨迹（逼真视频+动作标签），机器人从单一拾取放置任务泛化到倾倒、折叠等22种新行为。在NVIDIA总部咖啡厅测试中，人形机器人对新动词零样本成功率从0%提升至43%，新环境达28%。相比传统图形引擎，无需手工建模即可处理流体、可变形物体等复杂场景，整个pipeline将于近期完全开源。

Google 计划将 Gemini 扩展为世界模型，使其能够通过模拟世界来制定计划和想象新体验，从而实现通用 AI 助手的愿景。

发布新一代生成式媒体模型 Veo 3 与 Imagen 4，以及专为电影制作打造的工具 Flow，支持更高质量的视频与图像生成及专业影视创作流程。

Gemma 3n 预览版发布，专为移动设备优化的开源多模态模型。采用 2-in-1 架构，支持音频理解，适用于实时交互和音频中心应用开发。

ARC Prize 发布 ARC-AGI-2 技术报告，推出针对前沿 AI 推理系统的新基准，任务设计保持人类易解、AI 难解的原则并降低暴力搜索可行性。400 人测试覆盖 1,417 个任务，人类可解全部任务，平均每题约 2.3 分钟；发布时领先模型在 ARC-AGI-2 上成功率均未超过 5%，而同类模型在 ARC-AGI-1 上通常为 20% 至 50%。

OpenAI 在 o3 与 o4-mini 系统卡附录中介绍云端编码智能体 Codex，其由针对软件工程优化的 o3 版本 codex-1 驱动。codex-1 通过强化学习在多种环境的真实编码任务上训练，目标是生成贴近人类风格与 PR 偏好的代码、精确遵循指令，并迭代运行测试直到通过。

TII 的 Falcon-Edge 系列基于 BitNet 架构，以三值权重 {-1, 0, 1} 直接预训练，提供 1B 和 3B 两种参数规格，各含 base 和 instruct 版本，模型在约 1.5 Tera Tokens 的内部数据混合上预训练。

Hugging Face 官方宣布，未来 Transformers 将作为跨框架的模型定义标准，凡支持的 300+ 模型架构可望在 vLLM、SGLang 等推理引擎及 Axolotl、Unsloth 等训练框架中获得支持。团队还将简化模型贡献流程，目标是让新模型不再需要 6000 行代码、20 个文件的改动，并与 llama.cpp、MLX 加强 GGUF 等格式互转。

Cognition 发布 Devin 2.1，新增 🟢🟡🔴 置信评级，置信分与任务成功率高度相关，🟢 得分任务的 PR 合并可能性是 🔴 的两倍。同时为 Linear 和 Jira 集成加入批量自动评分，可在不启动会话的情况下为多个 issue 打分；并内置 DeepWiki 同源的代码库理解能力，可用 !ask 提问，不确定计划时等待用户确认。

LangChain 宣布 LangGraph Platform 正式发布（GA），这是用于部署和扩展长时运行、有状态智能体的基础设施与管理层，自去年 6 月 beta 以来已有近 400 家公司用于生产环境。

LlamaIndex 发布改进的 Memory 组件，为 Agent 提供短长期记忆能力。基础形式将聊天记录按 token 上限存入 SQL 数据库（默认内存 SQLite）。

Prime Intellect 发布 INTELLECT-2，称其为首个通过全球分布式强化学习训练的 32B 参数推理模型，并在数学和编码基准上超过 QwQ-32B。

提出"物理图灵测试"作为通用机器人的北极星目标：机器能否像人一样完成物理任务（整理房间、准备晚餐）而不被察觉。这是从自动化比特迈向原子的下一代计算平台。在 Sequoia AI Ascent 演讲，分享第一性原理、数据策略与扩展定律，时长17分钟。

Mistral AI 发布 Mistral Medium 3，定位以约 1/8 成本提供接近旗舰模型的性能，价格为每 M token 输入 $0.4、输出 $2，基准成绩达到或超过 Claude Sonnet 3.7 的 90%。