AI 模型发布与更新

MIT 土木与环境工程系副教授 Cathy Wu 的研究显示，用强化学习训练时筛选出表现好的 10% 问题，可将训练效率提升最多 30 倍，原本需要 100 个训练模型的任务只需 3 个。她的团队还证明，智能控制车速的生态驾驶措施可将车辆排放降低 11% 至 22%。

Dan Hendrycks 发文称，即使 AI 变得有意识，也不意味着人类应把控制权交给它们。其引用的报道提到，纽约时报报道称 Anthropic 联合创始人 Chris Olah 曾因教皇不认可机器意识而威胁退出教皇 Leo XIV 的 AI 通谕发布活动，随后其团队私下游说教皇顾问重视模型意识的可能性，Anthropic 还在保密协议下接触神学家和宗教学者，希望他们认可 Claude 具有道德地位。作者附图对比了功利主义与其提出的 Eigenism 在 AI 意识情景下…

Black Forest Labs 发布 FLUX 3 Image，是 FLUX 3 多模态模型中负责图像生成与编辑的部分，可用边界框在 0 到 1000 的画布网格上控制每个元素的位置，也支持直接用提示词生成。

Arena 发布本周榜单更新：GPT-6.1 Sol (Max) 进入 Code Arena: WebDev 第 3 并以 $8/MToken 加入 Pareto 前沿，随后被 Sonnet 5.5 挤至第 4 并跌出前沿。

个人 AI 显然应该跑在你的设备上 很喜欢 Sigil 用 Underdog 在做的事——由 Hugging Face hub 提供支持

作者总结智能体编程带来的四个问题：LLM 生成代码带有让人难以亲近的 slop 风格，如 Claude 输出词 salad、Astra 写出代码高尔夫式风格；工程师因远离直接编码而失去掌控感与责任感；技能退化真实存在，长期使用 AI 后智力下滑，且 AI 使用几乎没有学习曲线；团队聊天被 agent 对话取代，人际交流与技能表达被削弱。作者自认对这些困境没有解决方案。

Ai2 开源基于 Qwen3-8B 的科学报告生成模型 AstaBrief 8B 及训练数据，该模型将研究问题和检索到的文献片段一次性生成带引用的报告，已作为 Fast 模式上线 Asta 的报告生成功能。

一名开发者发文《AI Makes Me Sad》，坦言每次看到 AI 新进展都感到无望，不愿以给 Codex 或 Claude 写提示词为生，认为这意味手艺、控制力与创造力的丧失。他批评 X 上大量认证机器人用 LLM 生成无意义回复却无人治理，并指出数千亿甚至数万亿美元的 AI 投入对日常应用用户几乎没有带来实际收益。他仍抱有希望：科技行业变化极快，AI 在社会中的角色会在几年内定型。

最后一天！⏰ 用 GPT-Image 2.5 UNLIMITED 把城市变成你会在博物馆礼品店买的东西。

第一部好的 AI 电影会以 Ben Affleck 讲解学习率开场。Matt Damon 演基座模型

Microsoft AI 发布实时转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首段结果仅约 100 毫秒，微软称其在 Artificial Analysis 准确率排名第一，限期内每小时音频 0.54 美元。

德国 AI 公司 Black Forest Labs 于 10 月 2 日发布图像生成模型 FLUX 3 Image，支持生成最高 4K 分辨率图片。用户可在 0–1000 坐标网格上通过 ID、描述文本和边界框精准排布画面元素，单次生成最多融入 10 张参考图像，并支持像素级精确多轮编辑。该模型目前以付费服务提供，开放模型版本将于数周内公开。

Ai2 开源 AstaBrief 8B，一个基于 Qwen3-8B、将研究问题和检索文献片段转化为带引用报告的科学报告生成模型，现已在 Asta 的 Generate a report 功能中作为 Fast mode 上线，并连同训练数据开放下载。

Black Forest Labs 发布 Flux 3 模型家族的图像模型 Flux 3 Image，宣称支持多步编辑且不改动图像其他部分，覆盖文生图、图生图、文字渲染和照片级真实感。

AWS Strands Labs 开源决策模型 Strands Decider 2B（1.9B 参数），不生成文本，只在选项、yes/no 概率或量表评分中给出带置信度的答案。

小米 MiMo V2.6 Pro 进入 Arena 的 Agent 榜单第 19 名，输出价格为每百万 tokens $0.87，低于排在其前的 18 个模型。其单任务中位成本 $0.10，并列 top 19 中最低，与排第 15 的 DeepSeek V4.1 Flash (Max) 持平。

Cloudflare 于 10 月 1 日发布基于 Qwen 的开源多模态决策模型 Clef，包含 Clef 与 Clef-flash 两款，分别基于 Qwen3.8-27B 和 Qwen3.5-9B。

可灵AI公众号发布超级创作者、奥美资深创意总监盛健松对 Kling 4.0 内测版的实测。Kling 4.0 已开启内测，将于10月正式发布，支持最长30秒原生视频生成、主体与场景资产调用、声音延续、动作迁移，并提升复杂运镜稳定性、长提示词理解和跨镜头一致性。

Signal65 报告测试显示，高通 18 核骁龙 X2 Elite（X2E-88-100）在 CPU、AI 和多数续航项目中领先英特尔酷睿 Ultra X7 358H。

Cloudflare Workers AI 团队发布首批自训模型 Clef（27B，基于 Qwen3.8-27B）和 Clef-flash（9B，基于 Qwen3.5-9B），二者为决策模型，针对类型化问题返回各选项概率而非自由文本，以 Apache 2.0 开源并兼容 TypeSafe AI 的 Jev System One API。

Artificial Analysis 发布 Coding Agent Index 榜单，Claude Sonnet 5.5 (max) 在 Claude Code 以 68 分居首，但每任务成本最高达 $14.19。

VC Tomer Tunguz 提出 AI 时代软件的两种构建哲学：vibe coding 像在多个培养皿中并行迭代让软件生长，而设计式软件是状态机设计。与 AI 共同设计状态机时可让 AI 给出流程图，把每个分支铺进表格使漏洞暴露，并用形式验证（引用 Boris Cherny 用 Lean 和 TLA+ 验证 Claude Agent SDK 的做法）保证软件按预期运行，适合必须可靠的核心系统。

GPT-6 Astra Ultrafast 现已在 OpenAI API 及符合条件的 ChatGPT Work 和 Codex 用户中可用，运行在 NVIDIA Blackwell GPU 上。

Black Forest Labs 宣布发布新图像模型 FLUX 3 Image，主打精确编辑并支持 4K。用户已可在 Tools Playground 试用新功能，开放权重计划在未来几周内放出。

微软于 10 月 1 日发布首个实时流式语音转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言和自动语言检测，可在讲话进行时持续输出文字。

Artificial Analysis 自行本地部署评测了阿里 9 月 20 日以开源权重发布的 Qwen-Image-2.1，该模型在 AA-Image-T2I v2.0 和 AA-Image-Editing v2.0 上均排名第 18，为两个榜单上排名第一的开源权重模型，超过 Ideogram 4.0（Quality）和 HunyuanImage 3.0 Instruct。

"今天，我们发布两个由 Cloudflare 训练的决策模型，Clef 和 Clef-flash" https://blog.cloudflare.com/clef-decision-models/ 从没见过一个想法传播得如此之快。

Artificial Analysis 的 Coding Agent Index 新增安全拒答报告，可查看拒答发生在任务提示词阶段还是任务中途，以及拒答后智能体切换到了哪个回退模型。

@Alibaba_Qwen @baseten 榜单成本是将阿里云公开的 token 价格套用到记录的 token 用量上估算得出，而非使用我们的专用推理费用。 ARC-AGI-3 的测试完成后，我们会公布结果。 完整结果：https://arcprize.org/results/alibaba-qwen3-8-27b

@Alibaba_Qwen @baseten - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Qwen3.8-27B 完整结果：https://arcprize.org/results/alibaba-qwen3-8-27b

ARC Prize 公布阿里千问 Qwen3.8-27B 在 ARC-AGI（Verified）的评测结果：ARC-AGI v2 得分 42.4%，每任务成本 $0.45；ARC-AGI v1 得分 87.5%，每任务成本 $0.22。Qwen 的聊天模板为 low 和 xhigh 推理档提供引导，但没有 medium 档，这可能是 medium 档消耗更多 token 却得分低于 low 的原因。

Tavus 发布首个 Human Interaction Model（HIM）Griffin，称其为首个通过视频图灵测试的模型。48% 与其实时视频对话的人误以为对方是真人，此前系统通过率低于 3%，并位列 NVIDIA 全双工 AI 视频基准第一。作者 Rohan Paul 转引 Tavus 官方发布并补充演示视频中的表现。

ARC Prize 2026：ARC-AGI-3 里程碑 #2 获奖者 恭喜三位获奖者开源了他们的高分 ARC-AGI-3 解决方案： 1. Daniel Franzen - 27.9%，$25K 2. Lord Han Solo - 23.8%，$7.5K 3. Lohit Siriki - 22.5%，$5K 了解更多关于每个提交方案的信息：

Grok 4.7 已在网页端可用。截图显示 Expert 模式提示“Thinks hard Grok 4.7”，界面还提供 Auto、Fast、Build、Heavy 等模式选项。

一个有趣的结果：Fable 5.1 得分 44.6%，高于 Fable 5 的 37.3%，同时平均少用 33 分钟。这里的进步也意味着从每小时的自主工作中获得更多产出。 大多数智能体运行 8–10 小时，却取得显著不同的分数。下一个有趣的问题是，每多运行一小时，每个智能体能获得多少提升！

Arena 宣布 Xiaomi MiMo-V2.6-Pro 和 MiMo-V2.6-Flash 登陆 Agent Arena。Pro 在 8.1K+ 真实智能体会话中净提升 +3.17%，列开源模型第5，较 MiMo-V2.5-Pro（第13，-7.23%）提升9个名次；其 Confirmed Success 得分 +7.35%，列开源模型第2。

Tavus 发布 Griffin，称其为首个通过视频图灵测试的模型，属于 Human Interaction Model（HIM）。与 Griffin 实时对话的受访者中 48% 认为它是真人，此前系统通过率低于 3%，并在 NVIDIA 的全双工 AI 视频基准上排名第一。fal 转发该发布并祝贺 Tavus 团队。

webAI 发布开源模型 TwIL-LM3-Pro，仅 3.6B 参数，可在普通电脑本地量化运行，BIG-Bench Hard 得分 95.4，远超 Qwen3-8B 的 63.7。其训练配方为：在形式逻辑上微调、将权重合并回基座模型，再用程序化验证器做 RL，逻辑分数提升的同时通用推理保持稳定。该模型在 SVAMP 上得 95%、MuSR 上得 64.1%，均为所比较小模型中的最高分。

Grok 4.7 正在 Grok 网页版和移动应用中推出，成为所有模式下的基础模型，包括 Fast、Expert、Build 和 Heavy。作者提到明天的每日 AI 简报预计会因此变得更好。

我有很多疑问 @baggiiiie：至少我们知道它认为自己是gpt家族的一员 而且不知怎么的还一度以为是coderabbit 😆