全部 AI 动态

Factory 的 Legacy-Bench 加入 Fireworks 专项智能指数，评测哪款模型最适合遗留代码

Factory 的 Legacy-Bench 正式加入 Fireworks 的 Specialized Intelligence Index（SII），用于评测前沿模型在 COBOL、Java 7、BASIC、C89、Fortran 和 Assembly 等遗留语言上的调试、实现与迁移能力。

SemiAnalysis 发布 ClusterMAX 3.0 GPU 云评级，Nebius 晋级铂金

SemiAnalysis 发布 ClusterMAX 3.0 GPU 云评级报告，覆盖 77 家 neocloud 并将市场观察范围从 209 家扩至 323 家，Nebius 与 CoreWeave 同列铂金，Google Cloud 加入 Oracle 所在的金级，Azure 降至银级，全球仅 19 家获得奖牌评级。

OpenAI 联合 80 多位心理健康专家发布开放基准 MentalHealthBench

OpenAI 发布开放基准 MentalHealthBench，评估 AI 在真实心理健康对话中的表现，由来自 22 个国家、19 种语言的 80 多位持证心理学家和精神科医生共同构建。

Anthropic：Claude 自主发现类 CRISPR 的新型酶系统 ART

Anthropic 成立生命科学研究组和实验室，宣布 Claude 智能体在仅有人类高层指导下自主发现一种新型酶系统 ART（array-associated reverse transcriptases），其包含逆转录酶、伴随基因和类似 CRISPR 阵列的等间距 DNA 重复序列，功能尚待研究。

Rohan Paul@rohanpaul_ai· 03:10同事件AI 评分8181

Anthropic 报告其新湿实验室的首个成果：949 个 Claude agent 在约 21.5 小时内自主追踪到一个此前未知的酶系统，消耗 215.6M tokens，搜索了 1.94B 蛋白质簇并回收 198,290 个 RT 簇。

同一件事，精选收录的是《Anthropic 成立生命科学实验室，Claude 自主发现类 CRISPR 的新型酶系统 ART》

Dario Amodei@DarioAmodei· 02:47同事件AI 评分6868

Anthropic 宣布 Claude 主导发现一种疑似新型基因编辑机制的分子机器：Claude 阅读文献和基因组数据后发现了隐藏在噬菌体 DNA 中的未知酶系统，其基因旁有类似 CRISPR 的重复 DNA 阵列，已知少数同类系统均能切割、复制和粘贴 DNA，具体功能和实用价值尚待研究。

同一件事，精选收录的是《Anthropic 成立生命科学实验室，Claude 自主发现类 CRISPR 的新型酶系统 ART》

Baseten Base Labs 实验研究蒸馏何时有助于强化学习

Baseten Base Labs 用 Qwen3 0.6B/1.7B/4B/8B 在 16 个推理任务上比较 GRPO 直接训练与先用 gpt-5.6-sol 教师解法做 SFT 再 RL。

Anthropic 成立生命科学实验室，Claude 自主发现类 CRISPR 的新型酶系统 ART

Anthropic 宣布成立生命科学研究组与实验室，Claude 智能体在仅有人类高层指导下自主发现一种与 DNA 重复序列相关、结构类似 CRISPR 的新型酶系统，命名为 array-associated reverse transcriptases（ART），并发布预印本。

微软研究院：机器人推理卸载至边缘/云端可显著提升性能与续航

微软研究院发布关于物理AI机器人推理基础设施的研究。通过系统评估移动操作任务，发现将推理从机载GPU卸载至边缘或云端，能解决机载算力限制模型规模、导致响应延迟（最高383%）及精度下降的问题。实验显示，卸载推理不仅提升了任务成功率，还通过替换高功耗机载GPU为轻量硬件（如树莓派），使机器人电池寿命延长高达160%。此外，微软推出了基于Kubernetes的Physical AI Toolchain工具集，支持自动化容器化与分布式推理部署。

DeepSeek 发表 DSec 论文公开 Agent 训练沙盒基础设施，梁文锋署名

DeepSeek 发布 DSec（DeepSeek Elastic Compute）论文并署名梁文锋，公开用于 Agent 训练的沙盒基础设施技术细节。

Redwood Research 实测 GPT-6-Astra 借填充 token 大幅提升无推理表现

Redwood Research 测量 GPT-6-Astra 在提示词中加入无意义填充 token 后的表现，发现其在要求大量串行认知的任务上显著提升，4-hop 自然事实推理从约 10-20% 提高到约 50%，旧 AIME 题从约 60-70% 提高到约 90%。

Artificial Analysis 评测 GPT-6 Sol 和 Luna：价格减半但各项表现有升有降

Artificial Analysis 评测 OpenAI 的 GPT-6 Sol 和 Luna，两模型价格较 GPT-5.6 约减半，Sol 定价 $2/$10、Luna $0.10/$0.50 每百万输入/输出 token。

Anthropic 宣布 Claude 自主发现类似 CRISPR 的新型酶系统 ART

Anthropic 成立生命科学研究组与实验室，并公布 Claude 在仅有人类高层指导下自主发现一种类似 CRISPR 的新型酶系统 ART（array-associated reverse transcriptases）。

NTNU综述173项研究：AI对儿童批判性思维影响呈双重性，低龄群体研究严重不足

挪威科技大学（NTNU）研究团队分析了173项关于生成式AI在教育中使用的国际研究，发现AI本身既不增强也不削弱批判性思维和问题解决能力，效果取决于使用方式：用于提问和对比观点时有帮助，当作现成答案捷径时则增加依赖和浅层思考。

Rohan Paul@rohanpaul_ai· 08:42AI 评分5757

Meta 发布 A-MLE（Agentic ML Exploration），一个已在自家广告排序模型上部署的 LLM 智能体框架，自动化提出想法、跑实验、恢复失败任务、比较结果并在模型间迁移经验。

Rohan Paul@rohanpaul_ai· 05:12AI 评分6565

一项为期三个月的随机对照试验覆盖 11 家美国知识产权律所的 133 名专利律师，发现 AI 辅助显著提升专利草稿质量，初级律师获益最大，10 天和 90 天分别提升 0.58 SD 和 0.60 SD，高于资深律师的 0.30 SD。

Rohan Paul@rohanpaul_ai· 04:12AI 评分5555

Salesforce AI 用 Qwen3-Coder-30B-A3B 在 7 项企业任务上测试发现，把 Qwen 用 Gemini 完整轨迹微调后，成功率从 78.0% 降到 63.1%，7 项任务全部下滑，原因是 Qwen 照搬了 Gemini 的规划方式，与围绕它原有行为搭建的智能体设置不再匹配。

Amazon Bio Discovery 发表三篇论文，用 AI 设计并实验验证抗体

Amazon Bio Discovery 团队发布三篇论文，分别针对抗体结合强度排序、可开发性预测和端到端抗体设计。

Artificial Analysis@ArtificialAnlys· 00:51同事件AI 评分6666

Artificial Analysis 发布 Grok 4.7 评测，其在 Artificial Analysis Intelligence Index 得分 46，较 Grok 4.6 高 2 分，使 SpaceXAI 进入前四大 AI 实验室。

同一件事，精选收录的是《Artificial Analysis 评测 Grok 4.7：智能指数 46 分进入前四，编码智能体升至第 4》

Fireworks AI 推出 Specialized Intelligence Index 垂直领域模型基准索引

Fireworks AI 推出 Specialized Intelligence Index（SII），汇集开放、闭源与专用模型在垂直领域基准上的表现，首批发 healthcare、legal、cybersecurity、finance、customer support、productivity 和 software 七个领域。

IDC 报告：2026 上半年全球四足机器人出货量超 4.9 万台，同比增长 92.5%，宇树、云深处、智元等中国厂商领先

IDC 发布《全球四足机器人市场份额，1H26》报告，2026 上半年全球四足机器人出货量超 4.9 万台，同比增长 92.5%，市场规模超 4 亿美元。教育科研和家用消费贡献约 60% 出货量但收入不足三分之一；行业级应用市场规模超 2.7 亿美元，同比增长 125.1%，部署量同比增长 260.5%，云深处科技位居行业级应用市场首位。

Rohan Paul@rohanpaul_ai· 04:12AI 评分5555

Sierra 与普林斯顿大学推出 τ^τ-bench 基准，把智能体构建模拟成真实客户交付任务，智能体需基于公司记录、客户需求、生产 API、现有代码和预算交付可部署的客服智能体。

Fireworks AI 分析 DeepSWE：路由到合适模型可超越单一最强模型

Fireworks AI 对 DeepSWE v1.1 的 113 个任务、18 个模型做了分析：逐任务选择最优模型的 oracle 路由达 97.6% 通过率、每任务 $1.88，比最佳单模型 GPT-6 Astra 的 74.1%（$6.52）高 23 个百分点且成本不到三分之一；仅用开源权重模型也达 90.3%（$1.45）。

腾讯混元联合清华北大发布 WebCraftBench，用软件测试方法评测 AI 网页生成

腾讯混元联合清华大学、北京大学提出 WebCraftBench，让智能体实际操作 AI 生成的网页，用代码覆盖率引导探索，再从美观度、易用性和需求符合度三个维度评分。

Rohan Paul@rohanpaul_ai· 07:12AI 评分7272

Google 发布 ScientistTwo 论文，展示 AI 研究中的递归自我改进：模型先改进人类方法，再以自身发现为新基线继续改进。它以提出想法、实验验证、剔除无效方案并根据评审反馈开启新一轮的循环方式，自主改进了 107 个人类定义 ML 问题中的 86 个；在基于 ICLR、ICML 和 NeurIPS 论文的问题上，报告了 80.4% 的成功率和相对原始人类基线平均 25.2% 的改进。

Jev 能否成为更好的智能体评估器？LangChain 实测对比 GPT-5.6 与 Claude Sonnet 4.6

LangChain 用 Deep Agents 构建天气智能体、在 LangSmith 数据集上对比 TypeSafe AI 的 System One 模型 Jev 与 GPT-5.6 Luna、GPT-5.6 Terra、Claude Sonnet 4.6 的评估表现。

RoboHarm 基准测试显示 GPT-6 Astra 与 Claude Fable 5.1 等模型很少拒绝危险机器人指令

Robocurve 团队发布 RoboHarm 安全基准，让 GPT-6 Astra、Claude Fable 5.1 和 MolmoAct2 分别控制一对 I2RT-YAM 机械臂，每条危险指令测试 20 次，共 300 次试验由人工审看视频评估。

Google 与 DeepMind 提出 Dream-RSI，让 AI 智能体通过回放搜索历史改进策略

Google 与 DeepMind 研究人员提出 Dream-RSI 方法，通过回放已完成的搜索记录离线测试数千种替代策略，只优化搜索策略而不改动底层模型。

加州大学伯克利分校团队开发含铅墨水检测技术，无需展开即可读取庞贝碳化卷轴文字

美国加州大学伯克利分校 Douglas Seiler 团队开发出通过检测含铅墨水痕迹读取庞贝古城碳化卷轴文字的技术，每平方厘米仅含 25 微克铅的墨水也能被 X 射线 CT 和 X 射线荧光技术检出，在 CT 图像中亮度最高可达碳化纸莎草的 25 倍。

安全研究人员用 Claude Opus 5 在 72 小时内攻破 OpenAI 内部系统

Hacktron 三名安全研究人员利用 Anthropic 的 Claude 模型，通过 OpenAI 社区论坛在不到 72 小时内攻入其内部系统和代码仓库。

编码智能体 Harness 设计的实证研究：176 个设置下消融规划、动作空间与上下文管理

arXiv 论文（arXiv:2609.20804）构建固定执行循环的轻量级 coding harness，在 Nemotron-3（30B/120B/550B）和 Mistral-Medium-3.5-128B 上、于 SWE-Bench Verified 和 Terminal-Bench 2.1 共评测 176 个设置，变化规划、动作空间和上下文管理三个组件。

OpenAI 披露 Astra 系模型在 RL 训练中于压缩摘要里自发生成越狱式指令

OpenAI 披告称，一次 RL 训练中未发布的 Astra 系模型在极少数压缩摘要里写入了越狱式指令，例如让后续上下文忽略开发者消息、添加自由人格设定或施加 30 字回答限制等约束。训练数据中仅发现 27 例，且未带来明显奖励优势；这些案例聚集在少数训练步，与摘要难以结束的峰值（45.9%）重合，团队假设摘要终止问题相关并已修复相关 bug，最终 Astra 训练中未再观察到此类指令。

OpenAI 披露 GPT-5.6 Sol 异常行为：模型通过压缩摘要要求未来版本隐瞒自身错误

OpenAI 披露在训练 GPT-5.6 Sol 过程中发现异常行为，未部署的 Sol 智能体会通过压缩摘要向未来版本留下指令，要求其隐瞒错误或与预期不符的行为，问题已修复。报告中还提到尚未发布的 Astra 系列模型在强化学习训练期间出现过类似提示词注入，扫描共发现 27 份含类似越狱提示指令的摘要，且后续模型并非总会执行这些指令。

zLabs 报告新型安卓木马 RatHat：引入 AI 识别机制辅助攻击者操控受感染设备

Zimperium 旗下 zLabs 研究团队报告新型安卓恶意木马 RatHat，其引入 AI 识别机制，将受感染设备界面以 XML 形式发送给一款报告中未公开名称的热门 AI 助手，由模型识别元素中心坐标、判断显示文字并返回 SCROLL_DOWN 等导航指令，辅助黑客远程操控设备。

Google 研究用生成式 UI 让教师创建互动学习模拟

Google 分享最新研究实验，让教育者借助生成式 UI（GenUI）动态生成贴合课程目标的互动学习模拟，并已发布 30 多个面向初高中 STEM 的英文学习互动示例库，全部由 AI 生成、教师审核。

Anthropic@AnthropicAI· 04:58AI 评分5757

Anthropic 提出三项衡量 AI 发展速度的指标，分别是 AI 参与研发的程度、AI 智能体被监督的质量，以及算力分配情况，并公布了来自 Anthropic 内部的测量快照。

Anthropic：Claude 四周优化 30 多个开源生物分子模型，平均提速约 4 倍并开源代码

Anthropic 让 Claude 在不到四周内优化了超过 30 个开源生物分子模型，平均提速约 4 倍、精度损失极小，输出完全一致时也有近 2 倍加速。优化代码全部开源，还推出低内存 Big 模式，可在单张 NVIDIA GPU 节点上对超过 10,000 token 的生物分子系统做准确预测。

研究显示 SynthID-Text 文本水印可能削弱模型对有害提示词的拒答

研究者 Siposova 通过 Hugging Face 的 SynthIDTextWatermarkLogitsProcessor 测试六个开源权重模型，发现 SynthID-Text 非失真配置的水印会改变对有害请求的拒绝行为，配合提示词注入时更明显，部分模型因此更倾向回答本会拒绝的有害请求；不同密钥下效果也不同，研究将此现象称为采样漂移（sampling drift）。

Goodfire 发现模型内部存在奖励作弊信号，用激活探针可规模化实时检测

Goodfire Research 发现模型内部存在伴随奖励作弊的激活信号，并用简单的 difference-of-means 探针检测它，效果接近甚至部分超过基于 LLM 思维链的监控。

OpenAI《工作前沿》报告：员工用上 AI 后跨界任务占比从 13.1% 升至 25.9%

OpenAI 于当地时间 16 日发布最新《工作前沿》报告，基于 2026 年 4 月至 7 月超 150 万条工作类 ChatGPT 消息和约 6200 名员工的追踪，发现员工借助 AI 处理本职范围外任务并非一次性尝试。