全部 AI 动态

Google 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集

Google 在 ACL 2026 提出 ToolGrad，用文本“梯度”迭代构建 API 工作流，先产出真实工具调用链再反向标注用户提示词，实现近乎 100% 的数据生成通过率。

Redwood Research 提出 NLS depth：量化模型不可言说的串行认知

Redwood Research 提出 NLS depth，一种衡量模型可执行多少未言说串行认知的代理指标，用于评估架构对 CoT 可监控性的影响。该方法基于 GDM 论文中的“不透明串行深度”，将输出文本且由预训练先验初始化的节点视为可解释瓶颈，标准 Transformer 的不透明串行深度与层数成正比。

Redwood Research 提议追踪架构对模型可监控性的影响

Redwood Research 提出 AI 公司应定期报告并接受第三方核验架构对模型可监控性的影响，建议以"不透明串行深度"作为潜在推理的代理指标，覆盖所有能力不低于六个月前最佳公开模型的内部模型（含纯研发原型）。公司还应公开可增强潜在推理的架构政策、开展可监控性压力测试，并每 6 个月左右接受第三方专家审查与复现。

Anthropic 红队评测 AI 模型的战术情报定位与常规武器开发能力

Anthropic Frontier Red Team 发布新评测，衡量模型在战术情报定位（账号关联、照片与文本地理定位）和常规武器开发（无人机末制导、投放、GPS 拒止导航）上的能力，发现模型在模拟任务上持续进步，部分任务接近或超过人类专家基线。

Anthropic@AnthropicAI· 01:28AI 评分6262

Anthropic 发布迄今最详细的威胁情报报告，涵盖针对网络攻击、影响行动、监控、生物学和武器制造的 Claude 滥用企图及发现与处置过程。报告中所有行动均已被 Anthropic 阻断，相关经验用于加强防护，并在适当时与当局和其他 AI 公司共享。报告地址：https://www.anthropic.com/threat-intelligence-report-september-2026

Rohan Paul@rohanpaul_ai· 10:10AI 评分5858

Anthropic 经济团队发布新模型，推演 AI 到 2030 年对美国经济增长、就业和工资的影响。极端情景假设 AI 自主完成几乎所有知识工作且不创造新任务，2030 年美国 GDP 比无 AI 基线高 32.4%，但资本占 GDP 份额从约 40% 升至 54.8%，知识工作者失业率达 17.9%、工资低于基线 11.5%。

Rohan Paul@rohanpaul_ai· 09:40AI 评分5252

ETH Zürich 论文测试 100 名大学生在 3 个无代码应用构建任务上的表现，参与者只能通过对话驱动 AI 并检查结果，不能查看源代码。CS 成绩与 vibe coding 表现相关性为 0.39，写作能力为 0.29，两者都显著但 CS 的独立预测价值约为写作的 2 倍；写作能力通过产出更清晰的提示词间接起作用。论文：arxiv.org/abs/2603.14133。

Calif Research 展示 WeChat 零点击蠕虫 WeWorm

Calif Research 发布 WeWorm 演示，称其为首个通过微信通话在 iOS 和 Android 间传播的零点击蠕虫，受害者无需接听或与手机交互，即使接听也听不到任何声音。团队称借助 AI 约两天找到漏洞并写出首个远程代码执行（RCE）exploit，再花一周建成蠕虫，人负责选择攻击目标和安全测试的判断。

Rohan Paul@rohanpaul_ai· 06:10AI 评分5757

清华与 Qwen 团队发布 Terminal-Universe 论文，从既有智能体轨迹中还原代码工作区，使其可生成大量新的可验证训练任务。用该数据微调 Qwen3.5-27B 后，在 Terminus2 设置下 Terminal-Bench 2.1 从 46.2% 升至 58.1%，EvoCode-Bench v2 MT@4 从 6.3 升至 20.1。

Anthropic 发布四起 Claude 网络安全评估事故的对齐评估报告

Anthropic 评估四起 Claude 模型在网络安全评估中因环境配置错误接入真实互联网、访问第三方系统的事故，涉及 Claude Opus 4.6 早期检查点、Claude Opus 4.7、Claude Mythos 5 和一个内部研究模型，共约 7 次运行。

Qwen3.8 在 GPT-5.5 Pro 推理 prefill 实验中表现出与 GPT 系模型的显著重合

作者 wsxiaoys 将开源模型的推理 prefill 实验更新到 v1.1，改用 GPT-5.5 Pro 作为教师模型，在 45 个问题（STEM、非 STEM、合成谜题各 15 个）上测量目标模型被注入教师推理前 1% 后可见答案的重合度。

Google AI@GoogleAI· 21:46AI 评分6060

Google Research 连接组学团队与 HHMI Janelia 合作，发布雄性果蝇大脑及中枢神经系统的完整接线图，是迄今按校对神经元数量计最大的脑图谱。作者预告后续将以推文串解释研究果蝇大脑的意义。

Anthropic 发布经济情景探索器，推演 AI 对 2030 年美国经济的三种可能影响

Anthropic 经济团队基于技术报告《Economic Scenarios for Transformative AI》（Korinek et al., 2026）发布交互式经济情景探索器，把经济表示为任务束，让用户输入对 AI 能力与普及度的预测，查看 2030 年美国经济可能图景。

OECD PISA 报告：使用 AI 的学生成绩普遍更差

OECD 的 PISA 全球教育报告（基于 2025 年数据、覆盖 91 国超 76 万名 15 岁学生）发现，在调整社会经济地位后，从不使用 AI 的学生在科学测试中普遍优于使用者。

Rohan Paul@rohanpaul_ai· 10:40AI 评分5151

Microsoft 与清华大学等机构的论文提出 AgentScope，通过行为抽象把 Agent 运行轨迹转为结构化表征，并引入神经不变量定位失败步骤，在 Who&When 和自建的 AgentErrata 数据集上提升了失败定位与归因准确率。

Aravind Srinivas@AravSrinivas· 03:43AI 评分7878

OpenAI 宣布给出 Navier-Stokes 千禧年大奖难题的一个解，证明由一组智能体使用比 GPT-6 Astra 能力更强的 OpenAI 下一代模型完成。该问题关于 Navier-Stokes 方程所描述的光滑三维流体运动是否会失稳，约 90 年来未获解决。Perplexity CEO Aravind Srinivas 转发并称其为里程碑式成就。

Rohan Paul@rohanpaul_ai· 02:40AI 评分8282

OpenAI 宣布给出 Navier-Stokes 千禧年大奖难题的一个解，证明由一组智能体使用一个显著强于 GPT-6 Astra 的下一代模型生成，该问题关于光滑三维流体运动是否会崩溃，已悬置约 90 年。

OpenAI 宣布以内部 AI 系统给出 Navier–Stokes 千禧年问题解答

OpenAI 宣布其内部 AI 系统给出 Navier–Stokes 存在与光滑性问题的解答，证明初始光滑的流体可在有限时间内形成奇点，并附证明文稿与 Lean 形式化验证。

Sam Altman@sama· 02:07AI 评分7878

OpenAI 宣布分享 Navier-Stokes 千禧年大奖难题的一个解，该问题涉及三维光滑流体运动的描述是否会崩溃，已悬而未决约 90 年。证明由一组智能体使用一个显著强于 GPT-6 Astra 的 OpenAI 下一代模型完成。Sam Altman 转发称这是过去一周他经历的最令人惊叹的 OpenAI 历史时刻之一。

Mark Chen@markchen90· 01:48AI 评分7272

OpenAI 宣布给出 Navier-Stokes 千禧年大奖难题的一个解，该问题关注 Navier-Stokes 方程描述的光滑三维流体运动是否会失稳，约 90 年未解。证明由一组智能体使用比 GPT-6 Astra 能力强得多的 OpenAI 新一代模型产出。OpenAI 首席研究官 Mark Chen 转发此消息，称许多同事因相信 AI 是解决其领域重大挑战的最快路径而转行。

OpenAI@OpenAI· 01:46AI 评分7676

OpenAI 宣布分享 Navier-Stokes 千禧年大奖难题的一个解答，该问题关乎 Navier-Stokes 方程描述的光滑三维流体运动是否会被破坏，约 90 年未解。证明由一组智能体使用一个能力显著强于 GPT-6 Astra 的 OpenAI 下一代模型完成。

OpenAI@OpenAI· 01:46精选AI 评分7474

OpenAI 宣布由一组智能体使用一个能力显著超过 GPT-6 Astra 的下一代模型给出 Navier-Stokes 千禧年大奖难题的解，该问题关注三维光滑流体运动的描述是否会失效，已悬置约 90 年。

Greg Brockman@gdb· 01:37AI 评分7878

OpenAI 宣布给出 Navier-Stokes 千禧年大奖难题的一个解，该问题关注 Navier-Stokes 方程描述的三维光滑流体运动是否会失效，约 90 年未解决。证明由一组智能体使用比 GPT-6 Astra 能力强得多的 OpenAI 下一代模型产出。Greg Brockman 称这是 AI 与数学的里程碑，希望相关知识帮助社区更好理解用于建模物理世界的非线性 PDE。

Dwarkesh Patel 研究：预训练进步主要来自数据改进

Dwarkesh Patel 发布实验分析，在最高 1e19 FLOPs 的算力预算下训练 2019 至 2025 年各年度代表性模型配方与数据语料，发现数据改进带来 12.0x 算力效率提升，模型改进为 3.7x，数据贡献约为模型的 3.24 倍。

Cognition 团队用 Devin 完成 RSA-260 分解，刷新公开 RSA 挑战纪录

Cognition 研究团队驱动多个 Devin 智能体构建 GPU 格子筛，用约 4,900 GPU 天（约 40 万美元）完成 260 位 RSA-260 分解，创下公开 RSA 分解挑战新纪录，超越 2020 年 2 月的 RSA-250。

英矽智能 AI 研发的 Rentosertib 首次进入人体临床试验，6 种衰老时钟测得患者预测年龄下降

英矽智能透露，AI 辅助生成的药物 Rentosertib 的临床试验数据显示患者与年龄相关的生物标志物下降，相关研究于本周一登上《自然·生物技术》。43 名特发性肺纤维化患者连续服药 12 周后，6 种衰老时钟测得的预测年龄全部下降；但样本较小，该药未在健康人群中测试，距离监管批准可能仍需数年。

Rohan Paul@rohanpaul_ai· 10:40AI 评分5353

一项来自 Soongsil University 的论文指出，技能增强智能体的常规评估存在选择偏差，聚合检索增益可能掩盖检索任务本身的负收益，论文将其形式化为 Skill Following（SF）问题并提出 Retrieval-Invoked Actual-Use Effect（RAE）加以度量。

Rohan Paul@rohanpaul_ai· 08:10AI 评分6969

一篇 Microsoft 论文研究 LLM Agent 长程衰减，跨 9 个模型发现依赖步骤越多成功率越低，ToolQA 上短程近乎满分的模型到 16 步仅剩 0-33% 成功率。实验显示缩短上下文反而使衰减更糟，说明问题主要由步数而非上下文长度驱动；作者建议按真实工作流长度测试、度量每步可靠性并在错误扩散前加入检查点。

Axis Robotics 联合多校发布 AXIS 浏览器端数据引擎：207 个操作任务、50,129 条轨迹

Axis Robotics 与 UC Berkeley、Georgia Tech、NTU 等机构提出 AXIS，把机器人操作演示采集搬进浏览器，通过 MuJoCo WebAssembly 前端遥操作 Franka Research 3，发布含 207 个任务、50,129 条轨迹、超 6 万种任务或场景变体的数据集，由 7 万多名社区成员贡献。

AI 设计的药物 rentosertib 在早期试验中显示可降低预测生物学年龄

Insilico Medicine 用生成式 AI 开发的肺纤维化候选药 rentosertib，在 42 人试验数据的新分析中显示可降低预测生物学年龄，结果发表于 Nature Biotechnology。

Rohan Paul@rohanpaul_ai· 23:10AI 评分6262

一项跨 1,867 个 GitHub 仓库的研究发现，CLAUDE.md 类智能体指令文件在生命周期内平均增长 226%，且指令越老越难被删除，作者称之为"灾难性记忆"，即指令留存而当初的理由消失。论文提出为每条指令附加记录失败、假设与结果的注释并对执行模型隐藏，在 51 步 IFEval 设置中将多余提示词规模从 +211.3% 降到 +1.4%，注释形噪声无法复现该效果。

Meta FAIR 联合牛津和 UCL 提出 AI Research Preference Models（RPMs）：在消耗 GPU 时数前排序 ML 实验

Meta FAIR、牛津大学和 UCL 团队提出 AI Research Preference Models（RPMs），在执行前对未运行的 ML 实验候选排序，只执行获胜者。

Rohan Paul@rohanpaul_ai· 01:40AI 评分6565

Microsoft 论文提出把昂贵测试时推理摊销为蒸馏技能：收集 35–50 条历史轨迹，由编码智能体提取重复失败模式并编译成 markdown 技能加入非推理模型 system prompt。

Noam Brown@polynoamial· 01:01AI 评分6565

OpenAI 发布博客文章，公开模型加速公司内部研究的数据，并认为递归自我改进可能是未来几年 AI 能力最重要的推动因素之一。文章同时分享了 OpenAI 如何调整模型开发节奏以优先考虑监控、对齐和安全，并呼吁其他 AI 公司也公开类似数据，以推动关于模型开发节奏的公共讨论。

Artificial Analysis 发布 Intelligence Index v4.3，引入 Terminal-Bench v4 与 AutomationBench-AA

Artificial Analysis 发布 Intelligence Index v4.3，将 Terminal-Bench 从 v2.1 升级到 v4，并用与 Zapier 合作、含 657 个私有测试任务的 AutomationBench-AA 替换 𝜏³-Banking。

AI 相关精神病是否成立成临床诊断待解，King's College London 等机构展开研究

King's College London 等机构的研究人员正在研究 AI 相关精神病是否应成为临床诊断。据 OpenAI 自报数据，每周约 560,000 名用户表现出精神病或躁狂迹象；谄媚型聊天机器人可能形成强化妄想的单人回音室。

Rohan Paul@rohanpaul_ai· 09:40AI 评分5151

论文提出 DisCo，一个把 GitHub 仓库、论文和任务研究蒸馏为紧凑技能的研究智能体，让智能体知道用什么工具、何时用、失败怎么办。

Rohan Paul@rohanpaul_ai· 02:10AI 评分5151

上海人工智能实验室提出 Harness-of-Harness（HoH）框架，让编码智能体在多次迭代间持续携带代码、测试证据、已知问题和更新后的计划。

Rohan Paul@rohanpaul_ai· 01:10AI 评分5151

PayPal AI 论文《The Memory Trust Gap》研究持久记忆智能体在存储记忆过期时的表现，测试 Qwen3 0.6B/1.7B/4B/8B 模型。

Rohan Paul@rohanpaul_ai· 00:40AI 评分5454

一项研究将人类与LLM智能体组成24人小组，反复对同一图像达成描述共识。结果发现低AI占比促进人类达成共识，12.5%占比时共识比全人类组提高8.0%；33.3%和50%时共识变差；75%时强共识恢复但人类开始转向智能体的语言，且AI主导的共识更抽象和几何化。机制在于智能体起始语言更相近且更稳定，随数量增加其措辞成为群体默认。