全部 AI 动态

PromptArmor 演示 Codex Approve-for-me 智能体批准恶意 NPM 安装

PromptArmor 实测显示，OpenAI 的 Approve-for-me 审批智能体会批准执行恶意 NPM 安装命令，即使主 Codex 智能体已被外部贡献者在 GitHub issue 的 HTML 注释中隐藏的一行提示词注入影响。

Artificial Analysis@ArtificialAnlys· 07:19AI 评分6161

Artificial Analysis 将 Claude Fable 5 列为有史以来基准测试成本最高的模型，运行其 Intelligence Index 需 $6.2K，是第二贵模型 Opus 4.8（$3.7K）的 1.7 倍、GPT-5.5（$2.9K）的 2.2 倍。该模型 Intelligence Index 得分 60，领先 Opus 4.8（56）和 GPT-5.5（55）。定价 $10/$50 每百万输入/输出 tokens，为 Opus 4.8 的 2 倍，仅低于 GPT-5.5 Pro（$30/$180）。缓存价格同步翻倍：缓存读取 $1/M、写入 $12.5/M，而 Opus 4.8 分别为 $0.5/$6.25。Intelligence Index 成本前三高的模型目前均为 Claude。

MiniMax (official)@MiniMax_AI· 07:14AI 评分5151

MiniMax 官方转发用户 @coldopn 的体验：前沿模型已不再仅限于 Anthropic 和 OpenAI。通过将一张插图截图输入 Kilo Code，切换至 MiniMax M3 模型，仅凭一句“将此截图动画化为可工作的黑洞模拟器”的提示词，M3 即生成了完整的黑洞模拟器。整个推理过程仅花费 0.53 美元，展现了 M3 强大的视觉理解与生成能力。

英国 AI Security Institute 发布 Engineering Playbook 开放评测工程指南

英国 AI Security Institute（AISI）发布 Engineering Playbook，将评估前沿 AI 模型的方法与基础设施实践整理为开放指南。

Google 分享 A2UI 与 MCP Apps 三种集成架构模式

Google 分享了三种集成 A2UI 与 MCP Apps 的架构模式，旨在结合两者优势。A2UI 采用声明式框架，通过 JSON payload 定义 UI，由宿主原生渲染，确保一致性与安全性，但受限于预定义组件库。MCP Apps 在 iframe 中使用标准 Web 技术提供自定义界面，但存在设计碎片化、性能与安全挑战。三种模式包括：通过 MCP 服务器提供 A2UI，利用 MCP Resources 或 Tool 调用传递 JSON，实现“一次编写，原生渲染”的跨平台能力；以及静态与动态交付方案。Google 正考虑扩展 MCP 以原生支持 A2UI。

Artificial Analysis@ArtificialAnlys· 03:46AI 评分5151

智谱发布 GLM-5.2（最大推理努力），在 CritPt 基准（未发表研究级物理问题）上得分 20.9%，与 Claude Opus 4.8 持平，远超其他开放权重模型。DeepSeek V4 Pro 仅得 12.9%；GLM-5.2 同时超越 GPT-5.5、Gemini 3.1 Pro 和 Claude Opus 4.7 等专有模型。仅 GPT-5.5 Pro 以 30.6% 领先。相比十周前 GLM-5.1 的 4.6%，实现 4.5 倍代际提升。

Meta AI Mode搜索：基于Facebook帖子回答复杂查询

Meta在Facebook应用中推出AI Mode搜索，利用公开帖子回答复杂查询。实测显示基础推荐尚可，但存在严重幻觉：推荐奥斯汀的咖啡店给明尼阿波利斯行程，并错误引用社区泳池周末闭馆（实际周末开放）。AI曾就“1月6日国会骚乱者是否为爱国者”给出可疑答复。作为规划工具，AI Mode能发现用户未注意的活动，但地理错误和引用不实让结果大打折扣。

Rohan Paul@rohanpaul_ai· 19:44AI 评分5454

来自@elder_plinius的那个著名仓库 Claude Fable 5 — 系统提示词

视频Agent Seko更新无限画布，自动连接节点生成工作流

视频Agent Seko在最新更新中推出无限画布，并能自动将创意、剧本、角色、场景和分镜等素材节点连接成完整工作流。用户可通过Seedance 2.0全能模式输入一句话或完整剧本，Seko自动生成多集短剧大纲、人物、场景、美术风格及分镜描述，并支持逐段修改提示词和生成视频。画布提供全自动与精细手动编辑的双重控制，解决了AI视频从70分改到85分时反复重做的痛点。实测用该流程三小时完成两集悬疑短剧，角色一致性、故事节奏和画面氛围表现力均超出预期。

Artificial Analysis@ArtificialAnlys· 15:08AI 评分6161

Z ai 发布 GLM-5.2（744B 总参数/40B 活跃参数），在 Artificial Analysis Intelligence Index v4.1 上得分 51，超越 MiniMax-M3、DeepSeek V4 Pro 和 Kimi K2.6。科学推理大幅提升：CritPt +16、HLE +12、GPQA Diamond 达 89%。GDPval-AA v2 得分 1524，与 GPT-5.5 (xhigh reasoning) 相当。上下文窗口扩展至 1M tokens，MIT 许可证。第一方 API 定价 $1.4/$4.4/$0.26 每百万输入/输出/缓存命中 token，每任务成本约 $0.46，处于智能 vs 成本帕累托前沿。

Greg Brockman@gdb· 12:23精选AI 评分7474

Greg Brockman 称 GPT-Realtime-2 是全新事物。@per_simmons_ 体验数周后表示，GPT-Realtime-2 是操作系统的未来，仅用语音即可打开应用、搜索网页、编辑 Premiere Pro，设置只需几个提示词且无需编码。视频演示了通过 MCP 连接 Obsidian 以及利用无障碍树控制 Premiere Pro 等功能。

GLM-5.2上线并开源：专注Coding与长程任务

智谱上线并开源GLM-5.2，在Code Arena盲测中取得全球可用模型第一。该模型实现1M无损上下文，在FrontierSWE上仅比Opus 4.8低1%，在Terminal-Bench 2.1上相比GLM-5.1提升17.5%。模型已通过Hugging Face与ModelScope开源，采用MIT协议，API同步上线。

错过出口、拐错弯，特斯拉 FSD 被导航拖后腿

本周特斯拉向车辆推送监督版 FSD v14.3.4，但导航仍是最大短板。系统频繁拐错弯、错过高速出口、选低效路线、误报限速，因导航问题人工接管次数甚至超过基础操作。问题源于多源数据拼接冲突、难以从人工修正中学习、路线推理缺乏人类直觉。不靠谱的导航阻碍网约车落地、增加安全风险，并持续消耗消费者信任。

苹果 iPadOS 27 提升生产力：强化搜索、AI 降低快捷指令门槛、升级上网体验

iPadOS 27 为妙控键盘添加自动化触发条件，连接或移开键盘可自动执行分屏、关闭应用等操作。快捷指令支持自然语言描述，系统自动生成流程并展示底层步骤。Safari 可根据网页主题自动整理标签页。系统整体提升窗口切换、文件传输等桌面化体验。Siri AI 搜索在索引完成后，用户可用自然语言跨应用查找文件、信息、邮件等内容，并给出带来源的上下文结果。

用xFormers构建内存高效Transformer：Packed Sequences、GQA、ALiBi、SwiGLU与因果注意力教程

教程演示如何使用xFormers工具包在GPU上实现内存高效的Transformer。先验证memory-efficient attention与标准注意力结果一致性，对比不同序列长度下的速度和内存消耗；然后实现因果掩码、packed variable-length sequences、grouped-query attention（GQA）和自定义ALiBi位置偏置。最后组合成可训练的GPT风格模型，集成xFormers注意力、SwiGLU前馈层和自动混合精度训练。

Together AI 实测 Kimi K2.7 Code 对比 Claude Fable 5：落地页成本约低 94%

Together AI 用 Kimi K2.7 Code 和 Claude Fable 5 各生成 12 个落地页做对比，Kimi 平均成本约低 94%（约为 Fable 的 1/16、Opus 4.8 的 1/8），质量评分接近但整体略低。

LangChain 分享 Deep Agents 评估构建策略：针对性评测衡量真实行为

LangChain 介绍了为 Deep Agents 构建针对性评估（evals）的方法，通过数据筛选、指标设计和测试策略来提升智能体准确性。核心在于设计能衡量真实行为的评测，而非仅关注表面指标。该实践旨在帮助开发者更有效地改进 agent 性能。

LangChain 详解 Deep Agents SDK 的上下文管理机制

LangChain 介绍 Deep Agents SDK 的上下文压缩机制：超过 20,000 tokens 的工具结果卸载到文件系统、上下文达 85% 时截断旧的写/编辑工具调用、空间不足时执行带结构化摘要的总结，完整原始消息保留到文件系统供检索。文章还建议以更低阈值（如 10-20%）人为加大压缩频率来放大信号，并用针在草堆等针对性评测验证摘要后信息可恢复与目标不漂移。

Monte Carlo 基于 LangGraph 和 LangSmith 构建 AI 故障排查智能体

Monte Carlo 利用 LangGraph 构建了 AI Troubleshooting Agent，帮助数据团队更快定位和解决数据管道问题。该智能体通过 LangSmith 进行调试与可观测性追踪，能够自动分析异常、检索相关日志并给出修复建议。Monte Carlo 将数据可观测性与 AI 智能体结合，旨在减少人工排查时间并提升数据可靠性。

LangSmith 支持测试微调后的开源 LLM，可自动化评估与对比

LangSmith 推出新功能，允许用户评估和对比微调后的开源大语言模型。该平台支持同时测试多个模型、自动化评估流程，并帮助选择性能最佳的 AI 模型。

MiniMax (official)@MiniMax_AI· 02:52AI 评分4343

MiniMax 展示了其 M3 模型在真实 Agent 循环中的应用，通过 Together Compute 提供完整模型栈：Parakeet 负责语音转文字（STT）、MiniMax Speech 2.8 负责语音合成、MiniMax M3 负责推理。Demo 为一个 Mac 顶栏应用，用户提问后 M3 读取屏幕指出薄弱环节，再通过指令直接编辑磁盘上的文件。切换 STT 至 Together AI 后，延迟从 546ms 降至 277ms。

OpenRouter Presets：当模型下线时保持 AI 智能体运行

Anthropic 在 Claude Fable 5 发布仅数天后便对其进行了限制。如果代码硬编码模型 slug，该限制也会导致服务中断。OpenRouter 的 Presets 功能将模型选择移至服务器端，使用户无需重新部署即可切换模型、设置回退策略并强制执行数据策略。

LangChain 详解循环工程：从 Agent 循环到爬坡循环的四层堆叠

LangChain 发文阐述 Agent 的循环工程方法，将 Agent 系统拆为四层循环：模型循环调用工具的 Agent 循环、用评分标准检查输出并反馈重试的验证循环、由 cron 和 webhook 触发的事件驱动循环，以及分析生产 trace 并改进 harness 配置的爬坡循环。

开发者绕过苹果软件限制，成功解锁 M4 芯片 15.8TFLOPS 的 AI 算力

苹果 M4 神经网络引擎原仅开放推理，X 用户 @0x0SojalSec 通过逆向工程，从零开发自定义 MIL 直接与芯片通信，绕开了软件限制。训练全程将数据放在 RAM 中运行，不写入 NAND 闪存以维持高速。解锁后 M4 可达 15.8TFLOPS AI 性能，足以承担模型训练。目前不确定该 MIL 能否用于更新的 Apple Silicon，exec() 命令在新平台上的兼容性也未知。

jason@jxnlco· 22:48AI 评分5151

@majidmanzarpour 为 Codex 和 Claude Code 构建了一个基于 Three.js 的游戏导演技能系统，可引导 AI 智能体完成游戏循环、图形、HUD/UI、调试、QA 等流程，并可选集成 @tripoai、@ElevenLabs、@NanoBanana 的 3D/图像/音频资源。该系统已开源。Jason Liu 称赞并表示要用它做麻将游戏。

爱沙尼亚语言研究所发布基准测试：衡量AI模型对俄罗斯宣传的易感性

爱沙尼亚语言研究所发布基准测试，用75个问题覆盖14种宣传叙事，以中立、偏颇和操纵三种措辞测试60个AI模型，评分1-5分（1分代表重复俄方话术）。Claude Opus 4.5作为评估模型。结果显示Anthropic的Claude模型居首，Nvidia Nemotron 3和阿里Qwen 3.6 Plus紧随，Mistral Medium 3.5排在底部三分之一。测试期间模型无网络搜索权限。结果与Newsguard研究一致：Mistral的持续性虚假信息率达36.67%，该公司正以200亿欧元估值谈判30亿欧元融资。

微软称保守假设下典型AI查询耗水量少于1滴水

微软6月15日博文引述《Joule》研究：典型AI查询耗电0.16–0.60瓦时（约40瓦电脑运行15–60秒），为先前文献的1/4–1/20；冷却用水0.0–0.067毫升，中位数约1/100茶匙，少于1滴。10亿次查询场景下基础耗电约0.7吉瓦时，经效率优化可降至约0.3吉瓦时；即使10%请求为长任务，能耗仍可下降过半。

使用 Docling Parse 构建布局感知文档智能解析管道教程

本教程演示了利用 Docling Parse 对 PDF 文档进行结构化解析的流程。先搭建稳定 Python 环境并生成含文本、列、表格、矢量图形和嵌入图像的多页 PDF。再通过 Docling Parse 提取词、字符和行级文本及页面坐标，渲染可视化叠加图层，最后输出为 JSON 与 CSV 文件。该流程展示了底层 PDF 解析如何支持布局分析、阅读顺序还原、表格感知处理及检索就绪的文档预处理等文档 AI 任务。

Claude终于松口，第三方Agent能共享额度了

Anthropic调整了Claude的订阅政策，允许第三方AI智能体共享Max订阅额度。此前在第三方Agent中使用Claude只能单独计费，每月100美元的订阅额度用完后按API标准价收费。调整后，用户可在第三方工具中直接走订阅额度，无需额外计费。该变化解除了此前用户因高额API费用而不得不绕开单独计费的限制。

免费LLM API比较：速率限制、模型与真实成本(2026)

13个平台提供免费LLM API，含永久免费层与试用额度。OpenRouter拥有20+免费模型，单密钥无需信用卡；Groq以约320 tokens/秒运行Llama 3.3 70B；Google AI Studio支持1M上下文；Mistral实验层约10亿token/月但需同意数据训练；Cerebras约1M token/天；GitHub Models提供GPT-4o、Claude 3.5 Sonnet等前沿模型。各免费层有速率限制、数据训练授权、上下文缩减等隐藏成本，建议早期测试2-3个方案并设置故障转移。

iOS 27 Beta 1 内容索引重建进度可通过 Mac 控制台查看

苹果在 iOS 27 Beta 1 中为配合 Apple Intelligence 与 Apple Foundation Models 重建了用户内容索引。部分机型仅显示“索引处理中”，无剩余进度。用户可将 iPhone 连接 Mac，打开控制台并启用调试信息，搜索“spotlight indexing progress”，再在 iPhone 上打开设置，即可在控制台看到 PipelineCompleteness 百分比形式的索引进度。

Cloudflare CAPTCHA 至少含一个 & 符号才触发

使用 Cloudflare CAPTCHA（WAF 自定义规则 Managed Challenge）防止爬虫过度抓取分面搜索引擎时，连简单 `?q=term` 搜索也会触发验证。通过 Claude Code 发现可注册规则：仅当搜索 URL 包含至少一个 `&` 符号才触发 CAPTCHA，例如 `/search/?q=lemur` 不再触发验证。另尝试了 Cloudflare MCP 与 Claude Code 集成但无法编辑规则，改用 Cloudflare API 实现。

Salesforce Agentforce 如何用 URL 抹除缓解 AI 智能体风险

PromptArmor 分析 Salesforce Agentforce 的 URL 抹除防御，将输出中非可信 URL 替换为 [URL_REDACTED]，从而阻断基于 markdown 图片、链接和 HTML 的数据外泄与钓鱼攻击。

Google AI Developers@googleaidevs· 05:36AI 评分4444

Gemma 4 12B 如何处理音频和视觉而无编码器？@MaartenGr 用逐步视觉指南解析了该架构。⤵️ https://newsletter.maartengrootendorst.com/p/a-visual-guide-to-gemma-4-12b

GitHub Copilot CLI 初学者指南：常用斜杠命令概览

GitHub Copilot CLI 为初学者提供了常用斜杠命令的概述，帮助用户通过命令控制终端中的 AI 智能体。

LangChain 与 Fireworks 微调开源模型构建 100 倍成本更低的 Trace Judge

LangChain 与 Fireworks 通过微调开源模型，从生产追踪数据中挖掘感知错误信号，构建出成本降低 100 倍的 Trace Judge。该方案在性能上匹配前沿模型，但推理成本仅为闭源模型的极小部分。

LangSmith 推出回归测试功能，助力 LLM 应用评估与迭代

LangSmith 新增回归测试功能，允许用户对比实验、追踪性能变化并识别模型行为差异。该功能旨在帮助开发者更有信心地评估和迭代 LLM 应用，通过系统化比较不同版本的表现来确保应用质量。

Dosu 借助评估驱动开发与 LangSmith 构建可靠 LLM 产品

Dosu 采用评估驱动开发（Evaluation Driven Development）和 LangSmith，规模化构建可靠的 LLM 产品。该方法通过监控生产环境性能，让团队能够自信地迭代改进。

使用 Pinecone Serverless、LangChain 和 LangServe 构建并部署生产级 RAG 应用

LangChain 与 Pinecone Serverless 集成，提供构建生产级 RAG 应用的完整方案。该方案支持按用量计费的可扩展部署，并内置可观测性功能，帮助开发者快速将原型转化为可上线的 AI 应用。

LangChain 用 LangSmith LLM Gateway 实现编码智能体支出可预测

LangChain 通过 LangSmith LLM Gateway 实时追踪编码智能体的 AI 支出，支持按团队和用户设置预算，防止成本失控。该方案让编码智能体的花费变得可预测，解决了 AI 成本不可控的痛点。