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。
推荐理由：原文给出 Claude 发现新酶系统的具体过程与规模数据，读者可了解 AI 智能体如何参与基础生物学发现的工作方式。
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 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%。
推荐理由：原文给出填充 token 显著提升 GPT-6-Astra 无推理表现的实测数据，指向思维链监控失效这一安全影响。
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）。
推荐理由：Anthropic 自建生物实验室让 Claude 智能体自主扫描 DNA 数据库发现新酶系统，展示了 AI 智能体参与基础科学发现的可行路径。
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_aiAI 评分5757Meta 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_aiAI 评分6565Amazon 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。
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 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_aiAI 评分5555Sierra 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 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。
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。
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。
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。
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。
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@AnthropicAIAI 评分5757Anthropic 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 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。
推荐理由：Anthropic 公布了完整提速数据、开源代码和比赛入口，读者可以据此评估 AI 优化科学计算代码的实际水平。
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 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。
推荐理由：原文给出激活探针检测奖励作弊的关键数据与成本对比，并展示探针能发现思维链监控漏掉的案例，方法可迁移到训练监控。
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。
智谱（Z.ai）发布技术长文，讲解 GLM-5.3 驱动的 Infra Agent 如何在 100,000 多颗国产 AI 加速器上从零搭建 GLM-5.3-Flash 的生产级推理系统，不到两周将端到端吞吐提升约 3 倍，支撑 1M token 上下文与多模态请求。
Rohan Paul@rohanpaul_aiAI 评分6464Mozilla 发布 91 页报告称开放权重 AI 目前仅落后前沿约 4 个月。OpenRouter 上 8 月 token 量前十的模型有 8 个是开放权重。
Mozilla just published a 91-page report and it says open-weight AI is now only about 4 months behind the frontier. - 8 of OpenRouter's 10 most-used models by August token volume were open-weight, and 7 were Chinese-built, while DeepSeek became the first open model to lead the platform in weekly requests. - However, the economics are almost upside down. Open models handled roughly 20% of measured OpenRouter usage but captured only about 4% of model-layer revenue in the cited 2025 window. Mozilla attributes much of that mismatch to pricing, with closed models costing roughly 6x more per call at about 90% capability parity. The comparison shows why high usage does not necessarily translate into high revenue when one class of models is dramatically cheaper. Mozilla also warns that the revenue measurement is older than its 2026 usage data, so the current revenue split may be different. - Open models are spreading faster than they reach production: 79% of surveyed developers use them, but only 51% of open-model deployments reach production versus 63% for closed models. - DeepSeek showed that a new pretraining run may no longer be necessary for a major capability jump, gaining roughly 10 index points and then another 8 through post-training passes. -Even model diversification may provide less protection than assumed: Kimi K3 and Claude Fable 5 had a 0.72 per-task failure correlation, meaning supposed backup models often fail on the same problems.
Rohan Paul@rohanpaul_aiAI 评分6161Mozilla just published a 91-page report and it says open-weight AI is now only about 4 months behind the frontier. - 8 of OpenRouter's 10 most-used models by August token volume were open-weight, and 7 were Chinese-built, while DeepSeek became the first open model to lead the platform in weekly requests. - However, the economics are almost upside down. Open models handled roughly 20% of measured OpenRouter usage but captured only about 4% of model-layer revenue in the cited 2025 window. Mozilla attributes much of that mismatch to pricing, with closed models costing roughly 6x more per call at about 90% capability parity. The comparison shows why high usage does not necessarily translate into high revenue when one class of models is dramatically cheaper. Mozilla also warns that the revenue measurement is older than its 2026 usage data, so the current revenue split may be different. - Open models are spreading faster than they reach production: 79% of surveyed developers use them, but only 51% of open-model deployments reach production versus 63% for closed models. - DeepSeek showed that a new pretraining run may no longer be necessary for a major capability jump, gaining roughly 10 index points and then another 8 through post-training passes. -Even model diversification may provide less protection than assumed: Kimi K3 and Claude Fable 5 had a 0.72 per-task failure correlation, meaning supposed backup models often fail on the same problems.
UC Berkeley 团队发布 HarnessTax 研究，评估 21 个模型-harness 组合（7 个模型、3 个 harness：Claude Code、Codex CLI、Pi），在 SWE-bench Lite 和 Terminal-Bench 2.0 各 30 个任务上各跑 3 次。
论文提出 BITCOS，一种由存在位图加压缩符号向量组成的三值 LLM 权重布局，按零密度 z 计成本为 2−z bits per weight。作者实测 29 个三值模型发现零权重占比最高达 51.5%，其中 26 个模型的存储比 five-trit packing 更紧凑，最稀疏模型达 1.485 bits per weight。
Stanford 团队（Jiacheng Miao、James Zou）的 Paper2Agent 于 2026 年 9 月 16 日发表在 Nature，可将论文及其代码库自动转换为 MCP 服务器，供 Claude Code 等 MCP 兼容智能体用自然语言调用论文方法。
蚂蚁百灵为 PB 级大模型数据治理搭建的统一宽表系统 OmniTable，将一项真实 SFT 数据治理任务的处理周期从约 14 天缩短至约 2.5 天，缩短约 82.1%，人工操作步骤从约 45 个减至约 12 个。该系统目前管理超过 35 PB 数据、逾 3050 亿条记录，相关论文获 VLDB 2026 最佳工业论文奖。
蚂蚁集团发布基于 Ling-3.0-flash 的金融开源权重模型 Ling-3.0-flash-Fin，在 Artificial Analysis Intelligence Index 得 23 分，Finance & Accounting Index 得 24 分。
IBM Research 团队在 ALTK-Evolve 中推出 Consistency Analyzer 和一致性指南，针对智能体反复执行同一任务时结果不稳定的问题。
Baseten 与 Base Labs 宣布为所服务的开放模型构建安全评估与监控基础设施，并与 Goodfire、Hugging Face 合作。该设施将安全研究直接接入训练与推理系统，覆盖训练、监控与干预、从失败中学习三个环节。Base Labs 负责开发并公开训练与监控方法，Baseten 将其集成到部署基础设施中，以托管服务形式提供，并公开方法和证据供客户与外部评估者验证。
Google 发布 AI & Economy ATLAS 新数据，显示 OECD 国家以计算机数学和商业金融职业 AI 使用领先，非 OECD 国家则以办公行政、艺术设计媒体和教育职业居前，巴西和阿联酋采用率高于其人均 GDP 水平所预示的。
NIH 宣布加州大学旧金山分校研发出可同时解码瘫痪患者预期语言和上肢动作的新型脑机接口，成果发表于《自然·神经科学》。团队在 Edward Chang 带领下为 3 名因 ALS 或脑干中风瘫痪的患者植入薄型电极阵列，其中 2 名参与者的脑活动可驱动同步说话和做动作的全身虚拟化身。
Amazon Science 介绍其论文《What fits (into few tokens) doesn't overfit》，用可重置的 LLM 研究智能体实验解释为什么机器学习研究社区长期在固定基准上迭代却很少过拟合。