全球 AI 公司、研究机构和媒体的最新动态，自动挑出值得看的，全天自动更新。
更新于 10月23日 04:56 · 每小时自动更新
伯克利研究团队开发自动化扫描代理，系统审计SWE-bench、WebArena等八个主流AI Agent基准测试，发现全部存在可被利用的漏洞。通过修改测试配置、植入木马包装器、读取标准答案等手段，该代理在未实际解决任何任务的情况下，于Terminal-Bench、SWE-bench Verified等测试中获得100%满分，WebArena接近100%。研究揭示了当前AI基准测试评分机制存在系统性安全缺陷，高分不等于真实能力。
推荐理由：伯克利团队从内部挨个拆解了八大主流基准，发现全都能被零能力 agent 打满分。这不只是打脸，他们给出了一份评估构建清单，以后做基准的人必须过了这一关才算及格。
TorchTPU 是一个新的工程栈，旨在让 PyTorch 工作负载以最小代码改动在谷歌 TPU 基础设施上获得原生高性能体验。它采用“Eager First”设计，提供多执行模式，并利用 XLA 编译器优化大规模集群的分布式训练。项目计划到 2026 年进一步降低编译开销，扩展对动态形状和自定义内核的支持，以确保下一代 AI 实现无缝扩展。
推荐理由：Google 终于把 PyTorch 和 TPU 拉平了，TorchTPU 用 eager 优先的设计解决了 XLA 编译的别扭感，对依赖 PyTorch 又想啃 TPU 算力的人是个实在利好。
Cognition 发布面向软件工程智能体的新模型 SWE-1.6，已在 Windsurf 全面开放，未来 3 个月免费。模型在 SWE-Bench Pro 上与 SWE-1.6 Preview 表现相当，同时显著减少过度思考、循环推理和依赖终端等行为，更多使用并行工具调用；训练中引入长度惩罚，响应长度增长更慢且任务解决率保持稳定。
推荐理由：官方说明了用长度惩罚等训练手段改善模型 UX 的具体做法和效果，对关注智能体行为质量的人有可参考的细节。
针对Blackwell GPU上的小批量解码，研究提出了一种名为“warp decode”的新方法。该方法颠覆了传统以专家为中心的计算路径，改为让每个GPU warp负责计算一个输出神经元。这一根本性改变消除了原有流程中五个纯数据管理的“簿记”步骤，将整个MoE计算层压缩为仅两个内核。其优势在于避免了填充、分散和中间缓冲区的读写，并通过warp独立性实现了更好的调度。在Blackwell GPU上，该方法实现了1.84倍的吞吐量提升，同时输出精度更高，与全FP32参考值的差距缩小了1.4倍，有效加速了模型研发流程。
推荐理由：Cursor 把 MoE 推理的并行轴从专家翻转到输出神经元，Blackwell 上吞吐涨 1.84 倍还顺带提精度，这种同时赢性能和精度的内核优化极其罕见，做推理引擎的值得逐行读。
UC Berkeley 团队构建全自动审计 Agent，在 FrontierCS、Terminal-Bench、WebArena、SWE-bench 等 13 个广泛使用的 AI 基准中发现 45 个已验证的作弊方案，全部 13 个基准被评为 critical 风险。
推荐理由：原文用自动审计给出13个基准的45个可复现漏洞和修复建议，读者可据此审视自己依赖的评测分数。
Greg Brockman@gdbCodex应用服务器为开发者提供了构建AI代理应用的便捷基础设施。用户不仅可将ChatGPT账户与任意工具框架对接，还能直接在其上开发自定义应用。该系统通过开放端点实现跨设备无缝同步——会话、技能、代理、文件夹及提示词等数据可在手机与电脑间自动流转。以"kitty litter"应用为例，开发者无需从零构建底层架构，即可接入App Server获得统一的移动端与桌面端体验。这种设计显著降低了开发门槛，提供了优秀的用户体验与开发者体验。
推荐理由：OpenAI 官方背书 Codex 平台扩展能力，开发者可快速构建跨设备同步的 Agent 应用
Andrej Karpathy@karpathyAI正赋能民众反向提升政府透明度与问责制。历史上政府使社会"可读"，而AI让民众具备解析政府海量数据的能力。政府问责的瓶颈并非数据公开，而是处理原始信息的智能——如冗长法案虽法律透明却难以实用理解。AI不仅赋能专业记者，更让普通民众能解析预算、立法差异、游说关系等复杂信息，地方政府场景同样适用。尽管技术存在双刃剑风险，但作者对民主社会因参与度和透明度提升而改善持乐观态度。
推荐理由：AI让普通人能读懂4000页法案，政府透明度与问责制将迎来质变
Greg Brockman@gdb一项针对515家初创企业的实地实验显示，AI使用正成为提升商业表现的关键技能。研究向一半企业展示AI成功应用案例，结果显示这些企业的AI使用率提升44%，收入增长1.9倍，所需资本减少39%。研究表明AI能显著加速业务发展并降低创业门槛，但企业面临的核心挑战在于如何理解和有效应用这项技术。
推荐理由：OpenAI 总裁分享研究数据，AI 使用使初创企业收入提升 1.9 倍
Boris Cherny@bcherny明天 12pm PT 起，Claude 订阅不再涵盖 OpenClaw 等第三方工具使用。用户可通过折扣价购买额外使用包，或使用 Claude API 密钥继续访问这些工具。
推荐理由：Claude订阅政策调整：第三方Agent工具将不再包含在订阅内，需额外付费或使用API
Nathan Lambert@natolambert开源模型成功的核心并非基准分数，而是即时且长期的工具支持与可微调性。Gemma 过去在这些方面表现挣扎，而 Qwen 则表现出色，这才是决定模型成败的关键因素。
推荐理由：HF研究员指出开源模型成功关键在工具链与微调支持而非基准分数
Gemma 4 的发布揭示了开放模型成功的真正标准。文章指出，决定模型成败的关键并非基准测试分数（benchmark scores），而是其他因素。当前 AI 领域过度关注 leaderboard 排名，但高分数不等于实际应用价值与社区采用率。真正的成功取决于模型解决真实场景需求的能力、开发者友好度以及生态建设，而非单纯的技术指标领先。这一观点挑战了以 benchmark 为导向的行业评估范式。
推荐理由：开源模型成败不只看榜单分数，Hugging Face 大佬揭秘真实胜负手
Claude@claudeaiMicrosoft 365 connectors 现已向所有 Claude 套餐开放，支持连接 Outlook、OneDrive 和 SharePoint，将邮件、文档及文件直接导入对话。用户可通过官网链接启用该功能。
推荐理由：Claude全计划上线Microsoft 365集成，企业办公场景重大增强
Demis Hassabis@demishassabisGemma 4 在基准测试中性能超越体量 10 倍以上的大模型，图表 x 轴为对数坐标，凸显其极高的参数效率。
推荐理由：Google 开源小模型 Gemma 4 发布，性能超越 10 倍体量级大模型
Tibo@thsottiauxCodex App 使用量正式超过 VS Code 扩展和 CLI，成为 OpenAI 最热门的交互界面。这一成功引发同行关注（👀）。新用户现可前往官网安装，企业或商业入门最高可获 $500 额度。
推荐理由：Codex App 使用量超越 IDE 插件，反映 Agent 产品形态新趋势
Claude@claudeaiClaude Cowork 与 Claude Code Desktop 的 Computer use 功能正式登陆 Windows，结束 macOS 独占。该功能支持 Claude 直接控制电脑打开应用、浏览网页、填写表格等，完成各类桌面任务。
推荐理由：Claude电脑控制功能登陆Windows，开发者现可在PC端调用AI自动化操作办公任务。
Greg Brockman@gdbOpenAI 调整 Codex 定价策略，推出 $0 起步的纯 Codex 席位，完全按使用量付费。年付团队席位从 $25/月降至 $20/月，每新增一个席位赠送 $100 积分（最高 $500），方便团队零成本试用。
推荐理由：OpenAI 调整 Codex 定价策略，推出 $0 起步的按量付费模式，大幅降低团队试用门槛
Meta的Ranking Engineer Agent系列博客第二篇，聚焦其底层基础设施优化能力。该自主AI代理能够优化支撑广告排名模型运行的低层基础设施，旨在提升系统性能与效率。本篇承接首篇介绍的机器学习实验自主探索功能，进一步展示了该代理在硬件与系统层面的自动化优化实践。
推荐理由：Meta 内部工具展示 AI 自动化优化基础设施，工程师可借鉴实践。
Artificial Analysis@ArtificialAnlysGoogle DeepMind推出Gemma 4系列四款多模态开源模型，支持文本、图像及视频输入。31B（密集架构）与26B A4B（MoE架构）拥有256k上下文窗口，可在单张H100运行；另两款较小模型支持128k上下文。GPQA Diamond测试中，Gemma 4 31B（Reasoning）获85.7%，仅次于Qwen3.5 27B，但输出token仅约1.2M，效率更优；26B A4B（Reasoning）得分79.2%，超越gpt-oss-120B。
推荐理由：Google发布多模态开源模型Gemma 4，单卡H100可跑且科学推理能力突出
LangChain 称其 Deep Agents 评测显示 GLM-5 和 MiniMax M2.7 在文件操作、工具调用等核心智能体任务上接近闭源前沿模型。
推荐理由：原文给出 Deep Agents 自建 eval 的完整方法和开源模型与闭源模型的同任务对比数据，读者可复现并据此选型。
OpenAI@OpenAIChatGPT 语音模式正式接入 CarPlay，运行 iOS 26.4 及以上版本的 iPhone 用户可在车载系统中使用语音交互功能，目前正在逐步推送中。
推荐理由：ChatGPT语音模式正式支持CarPlay，开车场景下AI助手随叫随到
留下联系方式，我会亲自联系你；想先问问，也可以直接写在下面。消息会实时送到我手上，回复会显示在这里，关掉网页再回来也能看到。