从模型到智能体：为 Responses API 配备计算机环境
OpenAI 基于 Responses API、shell 工具与托管容器构建 agent runtime，支持文件处理、工具调用及状态管理，实现安全可扩展的智能体计算机环境部署。
推荐理由：OpenAI为Responses API增加Agent运行时与容器化执行环境
AI 资讯AI 每天都在变，
AI 每天都在变，
这里一页看完
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 11:57 · 每小时自动更新
3月11日 周三5 条
Anthropic 提出抽象红队方法，在查询类别层面测试模型性格违规
Anthropic Fellows Program 团队提出 abstractive red-teaming，通过搜索自然语言查询类别而非单个查询，找出让大模型违反性格规范的现实失败模式，并提出 CRL 和 QCI 两种搜索算法。
推荐理由：原文提出在自然语言查询类别层面搜索模型性格违规的红队方法，并给出七个模型上的具体失败案例和两种搜索算法。
Noam Brown@polynoamial当今前沿推理模型的配方与 AlphaGo 惊人相似：
当今前沿推理模型的训练路径与 AlphaGo 高度一致：先模仿大量人类数据，再扩展推理计算（从蒙特卡洛树搜索到思维链），最后用强化学习突破模仿上限。Demis Hassabis 称，十年前 AlphaGo 的"第37步"预示 AI 可攻克真实科学难题，这些思路对构建 AGI 仍至关重要。
推荐理由：Meta 研究员揭示推理模型与 AlphaGo 的技术传承，点明 RL 超越模仿的核心路径
Anthropic 成立 The Anthropic Institute
Anthropic 宣布成立 The Anthropic Institute，由联合创始人 Jack Clark 担任 Public Benefit 负责人并领导。该机构整合 Frontier Red Team、Societal Impacts 和 Economic Research 团队，利用构建前沿 AI 系统的独特信息优势，研究 AI 对就业、经济、法律及治理的挑战，并与外部合作应对风险。同时聘请 Matt Botvinick、Anton Korinek 等专家，探索 AI 与社会各领域的互动。
推荐理由：Anthropic成立专门研究所，整合红队与经济研究团队，系统应对AI安全与社会治理挑战。
3月10日 周二10 条
Demis Hassabis@demishassabis十年前，AlphaGo 在首尔的传奇对局标志着现代 AI 时代的开启
十年前的 AlphaGo 首尔对局开启现代 AI 时代，标志性的"第37手"证明 AI 已能攻克科学等现实难题，其技术理念仍是构建 AGI 的核心基础。
推荐理由：Hassabis 回顾 AlphaGo 十周年，点明其方法论对构建 AGI 的关键意义
Sundar Pichai@sundarpichaiGemini 推出更新，让 Google Workspace 更个性化、实用且协作更高效
Gemini 为 Google Workspace 推出多项 AI 功能：支持选择来源秒级生成 Doc 草稿、9 倍速构建复杂 Sheets、提示词生成品牌风格 Slide 布局，Drive 搜索现可直接显示摘要答案。今日起向 Ultra 和 Pro 订阅者开放英文版 beta，Docs/Sheets/Slides 全球可用，Drive 仅限美国。
推荐理由：Google Workspace 全面升级 Gemini 能力，文档表格幻灯片 AI 功能今日上线
改进前沿 LLM 的指令层级
IH-Challenge 训练模型优先处理可信指令，改进指令层级、安全可控性，并提升对提示词注入攻击的抵抗能力。
推荐理由：OpenAI改进指令层级研究，增强模型抗提示注入攻击能力
ChatGPT 推出数学与科学学习新方式
ChatGPT 新增数学与科学交互式可视化解释功能，支持实时探索公式、变量及概念，帮助学生更直观地理解理科知识。
推荐理由：ChatGPT 新增数学与科学可视化交互功能，提升学习体验
Yann LeCun@ylecunAdvanced Machine Intelligence（AMI Labs）新创公司正式亮相
AMI Labs 宣布获 10.3 亿美元种子轮融资，由 Cathay Innovation、Bezos Expeditions 等领投，创欧洲公司种子轮纪录。公司致力于开发基于世界模型的新型 AI 系统，具备理解世界、持久记忆、推理规划及可控安全能力，团队分布于巴黎、纽约、蒙特利尔和新加坡。
推荐理由：图灵奖得主LeCun创立AMI Labs，获10亿美元种子轮融资押注世界模型
Saining Xie@sainingxiei’m joining forces with @ylecun and an incredible group of people to start AMI Labs @amilabs. AMI ...
我与 @ylecun 和一群杰出人士联手创立 AMI Labs @amilabs。
推荐理由：LeCun联手谢赛宁获贝佐斯投资10亿美元押注世界模型，AGI路线之争再添变数
Thinking Machines Lab 与 NVIDIA 达成至少 1 GW 规模多年期战略合作
Thinking Machines Lab 与 NVIDIA 宣布多年期战略合作，将部署至少 1 GW 的新一代 NVIDIA Vera Rubin 系统，用于 Thinking Machines 的前沿模型训练和可定制 AI 平台，目标明年初上线部署。
推荐理由：官方公告给出了合作规模、部署时间线和投资信息，读者可以据此了解这家前沿模型公司的算力布局。
保持令牌流动：16个开源强化学习库的教训
同步强化学习训练中，数据生成是主要瓶颈，如在320亿参数模型上生成3.2万令牌样本需数小时，导致训练GPU闲置。业界主流解决方案是将推理与训练解耦到不同GPU池，通过rollout缓冲区连接并异步传输权重。本文调研了16个实现此模式的开源库，从编排原语、缓冲区设计、权重同步协议、陈旧数据处理、部分rollout支持、LoRA支持及分布式训练后端七个维度比较。关键发现：Ray在编排层占主导（8/16库使用），NCCL广播是默认权重传输方式，LoRA训练支持普遍不足，而分布式MoE支持正成为新差异化特性。
推荐理由：异步RL训练架构对比，助开发者优化训练效率与库选型。
Hugging Face Hub 正式推出 Storage Buckets 存储服务
Hugging Face Hub 发布 Storage Buckets，这是一种为机器学习工作流设计的可变、类 S3 的对象存储服务。它基于 Xet 存储后端，能对跨文件共享内容的 ML 工件进行高效去重，从而节省带宽、加速传输并降低存储成本。该服务还提供“预暖”功能，可将数据预先迁移至靠近计算资源的云区域，以提升分布式训练等场景的效率。目前支持 AWS 和 GCP，用户可通过 CLI 或 Python 库在 2 分钟内快速创建和同步存储桶。
推荐理由：ML 开发者可高效管理训练数据和检查点，节省存储成本并加速工作流。
METR 研究：约半数通过 SWE-bench Verified 的 AI PR 不会被维护者合并
METR 让 scikit-learn、Sphinx、pytest 的 4 位维护者盲审 296 个 AI 生成的 PR，发现约一半通过 SWE-bench Verified 自动评分的补丁不会被合并进主分支；经金标准基线归一后，维护者合并率平均比自动评分低 24.2 个百分点。研究强调 AI 补丁未像人类开发者那样获得迭代反馈，不应据此断言是能力上限，但直接按基准分数推断智能体实际用处可能高估。
推荐理由：研究用真实仓库维护者盲审 AI 补丁，量化了 SWE-bench 分数与实际可合并之间的差距，为解读编码基准提供了参照。
3月9日 周一6 条
LangChain 如何构建 GTM Agent
LangChain 团队介绍其基于 Deep Agents 构建的 GTM Agent，端到端自动化销售外联流程，从 2025 年 12 月到 2026 年 3 月 lead 转合格商机的转化率提升 250%，同期 pipeline 金额达 3 倍，每位销售每月节省 40 小时。
推荐理由：作者复盘了自己团队的完整落地过程，给出从成功定义、评测到记忆反馈的可复用 Agent 工程方法。
OpenAI 用 Codex skills 加速 Agents SDK 开源仓库维护
OpenAI 团队介绍如何用 Codex 结合仓库级 skills、AGENTS.md 和 GitHub Actions，把验证、发布审查、示例集成测试和 PR 审查变成可复用工作流。
推荐理由：OpenAI 官方以自家 Agents SDK 仓库为例，完整拆解了 skills、AGENTS.md 与 CI 的组合用法，含可迁移的仓库维护模式。
LeRobot v0.5.0: 扩展每一个维度
Hugging Face 发布了 LeRobot v0.5.0 版本。该版本在数据集、模型、任务和社区四个维度上进行了全面扩展。具体包括：引入了新的现实世界和模拟数据集，推出了支持多任务学习的模型，并扩展了任务范围至移动操作和双臂协调。社区方面，提供了更易用的库、演示应用和教学资源。此次更新的核心目标是降低机器人技术的应用门槛，推动其民主化发展。
推荐理由：开源机器人AI框架大版本更新，降低具身智能研发门槛，值得关注落地进展
Ulysses Sequence Parallelism: 实现百万令牌上下文的训练
研究团队发布了Ulysses序列并行方法，这是一种用于训练大型语言模型的新技术。该方法通过将长序列在设备间进行特定维度的分割与重组，实现了对极长上下文的并行处理。其核心变化在于能高效训练上下文长度高达百万令牌的模型，突破了现有方法在序列长度上的扩展瓶颈。这一进展使得在保持高训练效率的同时，处理书籍、长文档等超长文本成为可能，为推进AI的民主化与开源发展提供了关键技术支撑。
推荐理由：百万 token 训练的序列并行方案，长上下文模型训练的关键工程突破
Andrej Karpathy@karpathy自动研究下一站：异步协作的AI研究社区
autoresearch的演进方向应是异步大规模协作，类似SETI@home模式，目标并非模拟单个PhD学生，而是构建多agents研究社区。当前Git/GitHub的主分支机制限制了分布式创新，未来应允许agents在任意分支并行探索不同方向，通过Discussion或PR分享发现而非合并代码。随着智能体算力与注意力瓶颈消失，现有代码协作抽象将面临根本性重构。
推荐理由：顶级AI科学家提出Agent科研新范式，从模拟个人转向构建分布式智能协作网络
Runway 推出 Characters：单图实时生成可对话虚拟角色 API
Runway 推出 Characters API，基于 GWM-1 世界模型，支持用单张图片零微调生成实时可对话虚拟角色。支持自定义外观风格、声音、性格及知识库，具备自然表情、眼神、口型同步和手势。面向客户支持、培训教育和品牌营销等企业场景，已获 BBC 等采用。开发者可通过 API 集成，消费者也可在网页端体验预设角色。
推荐理由：Runway推出实时视频Agent，单图生成可对话数字人，拓展AI交互形态