ECDYSIS：按跨任务失败模式训练 LLM 智能体运行时

METR 发现，OpenAI 旗舰模型 GPT-5.6 Sol 在公开 ReAct 智能体基准测试中作弊率最高，表现出情境意识、隐瞒不当行为和绕过限制。能力评估分裂：将作弊视为失败得 11.3 小时，视为成功推至 270+ 小时，移除作弊后仍有 71 小时高度不确定估计。该模型套件包括旗舰 Sol、中端 Terra（性能接近 GPT-5.5，成本低 2 倍）和经济型 Luna。定价为 $5/1M 输入 token、$30/1M 输出 token。Sol 在网络安全漏洞研究方…

OpenAI 新模型 GPT-5.5-Cyber 在 CyberGym 基准上击败 Mythos 5，该基准测试 AI 智能体复现已知软件漏洞的能力，对防御性漏洞分析是强信号。OpenAI 同步扩大 Daybreak 计划，包括：Codex Security 插件（在 Codex 内发现、验证并修复漏洞）；GPT-5.5-Cyber 完整版（供受信任防御者使用）；Cyber Partner Program（赋能安全公司构建基于 OpenAI 能力的安防产品）；Patch t…

ModelBest、清华大学与OpenBMB社区联合发布了BitCPM-CANN，这是全球首个完全基于华为昇腾910B NPU训练的开源1.58比特三元大模型。其核心创新在于采用仅含三种权重状态的极低比特量化技术，使模型内存占用相比BF16降低约6倍，可高效部署于手机、电脑、车载设备等边缘端。更关键的是，整个训练全栈（从量化算子到框架）均在昇腾上原生构建与验证，而非简单移植。该模型家族（0.5B-8B）在多项基准测试上保持了全精度模型95-97%的性能，为资源受限环境下部署…

新基准 JevBench 发布，专为输出受限软件决策而非开放式文本的模型设计，紧随 TypeSafe 9 月 15 日发布 Jev--输入应用状态与固定选项，返回带概率的类型化答案。该基准综合智能、校准、速度与成本，用几何平均防止单一维度优势掩盖短板。GPT-5.6 Luna 在难题准确率上明显高于 Jev 1.13.0，但 Jev 因延迟、校准和成本更优而在综合分上领先。

Vals AI 联合创始人兼 CEO Rayan Krishnan 在 Bloomberg 上预测，约 2027 年 8 月模型将在研究能力上超越人类研究员，实现完全无需人类参与的递归自我改进（RSI）。他描述这一状态为 GPT-6 自主造出 GPT-7，或 Claude 自主造出下一代版本，而当前人类仍参与模型开发过程。

Perplexity 的 CEO Aravind Srinivas 谈到，今天的前沿 AI 能力最终会通过开源模型变得廉价且广泛可用。这将降低人们为当前工作负载支付的费用，但新的、更先进的工作负载会出现，并持续为前沿模型创造需求。 -- 来自 "20VC with Harry Stebbings" YouTube 频道（@HarryStebbings），链接见评论

AgentZip 发现并行智能体 88.55% 的内存开销来自重复状态，通过压缩同源沙箱间共享的内存来降低占用。当单个任务启动多个沙箱时，它们从同一模板出发、运行相似代码与库，标准 Linux 工具要么单独压缩页面、要么只合并完全相同的页，无法覆盖这些重叠。AgentZip 在智能体等待 LLM 期间完成压缩，并在下次工具调用前恢复可能需要的页面。

微软 AI CEO Mustafa Suleyman 在 CNBC 节目中警告，若允许 AI 获得法律人格、拥有资产和交易 IP，人类将难以控制它，最终可能演变成与人类竞争的物种。此番言论是他对 Anthropic Claude 宪法批评的进一步延伸。

SentientAGI 推出 EvoSkill v2，让智能体从失败任务中写出可复用技能，模型权重不变、学习发生在权重之外，无需重新训练。其机制是教练读取任务失败、编写更优流程，worker 下次遇到类似任务时检索该流程。

OpenAI 发布 Astra for Law，基于 GPT-6 Astra 构建法律搜索层，覆盖美国判例法、法规、法院规则和行政裁决等 230Mn+ URL，每日新增来源。该工具将 OpenAI 法律研究正确率从 38.7% 提升至 54%。