AI 情报文章归档

Specific Labs dropped Real-SWE, an enterprise-code SWE benchmark, and the leaderboard is a great...

Real-SWE ran frontier models against licensed, private enterprise codebases (billing, tax,...

这就是我们所说的产品市场契合度，宝贝 【引用 @rja907】：有人在美网公开赛上用 $META @muse！！

muse 可以帮你搞定美国医疗系统！ 引用 @AINewsPulse：HSA 报销和医疗账单追踪的问题，@Muse 已经解决了 @alexandr_wang 🤘

马斯克发推推荐 Grok Build（x.ai/build），引用用户 @XFreeze 的使用体验称其能实际编辑图像和视频，而非仅生成内容。该用户表示可让 Grok Build 查找素材、剪辑片段、完成重复性编辑工作，还能将偏好的设计和工作流保存为技能（skills），大幅节省时间。

自媒体作者专访AI影像创作者DiDi_OK，聊其用Seedance 2.5制作的新片《糖果》及此前B站播放2000万的《牌子》。DiDi_OK认为Seedance 2.5在运动规律和高度定制化上跨时代升级，让他做出几乎百分百纯AI的片子，省掉约60%叙事成本，参考图重要性下降、提示词作用上升；他还谈到AI时代创作本质在于取舍判断，模型变强后自己反而更痛苦，表达成本越低，平庸越没有借口。

❔Contexte Le #HackAVP - le premier hackathon dédié aux AVPs de l'OPT-NC - a été lancé...

Anthropic CEO 阿莫迪呼吁放缓前沿 AI 模型开发并倡议独立监控与全球监管，马斯克转发称"达里奥是对的"，奥尔特曼也表示赞同。智谱 9 月 13 日宣布完成约 50 亿美元融资，含约 20 亿美元股份配售及约 30 亿美元可转债发行，用于下一代 GLM 基础模型研发。另有报道称 Anthropic 已选定纳斯达克作为 IPO 地点，目标估值约 2 万亿美元。

A Quick Look at the Finding A group of researchers just released a paper titled Stealing...

研究者推出 BVB（Blender-VideoBench）基准，要求智能体把真实视频重建为 Blender 动画场景，以程序化重建检验视频理解能力。评测覆盖 10 个模型家族的 51 种配置，最佳模型 Latent Similarity 达 88.6，但仅保留 53.7% 的源视频时空问答事实，增加推理能提升视觉相似度却无法缩小事实准确率差距。

论文提出 Elo-per-token 分析方法，用 Bradley-Terry 模型将任务内排序聚合为跨任务 Elo 评分，衡量 LLM Agent 测试时算力策略的扩展规律。

研究者提出 Gavel（Glance And Verdict from a frozen LLM），无需在上下文中放入技能文本，仅训练两个线性映射即可从冻结 LLM 的前向传播中读出技能路由信号。

Modal 8 月更新为 Kimi K3、Qwen3.8-2.4T-A95B、GLM-5.3 和 GLM-5.3-Flash 四款开源权重模型提供 day-zero 支持，其中 Kimi K3 为 2.8T 参数多模态模型，支持 1M-token 上下文窗口，在智能体负载下达到 460 tokens/秒。

Atria Dawn Preview 发布，一个面向科研与工程流程的智能体基座语言模型，通过 Verifiable Experience Pipeline 将工具交互连接到可执行环境和外部可验证结果进行训练。

研究发现，固定模型、干净数据和投毒样本数量，仅改变投毒集的选择，LLaMA-3-8B 后门攻击成功率就会从 3% 波动到 80%，随机采样会严重低估最坏情况下的脆弱性。为此作者提出 SAILS，通过数百次微调-评估运行学习集合评分器，对数百万候选投毒集排序并只审计少量候选。SAILS 在留出集上的攻击成功率平均比最强影响力基线高 30 个百分点，并可从小规模迁移到全规模微调。

研究提出一种推理架构，将设计方向作为显式中间决策，通过预生成带典型性评分的结构化设计规范、外部选择器采样、下游生成器在固定设置下实现所选规范，从而把探索与实现分离。

KaiNinja 将原生 3D 生成器 TRELLIS.2 扩展到部件级，通过双体积（dual-volume）表示解决 O-Voxel 网格单体积无法表示部件接触界面的问题，管线中无需掩码或分割器，并保持 TRELLIS.2 的生成速度与质量。

针对流式全模态模型在音频尚未说完时就把视觉解读当作事实、后续即使音频矛盾仍继续沿用的问题（即"过早跨模态承诺"），研究者提出 Omni-Streaming Thinking（OST），将输出拆为已观察证据、未来证据预测与待验证主张，并按模态分别存储证据、在验证区间结束时校验与反驳。

研究者提出探索引导的提示词脚手架框架，用于多模态大模型（MLLM）的在线强化学习后训练，其核心 Exploration Potential Score（EPS）可直接由 on-policy rollout 统计计算，无需额外开销。

VC-Attention 是一种免训练的低比特注意力框架，通过 V-Smooth 按在线聚类重排 value token 并只量化减去块均值后的残差，配合 ExpCast-FP8 将 log 域分数直接映射为 E4M3 概率码，消除 FP32 指数运算。

研究者为掩码扩散语言模型（dLLM）提出 register tokens：用少量固定位置 token 的连续隐状态跨生成块携带推理进度，从而在清空已生成文本后仍能继续推理。

PhysBrain 1.5 是一个统一理解物理环境、生成动作并预测未来状态的模型，从通用视觉语言模型出发，将语言响应、末端执行器运动和稠密视觉目标编码为离散序列，以自回归下一 token 预测联合优化。

ModaLens 论文提出一种成对图像替换审计方法，测量放射报告存在与否如何影响医疗 VLM 对影像的依赖。

研究在 BraTS-GoAT 2026 上评估 3D nnU-Net 的跨人群肿瘤分割泛化性，用 1，351 例标注数据做五折交叉验证、每折训练 1，000 epochs。

研究者提出 Discovery Foundation Models（DFMs），将基础模型从解决人类既定问题推进到参与新问题、表征与知识的创造过程，并定义问题发现、假设形成、干预、证据修正等七项耦合能力。

论文提出 Decoy Direction Optimization（DDO），一种无需微调的事后权重编辑防御，通过向 MLP 神经元注入高幅值非线性诱饵信号，使 RFA 消融攻击的对比估计器失效。

研究者独立复现 Orthrus 并检验其无损推测解码声明。BF16 推理下，作者 checkpoint 与独立训练模型在来自 12 个领域的 1，190 条提示上分别只有 45% 和 43% 实现轨迹完全匹配。

OpenRouter 发布教程，讲解如何用独立的裁判模型按自定评分标准自动给 AI 智能体输出打分，覆盖确定性测试无法检查的开放式回答质量。

HarnessVLN 是一个零样本、免训练的具身导航框架，通过统一工具接口的 Agent Harness 协调感知、检索、定位、导航、恢复与终止，并用分层事件记忆和持久化时空图校验规划器提案。它在 R2R、RxR、HM3D-v2、HM3D-OVON 上分别取得 60.8%、53.9%、76.0%、59.3% 的成功率，超过此前免训练 SOTA，并已在人形机器人上完成真实环境部署。

Tomer Tunguz 分析 Dario Amodei 提出的放缓前沿 AI 发展号召，梳理出可解释性、劳工、经济、地缘政治和监管俘获五派立场，并指出没有任何一派给出具体速度。

研究者提出 Mind2Dialogue 框架，通过心理学引导的模拟器生成用户心理状态，并将其转化为特权监督信号，训练能理解用户未言明信念与目标的语言模型。在完整语料上训练后，Qwen、Llama 和 OLMo 指令微调基线在所有已报告的个性化指标上均有提升，偏好遵循生成任务提升 26.6 至 40.9 个百分点，Qwen 和 Llama 的信念与行动推理能力也同步增强。

LynnReal-Omni 是一个基于 32B 共享多模态扩散 Transformer 的原生多模态视频生成框架，统一了文生视频、图像条件生成、参考引导生成、结构控制、编辑、退化视频修复和长视频生成。

ModularRSI 提出一种基准不相交、对比式、模块化的 harness 演化框架，将可演化 harness 拆分为 Agent Loop、Tool Use、Observation Management、Context Management 和 Task Completion Detection 五个功能模块，各自独立演化后再整合。

HazardAuditor 是一个面向计算机使用智能体的执行级安全框架，可在受控环境中运行 Claude Code、Codex、Hermes、OpenClaw 等异构智能体，并把交互归一化为统一事件表示以支持跨框架监督。

研究将 Transformer 学习到的表征更新分解为平行与垂直分量，发现预训练模型中存在超出残差恒等路径的大量平行分量。针对注意力与 MLP 更新及注意力 value 聚合的定向编辑显示，value 空间排除自身的平行操作鲁棒性明显强于残差空间和垂直操作。预训练中全聚合平行抑制可降低验证损失轨迹并提升下游平均表现，value 空间变体效果最强。

RSIAgent 是一个免训练的多智能体框架，通过协调课程、执行与验证智能体自主探索环境、验证结果并构建可复用的环境记忆，采用先广后深的探索策略发现隐藏约束与因果依赖。在 OSWorld-v2 和 Agent's Last Exam 上，该框架显著提升开源模型表现，使 Kimi-K3 和 GLM-5.3 超越包括 GPT-6 在内的前沿闭源模型。

HypoEvolve 通过代际遗传算法协调多个专业 LLM 智能体，对假设种群进行组合、修订与保留，使协作过程对假设质量的影响可直接检验。在 34 种癌症类型上，该方法在 DepMap 和 Open Targets 两项外部指标上均超越六个基线，DepMap 选择性达 0.171，最强基线为 0.115。相对单次生成的提升还可泛化到未见过的癌症类型。

Epoch AI 基于 Ipsos KnowledgePanel 的两次调查显示，2026 年 3 月至 8 月间，美国成年人中近每日（6-7 天）使用 AI 的比例翻了一倍多。3 月调查覆盖 2，017 名成年人，8 月覆盖 1，016 名。文中指出两波调查的提问方式和 AI 服务清单略有差异，频率对比仅具近似性。

TLDR: AI has made prototypes, POCs and MVPs cheap — a plausible demo in days. What has not gotten...

据《金融时报》报道，Anthropic 已向部分股东告知，有望在 2026Q3 继续录得正的经调整营业利润，连续第二个季度实现盈利。其今年二季度首次盈利，营收达 115 亿美元，较 2025 年同期增长 14 倍；到 2026 年 7 月底年化营收（运行率）已达 650 亿美元。知情人士称，若不计分销伙伴收入分成和模型训练成本，其毛利率已超过 80%。