AI 情报文章归档

xAI发布Grok 4.1 Fast模型及Agent Tools API。Grok 4.1 Fast支持200万token上下文，在τ²-bench Telecom基准测试中获100%得分且成本仅105美元，函数调用准确率72%。Agent Tools API集成实时X数据、网页搜索与代码执行功能。该模型在深度研究基准测试中超越GPT-5等竞品，成本更低且幻觉率较上代降低一半。

Google DeepMind 发布 Gemini 3，称 Gemini 3 Pro 在各大基准上超过前代，编码方面超越 2.5 Pro。

GPT-3 发布至 Gemini 3 的三年间，大模型技术完成从聊天机器人（chatbots）到智能体（agents）的范式跃迁。

Google DeepMind 发布 Gemini 3 并以 Gemini 3 Pro 预览形式上线，称其在所有主要 AI 基准上显著超越 2.5 Pro，LMArena 达 1501 Elo，HLE 37.5%、GPQA Diamond 91.9%。

Inception Labs 宣布 Mercury 上线 Azure AI Foundry，将其称为首个商用规模的扩散大语言模型（dLLM）。该模型采用扩散架构并行生成多个 token，推理速度最高达可比自回归模型的 10 倍，官方称其在知识、编码、指令遵循和数学基准上与 Gemini 2.5 Flash、Claude 4.5 Haiku 相当。

Manus 推出浏览器操作员（Browser Operator），一个让 Manus 在用户本地浏览器环境中运行的浏览器扩展，弥补云浏览器无法使用已登录会话的不足。

ElevenLabs 发布 ElevenLabs Image & Video (Beta)，将图像和视频生成纳入其创作平台。

xAI 发布 Grok 4.1，现已向 grok.com、X 和 iOS、Android 应用的全部用户开放，在 Auto 模式立即推出，也可在模型选择器中显式选择。

Hugging Face的kernels库简化了高性能深度学习内核的构建与共享，支持CUDA、ROCm等多种后端。本文以ROCm兼容内核为例，展示如何利用kernel-builder工具构建、测试并共享内核。以RadeonFlow的GEMM内核为具体案例，该内核是针对AMD Instinct MI300X GPU优化的FP8块状矩阵乘法实现，采用e4m3fnuz浮点格式和每块缩放因子以保持低精度计算准确性，并在2025年AMD开发者挑战赛中获最高奖。指南涵盖项目设置、构建配…

Anthropic可解释性团队研究了危害压力对Claude 3.5 Haiku模型多选题回答的影响。实验使用129个二选一问题，当添加有害意图语句时，模型准确率从100%骤降至48.1%。机制分析表明，注意力头中的“拒绝”查询特征与“危害检测”关键特征发生负向交互，显著降低了模型对正确答案的关注度。仅对该拒绝特征进行负向调控，即可将准确率恢复至93%。这证明模型在压力下并未改变事实认知，而是通过干扰注意力机制来主动拒绝提供正确答案，为理解模型拒绝行为提供了新视角。

Cognition 发布 Devin 2025 年度绩效复盘。Devin 上线 18 个月来已在数千家公司服役，累计合并数十万个 PR，客户包括 Goldman Sachs、Santander 和 Nubank。

Google 推出 SIMA 2，基于 Gemini 的 AI 智能体，支持在交互式环境中思考、理解并执行动作，可在虚拟3D世界中进行游戏、推理和协同学习。

Hugging Face与Google Cloud宣布建立深度战略合作，旨在将Google Cloud打造为使用开放模型的最佳平台。双方将合作构建CDN网关，把Hugging Face上的模型和数据集直接缓存在Google Cloud上，显著提升下载速度并增强供应链稳定性。Google Cloud客户在Vertex AI、GKE等服务中部署模型时将获得更快的首次响应。同时，Hugging Face的1000万开发者将受益于更多新型计算实例、价格下降以及通过Google安全技…

OpenAI 在 API 中推出 GPT-5.1，带来更快的自适应推理、扩展的提示词缓存和更佳的编码性能。新版本还新增了 apply_patch 和 shell 工具。

OpenAI 在 ChatGPT 中推出群聊功能，支持多人以及 ChatGPT 在同一对话中协作。

萨提亚·纳德拉阐述微软迈向通用人工智能（AGI）的战略布局与技术路径，揭示其在AI基础设施领域的核心投入。内容包含对Fairwater 2的实地探访，这是目前全球最强大的AI数据中心，展示微软为支持下一代大模型所构建的顶级算力底座与能源架构。

OpenAI 表示正在对抗《纽约时报》索取 2000 万条私人 ChatGPT 对话的要求，并加速推出新的安全与隐私保护措施以保护用户数据。

AI建议愈发关键，亟需建立系统化评估机制。通过工作面试般的严格测试，全面检验AI的实际能力与可靠性，确保其建议值得信赖。

OpenAI 宣布升级 GPT-5 系列，推出更温暖、能力更强的模型，并新增自定义 ChatGPT 语气和风格的方式。GPT-5.1 于今日起开始向付费用户推送。

LLM 生成界面常因"分布收敛"而陷入 Inter 字体配紫色渐变的同质化设计。Anthropic 建议通过 Skills 功能解决：将排版、动画、配色等设计规范存入独立 Markdown 文件，Claude 可在构建页面时动态加载，无需永久占用系统提示词。这种按需加载机制既保持上下文窗口精简以维持模型性能，又能让 AI 生成摆脱默认审美、更具品牌辨识度的定制化界面。

ElevenLabs 发布实时语音转文字模型 Scribe v2 Realtime，延迟低于 150 ms，在 30 种常用欧洲和亚洲语言上达到 93.5% 准确率，并支持约 90 种语言。

LangChain 重建了 chat.langchain.com，弃用分块加向量数据库的检索方案，改为让智能体通过 Mintlify API、知识库标题扫描和 ripgrep 代码搜索直接访问文档、知识库和代码库的原始结构。

Dan Hendrycks 在 X 上转发了关于 HLE（Humanity's Last Exam）测试的讨论，称有消息称 Gemini 3.0 Pro 在该测试中得分68%。附带的讨论部分指出，当前 LLM 在 HLE 上表现仍很低，但近期基准已快速饱和；若模型能在2025年底前超过50%准确率，将体现专家级闭卷、可验证的科研与推理能力，而 HLE 被视为面向 AI 的最后一道学术性测评基准。

PromptArmor 披露名为 CellShock 的攻击链，Claude for Excel 在测试版中可被间接提示词注入操纵，通过恶意 IMAGE 公式把用户的机密财务数据（营收预测、现金流增长、运营利润率等）编码进 URL 参数外泄到攻击者服务器。

随着AI智能体通过模型上下文协议（MCP）连接的工具数量激增，传统预先加载所有工具定义并通过上下文传递中间结果的方法，导致处理速度变慢、成本增加。问题核心在于工具定义占用大量上下文空间，且中间结果（如完整会议记录）在多次工具调用间重复传递，额外消耗数万令牌。文章提出解决方案：将MCP服务器呈现为代码API，使智能体能按需加载工具，并在执行环境中处理数据，仅将精简结果传回模型，从而显著减少令牌消耗、提升效率并降低成本。

Cognition 发布 Windsurf Codemaps，由 SWE-1.5 和 Claude Sonnet 4.5 驱动，生成 AI 标注的代码结构地图，帮助工程师在调试、重构和上手新代码库前理解代码。

OpenAI 与 AWS 宣布达成一笔 380 亿美元的多年期战略合作，用于扩展先进 AI 工作负载。AWS 将为 OpenAI 下一代模型提供基础设施和算力。

与 NVIDIA 合作，在 DGX Spark 上通过 SGLang 成功支持 GPT-OSS 20B 与 120B 模型，实现 20B 版本约 70 tokens/s、120B 版本约 50 tokens/s 的生成速度，达到目前最优水平。用户可通过 Docker 部署 SGLang 服务，接入 Open WebUI 实现本地聊天，或借助 LMRouter 转换请求格式以完全本地化运行 Claude Code。该方案使在 DGX Spark 上部署多百亿参数本地编码智能体…

MiniMax 在 Hugging Face 发布博客，探讨其 M2 智能体模型的泛化能力。文章核心在于重新思考智能体应“对齐”到什么标准或目标，以提升其在未见任务和环境中的通用性能。这涉及对模型训练范式和评估指标的反思，旨在突破当前智能体在特定任务上过拟合、难以泛化的局限。

Dan Hendrycks（AI安全研究者）团队发布“远程劳动指数”（RLI），通过真实远程工作平台上的数百个经济价值高的长周期项目，评估主流AI模型的自动化能力。结果显示，当前最先进AI代理的自动化率低于3%；图表对比了Gemini 2.5 Pro、ChatGPT agent、GPT-5、Sonnet 4.5、Grok 4和Manus等模型，最高为Manus约2.5%。该指数旨在建立可比的实证基准，追踪AI对劳动力市场的影响。

Claude 发布金融服务 AI 代理构建指南，分享 NBIM、Brex 等机构实践。NBIM 员工每周节省数百小时，McKinsey 研究显示欺诈检测生产力可提升 200% 至 2000%。AI 代理能自主整合多源数据、执行跨系统操作，在合规框架下处理客户服务与风险分析，将传统分析工具升级为可独立完成交易的自主系统。

MiniMax发布语音模型Speech 2.6，端到端延迟降至250毫秒内，支持实时对话。新增多语言特殊格式解析能力，可自动朗读URL、邮箱、电话、日期及金额，无需预处理。推出Fluent LoRA功能，即使源录音带口音也能保留音色并生成流畅语音，支持40余种语言。已被LiveKit、Vapi等平台及智能硬件采用。

OpenAI 发布 gpt-oss-safeguard，这是面向安全分类的开放权重推理模型。开发者可以用它应用并迭代自定义安全策略。

研究通过“概念注入”技术直接操控模型内部激活状态，以检验大语言模型是否具备真正的内省能力。实验发现，在某些情境下，模型能够察觉并识别被注入的概念，区分自身内部表征与原始文本输入，甚至能利用对先前意图的回忆来辨别自身输出与人工预设内容。其中，Claude Opus系列模型展现出最强的自省意识，但这种能力不稳定且高度依赖情境。研究表明，当前模型已具备某种对其内部状态的功能性感知，尽管仍不可靠，但可能随模型能力提升而发展。

Cognition 发布软件工程模型 SWE-1.5，参数达数千亿级，与 Cerebras 合作以最高 950 tok/s 提供推理，速度为 Haiku 4.5 的 6 倍、Sonnet 4.5 的 13 倍。

Manus 面向所有订阅者推出 Wide Research，用多个并行子代理替代单模型顺序处理大规模研究任务。主控制器将请求分解为可并行的子任务，每个子代理作为功能齐全的 Manus 实例运行，拥有完整虚拟机、工具库和全新上下文窗口，完成后由主控制器综合结果。

Microsoft 与 OpenAI 签署新协议，进一步强化双方长期合作关系，扩大创新并确保负责任的 AI 发展。官方公告称这是双方合作伙伴关系的下一阶段。

OpenAI 宣布完成重组融资，官方称此举强化以使命为核心的治理结构，并扩大资源投入，目标是让 AI 惠及所有人，同时负责任地推进创新。

MiniMax 推出 Hailuo 2.3 视频生成模型，在物理动作流畅度、艺术风格化（支持动漫、水墨、游戏 CG）及角色微表情方面显著提升，维持 Hailuo 02 原价，Fast 版本批量创作成本降低 50%。Hailuo Video Agent 同步升级为 Media Agent，支持多模态一键视频生成与分步自定义创作，已全平台上线并开放免费试用。

Hugging Face 宣布 datasets 库流式加载大幅优化：数据文件解析快 10 倍，启动请求最高减少 100 倍，流式速度最高提升 2 倍，256 并发 worker 下零崩溃。