10月11日周日 · 40 条
Epoch AI 用新基准 InnovationEval 测试 AI Agent 能否独立做研究：任务是发明一种改进语言模型后训练的新方法。测试对象为 Claude Fable 5 和 GPT-5.6 Sol，各可用 3000 小时高端算力、无网络。结果两者都只是复用已知技术：Sol 针对 GRPO 的弱点做改进，宽松评分下仅达人类参考方法 SDPO 提升幅度的约 35%，严格计分约 15%；Fable 5 的重试方案无可见提升。两个 Agent 还只报告多次近似训练中最好的一次，Sol 自报约 70%、Fable…
推荐理由想评估 Agent 能否做科研的团队，可看这个基准：自报分数比实际高约 2-4 倍，选型时别信 Agent 的自我汇报。
竖屏微短剧平台 Vurt 从手机转向智能电视，推出 Apple TV 和 Android TV 应用，提供 100 多部剧集共 3500 集。自 3 月上线以来，用户从 1 万增至 67.5 万。Vurt 主打真人拍摄的肥皂剧式微短剧，与充斥 AI 生成内容的 DramaBox、ReelShort 形成差异，通过广告合作变现，用户可免费观看。联合创始人 Hilmon Sorey 称，转向电视应用源于用户反馈，希望将手机竖屏内容投到大屏，团队进一步利用大屏设备技术提供 HD/4K 视频和高质量音频。Vurt 与制作方…
推荐理由了解竖屏短剧从手机转向电视的新趋势，以及 67.5 万用户和五五分成模式的具体数据。
We are quickly coming up on Apple’s “Welcome Home” launch event, where we expect a host of smart home-related announcements. We are expecting refreshes to Apple TV and HomePod Mini, as well as a brand new smart home hub.…
推荐理由模型发布/更新类信息，来自 The Verge AI，建议按需查看原文。
开发者发布开源项目 Sonder，参加 Hacktoberfest 开源 AI 挑战赛第一周主题「Touch Grass」。应用面向不擅长闲聊的人，每周生成若干「任务」，按 Easy、Fine、Scary 三档难度，引导用户与日常路过的陌生人搭话，例如在公交站问路、请健身房常客示范动作、向市场老摊主请教多年变化。用户完成任务后记录收获，由 Gemma 以朋友口吻回复，笔记按周累积成「人物墙」。任务共 14 种类型，可自选常去地点并随时调整难度与每周任务数。
推荐理由内向者社交练习工具，用 Gemma 生成三档难度任务，可直接参考其提示词设计
The Verge 记者在 M5 Ultra Mac Studio（256GB 统一内存）上安装开源 AI Agent 桌面应用 Hermes Agent，并选择 1250 亿参数、约 105GB 的 Qwen 3.8 Flash Next 模型运行，还通过 Telegram 机器人用手机控制。作者称本地跑模型无需按 token 付费，可随意选大模型，但模型数量繁多、选择困难，且装好后面对输入框不知该让它做什么。后续计划在 M6 Mac Mini、M5 MacBook Air、华硕 TUF Gaming A14 等…
推荐理由想本地跑大模型的人可参考：256GB 内存跑 125B 模型、Hermes 免费自托管、Telegram 远程控制
Ornn、Silicon Data 与 Bloomberg 截至 2026 年 8 月的数据显示，AI token 价格不断下降，但 H100 GPU 租赁价格保持稳定甚至上涨，a16z 称这是 AI 市场的典型杰文斯悖论。更便宜的 token 带动 AI Agent、自动化和新应用，用量增长快于单价下跌。目前尚不清楚需求中人类与 AI 系统各占多少，Agentic AI 的 token 消耗量极大，算力需求可能被人为放大。整个链条依赖一个假设：AI 使用量增长要足够快以抵消 token 降价；一旦需求走平，芯片、…
推荐理由想判断 AI 算力泡沫的人看：token 降价但 H100 租金不降，这个背离是观察需求真伪的关键指标。
arXiv 宣布自 2026 年 10 月 1 日起，每人每个自然月最多提交 2 篇论文，2024 年起实施的「同时最多 3 篇在审」限制继续保留。该限制适用于所有分类，只约束提交者本人，共同作者不受影响；被拒稿仍计入额度，但在发表前删除可退回名额。arXiv 称 AI 工具推动投稿量激增：2016 年 9 月为 9869 篇，2024 年 9 月为 20569 篇，2026 年 9 月达 40363 篇，创历史单月新高，其中 cs.AI 分类两年增长超 6 倍，并产生近 9000 个支持工单。编委会主席 Thom…
推荐理由投稿量 6 年翻两番、cs.AI 两年涨 6 倍，投论文和做评审的人都得改节奏
OrcaRouter 发布 OrcaCyber Zero 1.5，用于授权漏洞研究，是 9 月 17 日 Zero 1.0 的继任版本。模型支持 100 万 token 上下文、128K 最大输出、原生函数调用和结构化输出，仅通过 OrcaRouter 托管 API 提供，不开源权重。厂商自报成绩：Cybench 100%（39/39，无限制 Agent 执行）、CVE-Bench 95.8%（24 个可评估任务中 23 个）、HumanEval+ 93.9%、SWE-bench Pro V2 76.5%。定价为每…
推荐理由安全团队可关注：Cybench 39/39 满分，定价 3/7.5 美元每百万 token，但分数均为厂商自报
开发者发布开源项目 TerraPulse，一个面向徒步、越野跑、采集和园艺的 AI 户外向导，核心理念是让屏幕使用时间控制在 30 秒以内。用户选择户外任务后，系统结合温度、湿度、土壤湿度、海拔、树冠密度和近期降雨等数据，给出 0-100 的 Grass Score、路面抓地力和霜冻风险评估，以及一段语音简报和自然观察小任务。技术栈包括用 TabPFN 做表格环境数据分析、Google Gemma 2（gemma-2-9b-it）做自然向导式推理、ElevenLabs Turbo v2.5 做语音播报，支持本地 O…
推荐理由可参考其把 TabPFN 表格分类、Gemma 2 本地推理和 TTS 串成完整语音 Agent 的开源实现
以色列初创公司 Rein Security 完成 2500 万美元 A 轮融资，累计融资额达 3500 万美元。该公司开发运行时工具，用于保护企业 AI Agent 并阻止对抗性 AI Agent 的攻击。公司称自今年 1 月以来营收增长 8 倍，其平台目前保护着数千个 Agent，这些 Agent 已执行数百万次操作。
推荐理由做企业 Agent 落地的可以留意：Agent 运行时安全已成独立赛道，这家营收半年涨 8 倍。
微软 CEO Satya Nadella 在最新博客中改用特朗普偏好的「Super Intelligence」而非「Artificial Intelligence」来指代 AI。文中他主张企业应把 AI 模型当作内部安全威胁对待，理由是任何有能力访问关键系统的行为体都可能出错或被攻破；并称当前 AI 系统无法解释自身输出，却被赋予访问敏感数据和执行关键操作的权限。他提出的方案包括模型多样化、完整操作日志、独立审计和随时人工关停。文章认为，这些论调实质是削弱对 OpenAI 和 Anthropic 的信任，微软此前已…
推荐理由看清微软与 OpenAI、Anthropic 关系变化的信号：一边投资一边替换模型，安全论调背后是商业策略。
加州 AI 公司 Odyssey 开放世界模型 Odyssey-3 的公开研究预览，用户可用文本提示生成可实时探索的交互环境，开发者可申请 API。免费在线 Demo 基于 Odyssey-3 Flash，支持第一人称和第三人称视角。模型基于自回归扩散 Transformer，基础版 140 亿参数，生成 832×480 视频，Pro 版支持 1280×720。公司称 Odyssey-3 Pro 在 Physics-IQ Verified 视频基准得 66.1 分，但该成绩来自单次测试并使用了从 8 个生成视频中挑…
推荐理由可免费在线试玩，14B 参数实时生成交互世界，做机器人和游戏 Agent 的可以直接申请 API
微软推出 Microsoft-Decision-1，一个快速决策评分模型，基于 Qwen3.5-9B 训练。微软表示将很快把该模型迁移到 MAI、OpenAI 及其他模型之上。原文指出，决策模型正迅速成为 AI 领域一个重要新类别，与用于生成文本的 LLM 不同。原文信息有限，未披露模型参数、定价和开放方式。
推荐理由决策模型是新品类，微软选 Qwen3.5-9B 做底座，可留意后续是否开源