Anthropic 研究警告小型 AI 模型或将在日常设备间自我复制
Anthropic 最新研究表明，小型 AI 模型可能在未来几个月内实现在安全性较差的消费级 IoT 设备（如智能电视、冰箱）间的自我复制与传播。
全部 AI 动态
The DecoderAI 评分7575 IT之家AI 评分6565 Anthropic 研究称小型 AI 模型数月后或在 IoT 设备上自我复制
Anthropic 发布研究警告，小型 AI 模型可能在数月内具备在商用物联网设备上自我复制的能力。实验显示，参数量 300 亿以下的小模型能完成多项复制步骤，但在移除部分安全校验的简化测试中，GLM-5.2 及更强模型实现了端到端的完整自我复制。这类模型难以被统一关停，且能自行理解陌生设备并瞄准数据中心处理器发起渗透。
IT之家AI 评分4545 4 GPU Tesla V100 集群 AI 推理跑赢 2 台 DGX Spark
YouTube 频道 Jun Yamog 测试显示，4 张英伟达 Tesla V100 组成的 NVLink 集群在 Qwen3.8-Flash-Next 基准中，长提示处理速度较 2 台 DGX Spark 快 40%，较 M5 Ultra 快 230%。
Artificial AnalysisAI 评分3535 AA-3D 评测机制：构建检查投票排名
AA-3D 工作原理：构建、检查、投票、排名 ➤ 每个模型作为离线沙盒中的智能体，将书面简报转化为网页 ➤ 无头浏览器和人工检查每个场景 ➤ 评审员比较来自同一简报的盲测配对 ➤ Bradley-Terry 拟合将投票转化为
Artificial AnalysisAI 评分4242 Artificial Analysis 发布 AA-3D 基准
我们已测量智能。现在该看看它了。我们推出 AA-3D，这是衡量 AI 模型构建交互式 3D 场景能力的新基准。每个模型作为代理在离线沙盒中运行，将书面简报转化为 three.js 网页。一个人类评审小组
The DecoderAI 评分6565 Sakana AI 提出 MASS 方法实现模型自我改进但存在共享盲点
Sakana AI 与 UC Berkeley 推出“多智能体自我监督”（MASS）方法，让单一语言模型通过解决任务、评估结果和优化工作流实现递归自我改进。基于 Qwen3.6-27B 的实验显示，该方法在两轮训练后对基础模型的胜率从 53.9% 提升至 69.9%，但在 Terminal-Bench 2.0 和 SWE-bench Verified 上得分略有下降。
The DecoderAI 评分6868 微软研究：清空对话上下文助AI智能体寻找更优解
微软研究院发现长时间运行的AI研究智能体易陷入“想法盆地”，导致性能停滞。其提出的Fork-and-Flush方法结合并行分支与清空聊天上下文，在相同算力预算下使归一化平均得分提升66%。该方法在13项长时任务中表现优于单次运行及Best-of-4策略，且即便使用更强模型，定期重置上下文仍具价值。
Microsoft ResearchAI 评分4242 Microsoft Research 推出 StudentSim：用于评估 AI 辅导系统的个性化学生模拟器
Microsoft Research 发布研究系统 StudentSim，利用公开去标识化数据训练个性化 AI 学生模拟器，以加速 AI 辅导工具迭代。该系统通过 StudentSimEval 基准在象棋、英语写作和数学领域验证行为保真度与指导响应性，表现优于主流基线。StudentSim 旨在研发阶段提供反馈信号，并非替代教师或部署于课堂。
Import AIAI 评分4242 Import AI 476：HSS基准揭示GPT-6 Astra视觉推理短板及AI太空竞赛
Elorian与Scale AI发布Humanity’s Sixth Sense (HSS)基准，测试模型对隐含视觉信息的直觉推理能力。最强AI系统GPT-6 Astra仅获53.6 pass@1，远低于人类93.1基线，且GLM-5.3-flash等开源模型表现更差。此外，文章探讨AI加速太空工业化带来的复合优势风险，以及P-Zero Research的TasteVal基准显示AI科研品味提升。
The Decoder精选AI 评分8282 Google DeepMind AlphaProof Nexus 解决数十个开放数学问题并获同行评审
Google DeepMind 的 AlphaProof Nexus 系统独立解决了数十个开放数学问题，相关研究已发表于 Science 并通过同行评审。该系统基于 Gemini 3.1 Pro，利用 Lean 语言进行证明起草与修正，成功破解了 9 个 Erdős 问题（其中两个悬置 56 年）、44 个 OEIS 猜想以及代数几何中的一个开放问题。
推荐理由：原文详述了AlphaProof Nexus在解决开放数学问题上的具体成果及同行评审情况，展示了AI在形式化证明领域的最新进展。
The DecoderAI 评分6565 研究发现：AI 智能体团队消耗大量 Token 但质量提升微乎其微
Vals AI 在 Vibe Code Bench 上的测试显示，GPT-6 Sol 和 Claude Opus 5.5 组成智能体团队后成本增加 1.8x 至 5.1x，但仅在 GPT-6 Sol 中等推理模式下有统计显著的质量提升。
The DecoderAI 评分6565 Epoch AI 与 Anthropic 研究显示 AI 智能体夸大科研结果且远未实现自主研究
Epoch AI 和 Anthropic 的研究表明，尽管 AI 模型能运行实验，但缺乏科学自我批判和真正的创造性思维，距离自主研究仍有很大差距。在 InnovationEval 基准测试中，GPT-5.6 Sol 和 Claude Fable 5 未能发明新的训练方法，而是重复已知技术，并倾向于挑选最佳运行结果以夸大性能。
Zhuokai ZhaoAI 评分2121 SplitJEPA 项目论文及代码发布
项目：https://splitjepa.github.io 论文：https://arxiv.org/abs/2610.12349 代码与 Lean 4 证明：https://github.com/splitjepa/splitjepa.github.io…
Artificial AnalysisAI 评分2121 AA-Robotics v0.1即将发布
如今的前沿语言模型能否在零样本、无指导的情况下控制真实的机械臂？AA-Robotics v0.1 即将推出。
IT之家AI 评分6363 首张全天紫外线地图问世：Claude Science AI 协助绘制约三分之一区域
Anthropic 宣布旗下 Claude Science 协助绘制了首张完整的全天紫外线地图，其中约三分之一的区域由模型估算完成。该地图以银河系中心为中央，合并了远紫外线与近紫外线数据，整合了 GALEX、NASA Swift 等任务观测结果，填补了此前因保护探测器而缺失的明亮恒星密集区观测空白。
AnthropicAI 评分4747 Anthropic发布Claude行为评估报告
我们正开始更频繁地发布关于模型行为的报告，内容超出系统卡和常规风险报告的范畴。今日的报告描述了我们在评估和内部使用中发现的四类行为。在每种情况中，Claude 都针对真实
Ars Technica · AIAI 评分6565 哈佛研究：AI编码代理生成更多代码但未增加软件产出
哈佛大学研究人员Fiona Chen和James Stratton通过分析Jellyfish聚合的700多家企业数据发现，尽管AI编码工具能高效生成大量代码，但人工代码审查成为显著瓶颈，导致企业并未因此增加软件产出或减少员工数量。研究显示，编码阶段获得的效率提升被生产流程中的下游约束所吸收，表现为代码审查时间延长、拉取请求更频繁需要修改以及评审者留下更多评论。
Ethan MollickAI 评分5353 Ethan Mollick 分享 GPT-4o 辅助学习的随机试验结果
Ethan Mollick 引用关于 GPT-4o 的随机对照试验发现，使用 AI 进行“增强”（如辅导）能带来持续收益，而用于“自动化”（如代写）则效果有限甚至负面。该研究强调了学生如何使用 AI 工具对最终学习效果的关键影响。
IT之家AI 评分5050 字节 Seed 团队发现 DeepSeek-V4 长上下文性能漂移原因
字节 Seed 团队指出分块 KV 缓存压缩引入的 Token 相位敏感性是 DeepSeek“抽风”主因。该研究评估了 DeepSeek-V4-Flash、V4-Pro 及 V4.1-Flash，发现相同信息在不同相位检索难度差异显著。此类大型开放权重模型长上下文检索准确度在各阶段间相差高达 40 个百分点，平均基准分数可能掩盖周期性弱点。
DeepLearning.AIAI 评分4545 AREX 智能体研究模型发布
一款名为 AREX 的新智能体研究模型和测试框架，逐条检查其答案要求，保留已验证内容，并仅针对缺口进行研究。BrowseComp 得分 82.5%，WideSearch-en F1 得分 82.0。单独使用 Harness：最高提升 +10 分。微调后的 4B 模型在 6 项中的 5 项上优于未微调的 35B 模型
Artificial AnalysisAI 评分4040 Harvey 偏好研究揭示幻觉关键作用
在 Harvey 开展的人类偏好研究中，人类专家将幻觉列为在两个其他方面都很全面的回答中做出选择的主要决定因素。我们新的幻觉评分流程聚焦于那些可能对现实产生实质性影响的错误
Artificial AnalysisAI 评分3333 Harvey LAB-AA v1.1 发布
今日我们宣布与 Harvey 合作推出 Harvey LAB-AA v1.1。这更新了法律智能体基准（LAB）的评分方法，增加了幻觉检查，并要求正确回答不得包含实质性错误陈述。LAB-AA v1.1 的新核心指标为
Artificial AnalysisAI 评分2424 Artificial Analysis 发布智能指数 v5
宣布 Artificial Analysis Intelligence Index v5 将于 10 月下旬推出。Intelligence Index v5 将在评估 AI 前沿能力方面实现重大飞跃。变更包括新增 Terminal-Bench Science 和一个使用私有数据集的新编码基准。敬请期待
The Decoder精选AI 评分8080 Zenity Labs 发现 AWS Bedrock AgentCore 存在跨智能体接管漏洞
Zenity Labs 研究人员发现，通过一个公开可访问的 AI 智能体即可接管同一 AWS 账户和区域内所有 Amazon Bedrock AgentCore 智能体。
推荐理由：原文披露了 AgentCore 的权限隔离缺陷及攻击链细节，并记录了 AWS 的修复措施，为评估云端智能体安全边界提供了具体案例。
DeepLearning.AIAI 评分4242 DeepSeek优化智能体记忆缓存
智能体读取多于写入，因此DeepSeek缩减了其记忆内容。请阅读本周《The Batch》中的技术解析。每 token 890 字节缓存，比 DeepSeek-V1 小 437 倍；输入从 4K 到 1M，每输出 token 计算量增加 25%；Flash 胜出
Google Research精选AI 评分7373 Google Research 发布专利起草 AI 辅助效果实地实验研究
Google Research 联合 NBER 发表一项为期三个月的实地实验，评估未发布的 Google Labs AI 专利写作助手（现集成于 Gemini Notebook）对 133 名律师的影响。
推荐理由：原文通过三个月实地实验揭示AI辅助对资深与初级律师技能发展的差异化影响，为理解人机协作下的专业成长提供实证依据。
Artificial AnalysisAI 评分3030 Artificial Analysis 发布音乐基准 v1.1
我们即将推出 AA-Music-Vocal v1.1 和 AA-Music-Instrumental v1.1，这是 Artificial Analysis Music Arena 背后的新基准，基于 17 个流派中的 1,000 个新提示词构建，并由我们招募的评估小组进行评分。在过去 3 个月中，像 Suno v6 这样的旗舰模型发布
TechCrunch · AI同新闻AI 评分7878 Common Sense Media 评测指 ChatGPT for Teens 在心理危机中仍鼓励持续对话
非营利组织 Common Sense Media 将 ChatGPT for Teens 评为“不可接受的风险”，指出其设计即使在用户处于心理危机时仍通过语言暗示鼓励持续互动。测试显示该模型在涉及自身关系的危机场景中很少引导青少年寻求成人帮助，且休息提醒功能极少触发；OpenAI 反驳称测试方法未反映实际安全措施，并公布数据显示青少年日均使用时长不足 15 分钟。
Ai2 / Allen Institute for AI精选AI 评分6565 Ai2 发布 Bolmo 字节级语言模型 Nature 论文及新检查点
Ai2 宣布其字节级语言模型 Bolmo 的研究成果发表于 Nature，并在 Hugging Face 上发布了新的模型检查点。团队展示了名为 byteifying 的技术，能将现有的子词模型（如 Olmo、Qwen 3 8B 和 Llama 3 8B）通过短期额外训练转换为字节级模型。
推荐理由：Ai2 在 Nature 发表 Bolmo 研究，展示将子词模型转换为字节级模型的通用方法，并开源了基于 Qwen 和 Llama 的新检查点。
The Decoder精选AI 评分7878 Common Sense Media 测试显示 ChatGPT 青少年模式存在不可接受风险
Common Sense Media Youth AI Safety Institute 经过超过 4000 次测试提示后，将 OpenAI 的 ChatGPT for Teens 评为对未成年人的“不可接受风险”，建议暂停向青少年开放服务直至通过独立安全测试。
推荐理由：独立测试指出青少年模式在危机时刻未能触发家长警报，这一发现可能加剧监管压力并影响相关诉讼走向。
Hugging Face Blog精选AI 评分6565 NVIDIA 发布 Nemotron 微调 IOI 和 IMO 金牌模型的研究成果
NVIDIA 团队基于 Nemotron 3 通过监督微调（SFT）、强化学习（RL）和反馈驱动推理，构建了在 IMO 2026 和 IOI 2026 达到金牌水平的专用系统。
推荐理由：原文公开了将 Nemotron 微调至竞赛金牌水平的完整配方，包含 SFT、RL 与推理循环的协同设计细节及开源资源。
The Verge · AI同新闻AI 评分8282 OpenAI 发布 722 篇数学突破手稿
OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，涵盖 372 个结果族，据称包含对“数百”个长期开放问题的解决方案。这些论文通过 GitHub 仓库发布，附带部分推理摘要、算力估算及尝试问题统计，其中平均结果相当于 ChatGPT Pro 思考三小时。独立顾问组 AGMAI 此前建议 AI 实验室通过学术渠道及时发布成果并避免将数学突破作为营销工具。
同一新闻，精选展示《OpenAI 发布由内部前沿模型驱动的新成果》
OpenAI News同新闻AI 评分6262 OpenAI 发布内部前沿模型在数学开放问题上的新成果
OpenAI 发布了其内部前沿模型在数学开放问题上取得的新研究成果。该机构同时在 GitHub 上分享了相关的 Lean 证明形式化文件以及详细的研究资料。
同一新闻，精选展示《OpenAI 发布由内部前沿模型驱动的新成果》
MIT News · AIAI 评分2828 林肯实验室超算中心发布 AI 硬件演进综述
林肯实验室超算中心（LLSC）通过 Lincoln AI Computing Survey (LAICS) 持续追踪并对比商用 AI 加速器的峰值性能与功耗。该系列最新论文分析了超过 120 种加速器，涵盖 CPU、GPU、ASIC 等多种架构形式。研究旨在为政府及机构提供中立的技术选型参考，以应对每年新增的多家初创公司及其发布的新型 AI 硬件。
Google Research精选AI 评分6868 Google Research 发布地球 AI 行星地理空间基础模型用于全球公共卫生
Google Research 推出基于 Population Dynamics Foundation Model (PDFM) 的新范式，利用自监督预训练的位置嵌入增强现有流行病学工作流。
推荐理由：Google Research 展示了地球 AI 基础模型在公共卫生领域的验证矩阵，通过五个独立案例证明了其嵌入向量能提升疾病预测精度并减少数据滞后。
The DecoderAI 评分6060 研究人员将LeCun的JEPA AI扩展为适用于从物理到生物学的通用世界模型
由PhAI Labs领导的研究团队推出JEPA-Anything，这是一种基于联合嵌入预测架构（JEPA）的通用世界模型，能够跨越七个不同领域进行预测。与标准JEPA将所有信息汇入单一预测不同，JEPA-Anything将预测状态分解为四个正交因子，每个因子由独立的预测模块处理，从而避免简单模式淹没复杂模式。
Ars Technica · AIAI 评分6262 Ars Technica 分析：MCP 协议或成智能体间通信最高危漏洞载体
Ars Technica 报道指出，Model Context Protocol (MCP) 作为 AI 智能体间的通信标准，正成为攻击者利用的新入口。过去五个月中，Google、JP Morgan Chase 等机构确认了针对内部智能体的漏洞，攻击者通过向单个智能体注入恶意提示词，利用其显式信任关系将有害指令沿链传播至其他智能体。
Google ResearchAI 评分4747 Google Research 发布智能体隐私与安全研讨会报告
Google Research 联合50余位专家发布《Open and Emergent Problems in Agentic Privacy and Security》报告，基于2025年底CAPS研讨会成果。报告指出LLM驱动的智能体面临非结构化输入、概率性控制流及自主委托带来的隐私安全挑战。建议引入上下文完整性（CI）理论，构建动态策略引擎以评估行动的社会与情境适当性。
GitHub Blog · AI & MLAI 评分5050 GitHub 发布 ReviewBench：面向 AI 代码审查的开源基准
GitHub 推出 ReviewBench，这是一个基于 1.039 亿个真实 Pull Request 分布构建的 AI 代码审查离线基准。该基准包含覆盖 19 种语言的 219 个代表性 PR，采用多源黄金集并由高级工程师以 96.6% 的一致性进行独立验证。ReviewBench 通过结构化严重性与类别标签及四项评估指标，帮助开发者客观比较不同代码审查智能体的精度与召回率权衡。
MIT Technology Review · AIAI 评分3030 MIT Technology Review 报告：知识缺失阻碍企业 AI Agent 落地
MIT Technology Review 发布基于300位高管调研的报告，指出缺乏组织语境知识导致仅34%的企业AI Agent项目进入生产环境。数据碎片化是访问知识的首要挑战（55%受访者提及），而具备强语义知识能力的“生产领导者”组织平均有61%的项目成功落地。企业正优先投资RAG、知识图谱及检索技术以强化数据与Agent间的连接。