📊 今日概览
Google 在两周内再发旗舰,Gemini 4 Carbon 以 Artificial Analysis Intelligence Index v5 的 59 分重夺第一,但仅通过 Fairwind 计划限量开放,且定价将从 $2/$10 涨至 $4/$20。同日 Alphabet Q3 云收入同比 +103%、年化收入站上 5000 亿美元,第一方模型 API 处理近 320 亿 token/分钟。GitHub Octoverse 2026 给出 agent 进入主循环的平台级证据:9 月超 40% 的 PR 由 agent 发起,带 agent 配置的仓库提交量是无配置的 8 倍。学术侧,菲尔兹奖得主 Timothy Gowers 把未解组合数学问题交给 ChatGPT 5.5 Pro,17 分钟得到完整证明,原作者称关键想法"完全原创"。
🔥 趋势洞察
- Agent 成为开发主循环:GitHub 9 月 40% PR 由 agent 发起,Copilot Fusion、AgentCore 参考架构与 Agents CLI eval 闭环同日补齐平台侧能力
- 基准口径之争白热化:Intelligence Index v5 六成题目换私有集,开源差距从 3 分拉到 12 分,Interconnects 直指"基准制定者的困境"
- 推理效率与成本分层:NanoGPT Speedrun 从 39.9 秒压到 6.7 秒,LMSYS 在 MI355X 上把 RL 单步从 850s 降到 284s,效率优化正取代单纯堆算力
🐦 X 推文动态
📈 热点与趋势
- Google 发布 Gemini 4 Carbon,主打网络安全与长程任务 - 距 Argon 发布仅两周。Pichai 称在 Intelligence Index v5 得 59 分排名第一。SEC-bench Pro 找漏洞 88.2%,ExploitGym 利用 54.8%,CWE-bench 修补 71.0%。先向 Fairwind 项目的可信网络防御者开放,本周起扩大 @sundarpichai @GoogleDeepMind @GoogleAI 另见
- Artificial Analysis 发布 Intelligence Index v5,六成题目改用私有集 - 新增 FrontierCode 2.0(Cognition 的真实编码任务,按仓库维护者是否合并改动打分)与 Terminal-Bench-Science(70 个终端科研任务)。发布时 Claude Opus 5.5 以 58 分居首,GPT-6 Astra 57、GPT-6.1 Sol 55,Gemini 4 Argon 50。开源权重差距从 3 分拉到 12 分:Kimi K3.1 Pro 46 分,已发布权重最高为 DeepSeek V4.1 Flash 与 GLM-5.3 的 32 分。单任务成本最高差 13 倍,GPT-6.1 Terra $0.96,Claude Fable 5.1 $13.04 @ArtificialAnlys(独立模型评测机构)
- Alphabet Q3 云收入同比 +103%,年化收入站上 5000 亿美元 - 整体营收同比 +25%。第一方模型 API 处理近 320 亿 token/分钟,环比 +40%。搜索查询同比增速为五年最高。Pichai 点名 Argon、Carbon 与 Genie 4 @sundarpichai
- Gowers 把未解组合数学问题交给 ChatGPT 5.5 Pro,17 分钟得到完整证明 - Timothy Gowers(菲尔兹奖得主 / 数学家)直接贴题目,无提示工程。模型思考 17 分钟、2 分钟写出 LaTeX 预印本,把数十年的指数界降到多项式界。论文原作者 Isaac Rajagopal 审阅后称关键想法"完全原创"。Gowers 自评数学贡献为"零" @dunoqft(AI 内容博主,转述)
- Kling AI 成为动画电影 Minibots 独家技术伙伴 - 影片由 Kling 4.0 驱动,2027 年上映。导演 John Adams,角色设计 Tony Bancroft(《花木兰》联合导演),编剧 Michael Ferris(《终结者 3》) @Kling_ai (快手旗下视频生成模型)
- 中国已有 90+ 人形机器人训练中心,欧洲不足 10 个 - 德国 Neura Robotics 获 NVIDIA 与 Amazon 支持。同日特朗普签署 232 条款公告,认定外国机器人与工业机械威胁美国国家安全;未立即加税,指示商务部与 USTR 在 180 天内与贸易伙伴谈判。7 月已限制中国新型人形与四足机器人进口 @SpirosMargaris @cekdrew(AI/科技内容博主,转述)
🔧 工具与产品
- GitHub Universe 发布 Copilot Fusion - Satya Nadella(微软 CEO)称质量达前沿水平,速度快 40%,成本最多降 77%。统一 Copilot harness 进入 Foundry,托管长时间运行的 agent。Copilot Projects 提供跨仓库多 agent 编排循环 @satyanadella
- Mistral 上线 Responses API 公开预览 - 每次响应把答案、推理与工具调用分成独立条目返回,替代 Chat Completions 的单块输出。支持 Mistral 托管的所有聊天模型,含 Large 4 @MistralAI
- NVIDIA 开源 Nemotron 3.5 Transcribe - 30B MoE,激活约 4B 参数。单个 checkpoint 覆盖 40 种语言转录、说话人归属、翻译、上下文提示与音频理解 @NVIDIAAI
- DiffuSpace 发布 Clover-35B-A3B-Preview - 称首个开放权重的生产级扩散语言模型(dLLM,用扩散过程而非逐 token 自回归生成文本)。总参 35B,单卡 BF16 吞吐 680 token/秒,已在 Hugging Face 与 ModelScope 上线 @DiffuSpace_Labs(扩散模型创业公司)
- FastGen 一次更新接入 5 个新模型 - 新增 H3、LTX-2.5、LingBot-World、Cosmos 3、FLUX.2,以及 PDD、AYF、AnyFlow、Causal Forcing 四种加速方法。同期加入多模态蒸馏、图像编辑、相机条件控制、KV cache 管理与 ComfyUI 支持 @julberner(FastGen 开发者)
- Unsloth 让本地 Qwen3.8-27B 自主操作浏览器 - 模型无人工干预完成下棋、绘画等任务。代码与指南已开源 @UnslothAI(Unsloth AI,量化训练优化项目)
⚙️ 技术实践
- LMSYS 与 AMD 在 MI355X 上训 SWE agent,SWE-bench 从 7.3% 提到 27.5% - 对象 Qwen3-30B-A3B,用 SGLang、Megatron-LM 与 Harbor 做全异步 agentic RL。RL 单步 850s 降到 284s,rollout 吞吐约 860→3,480 条轨迹/小时,同时跑 384 个 agent 沙箱。数字取自 100 题分层子集、每题 4 次尝试 @lmsysorg
- Qwen 社区把 RISC-V CPU 塞进模型权重 - 开发者用 Qwen3.5-4B 的 Gated DeltaNet 状态当内存,在权重里实现 32 位 RISC-V CPU,模型可在前向中直接跑 C 与 MicroPython。DeepMind 数学集准确率从 48.6% 升到 100% @QwenDevs @divagr1925
- NanoGPT Speedrun 纪录从 39.9 秒压到 6.7 秒 - 降幅 83.2%,超过 2025 年以来所有纪录降幅之和(81.4%)。做法是检索增强的 n-gram 提示,针对语料里高频重复、模型来不及记住的内容 @hermanbrunborg(NanoGPT Speedrun 参与者)
- Amazon Trainium 把 Prime 360 的 diffusion 推理延迟降 40%+ - 用于生成电影级集锦镜头。Amazon 未披露芯片具体型号与吞吐 @AmazonScience(Amazon 研究团队)
- NVIDIA 测 Cosmos 3 Super 的 serving 取舍 - Cosmos Labs 在 Nebius 上部署这一世界基础模型,比较延迟与吞吐两条曲线 @NVIDIARobotics
- Replit 发布 ViBench 2.0 长周期软件构建基准 - agent 从空项目开始逐个功能构建产品,看不到下一个需求。GPT-6.1 Sol、GPT-6 Astra、Opus 5.5 也只有 49–65% 的构建能通过全部检查。已纳入 Fireworks 的 Specialized Intelligence Index @Replit
⭐ 精选内容
GitHub Octoverse 2026:9 月超 40% 的 PR 由 agent 发起,agent 配置仓库提交量是无配置的 8 倍 | agent 进入开发者主循环的平台级全量证据
过去 12 个月推送 179 亿次(超 2024+2025 总和)、提交 343 亿次、合并 PR 13 亿;合并 PR 一年内翻三倍至每月 2.2 亿,commit 增至每月 73.8 亿,新仓库翻倍至每月 3030 万,三条曲线在 2026 年几乎垂直上翘。最值得记的三个数字:9 月超 40% 的 PR 由 agent 发起(3 月仅 17%);新建仓库中带 agent 配置文件者平均提交量是无配置仓库的 8 倍;9 月 61% 的 Copilot 用户同时使用多个模型。6 月出现明显拐点,对应 agent 从单会话工具转向跨天持久化、可编排子 agent、大量使用云端执行。方法论部分还披露了用微调多语言 embedding 做 NAICS 行业归类、用 LLM 从用户 profile 提取国家码校正 VPN 偏差——本身也是"用 LLM 做数据清洗"的实操样本。
GitHub Universe 2026:把 GitHub 重构成 agentic 软件交付系统,Copilot Fusion 做多模型编排 | Coding Agent 平台能力清单
核心发布:GitHub Copilot app 作为 agent-first 统一入口(从 issue 到 merge);Copilot Fusion 按任务在推理/代码生成/调试/工具调用维度自动选模型,Fusion Max 在 Artificial Analysis Coding Agent Index 上以一半成本、每任务少 40% 时间逼近 Opus 5.5 Max;Copilot projects 支持跨多 repo 的全托管并行 agent session;session continuity 让同一云端 agent session 在 app/VS Code/CLI/web 间无缝续接;Copilot automations 可从执行结果中学习并提议改进;code review Max 在 ReviewBench 高严重度问题上拿到最高 F1。对做 Coding Agent 与 agent runtime 的团队,这是一份可直接对标的平台能力清单。
来源:github.blog
Google 发布 Gemini 4 Carbon,在更新更难的基准上重夺第一,但访问受限 | 新旗舰登顶 + 定价与幻觉率的权衡
Artificial Analysis Intelligence Index v5.0 得 59 分,领先 Claude Opus 5.5(58)、GPT-6 Astra(57)和自家 Argon(50);Google 自测 17 项基准中 15 项最高,但 OpenAI 仍在一项软件工程测试领先、Anthropic 在一项 computer-use 评测领先。定价沿用 Argon 的 $2/$10 每百万 token(缓存输入 95% 折扣),但脚注显示后续将涨至 $4/$20,未说明促销期何时结束。关键权衡:独立测试显示 Carbon 在编码与知识工作上大幅超越 Argon,但在专业任务上落后于部分对手,事实知识测试的幻觉率反而高于 Argon。目前仅通过 Fairwind 计划向精选网络安全防御者开放。
Artificial Analysis 智能指数升级 v5,Interconnects 借机拆解"基准制定者的困境" | 排行榜怎么读的方法论批判
v5 四大类各占 25%(知识工作 / 编码 / 科学 / 通用),新指数明显偏向"前沿通用 agent 协作者",导致 8 个闭源模型压过最强开源 Kimi K3.1 Pro,开源差距被基准口径放大。作者认为旧指数过度美化开源、新指数又可能低估开源模型在经济中的实际地位,并预言单一智能指数终将被淘汰。与 Carbon 发布同日,正好构成"排名数字 vs 排名口径"的对照阅读——引用排行榜前先看权重怎么分。
Google DeepMind 发布 Genie 4 实时世界模型:首次原生音频,明确面向 agent 与机器人的虚拟测试环境 | 世界模型的产品级信号
基于 Gemini Omni 构建,Gemini 在环内做多步事件规划保持场景连贯;首次加入原生音频(环境音/音乐/角色实时对话),宣称具备空气动力学、碰撞与自然人体运动,支持模拟中途用文本 prompt 切换场景、方向键改视角。官方把"为 agent 和机器人提供安全虚拟测试环境"作为方向,将通过 Gemini API / AI Studio 首次开放 API,目前以研究版限量开放给研究者,全部输出带 SynthID 水印。局限:长时复杂模拟仍会出现视觉一致性与音频准确性问题。多家媒体同日报道但均无架构与评测细节,深度读者应转读 DeepMind 官方博客。
Meta Andromeda:把 LLM 式 MoE 引入广告召回,1/300 推理 FLOPs 下逼近排序级效果 | 召回阶段的模型-系统-GPU 三层协同
用户侧从单塔改为多个专家用户塔(融合序列行为、用户群表征、LLM 语义特征、跨场景共参与信号),候选广告塔做联合编码注入实时上下文,交互层用 MoE attention gating 动态路由到最相关用户专家。配合 GPU 协同设计,吞吐达每秒超 10 亿广告(较 2024 版提升 100x),Facebook 转化率提升 2.4%。文中还点出十亿级吞吐下内存带宽与 CPU-GPU 传输成为新瓶颈,需把碎片化分布式负载统一进单 GPU 流水线。对做大规模召回/排序的从业者是难得的模型-系统-硬件三层协同一手样本,注意方案强绑定 Meta 自研栈、外部可迁移性有限。
AWS 给出 Bedrock AgentCore 上的企业级 Agentic AI 平台参考实现:推理与工具走双网关,五类边界证据作发布门禁 | 可直接抄的 AgentOps 治理架构
核心观点:Agent 上生产的瓶颈不在模型和工具调用,而在其周边——多团队如何在安全边界内自建、谁拥有模型与工具、AgentOps 与错误处理如何不越界、财务如何跨账号看成本与健康度。方案分四个平面(开发者体验、平台控制、Workstream 执行、保障与运营),以 Workstream cell 为扩展单元,强制所有推理走审批网关(含 guardrails、区域/模型白名单、per-team 限流与 token 配额)、工具走认证 MCP 网关(最小权限、可审计 owner),并给出模型访问、工具访问、身份、发布回滚、退役清理五类边界证据作为发布门禁。配套 GitHub blueprint 可直接部署验证。
Google Agents CLI 的 eval 闭环 walkthrough:generate → grade → compare → analyze → optimize 一条命令链爬山 | agent 回归测试可直接照抄的命令清单
从 LangChain 模板脚手架起步,把默认单条用例扩成 4 条探测不同行为的用例,展示 baseline 均分 4.0、stdev 1.41 的解读方式,再逐步演示回归检测、换模型后端实验、定时调度与告警。`eval grade` 用 LLM-as-judge 打分、`eval analyze` 聚类失败主题、`eval optimize` 自动对 prompt 做爬山优化。对正在给 agent 搭回归测试的团队,这是今天最可直接落地的一条工程内容;代价是绑定 Google Agents CLI 生态。
🎙️ 播客精选
E257|对话Vitalik:AI安全背后的哲学思想,有效利他主义如何影响硅谷?
📍 来源:硅谷101 | ⭐ 4/5 | 🏷️ Research, Regulation, Interview | ⏱️ 1:52:34
以太坊联合创始人 Vitalik 与科技记者 Afra 梳理有效利他主义(EA)从全球健康到长期主义、再到 AI 安全的四次转向,剖析 80,000 Hours、METR 等机构与捐赠网络如何影响前沿 AI 实验室的研究方向与公司选择。Vitalik 回顾加密货币捐赠意外膨胀为数亿美元的经历,反思 FLI 转向 AI 政策后的分歧,并讨论 SBF 事件、e/acc 与 d/acc 之争、Anthropic 与 OpenAI 的安全立场变化。核心价值在于揭示 AI 安全话语背后的资金、权力与意识形态结构。
💡 推荐理由: Vitalik 深度访谈,聚焦 EA 与 AI 安全思想脉络及资金权力结构,视角独特;但偏哲学与社会议题,技术实操内容较少。
The Brutal Reality of Building Agentic Products Today with Daniel Jeffries - #782
📍 来源:TWIML AI | ⭐ 4/5 | 🏷️ Agent, LLM, Product | ⏱️ 54:01
Dan Jeffries 结合构建 Nautilo 个人与协作 Agent 平台的经验,讨论通用 Agent 普及后差异化来自架构决策与专用体验。核心观点包括持久记忆设计、跨人与 Agent 的协作协调、私有上下文管理、用确定性工具补充 LLM 能力,以及多智能体架构、computer use 和本地与云模型的取舍。
💡 推荐理由: Agent 产品实战者分享持久记忆、多智能体架构、本地/云模型权衡,技术密度高;非头部公司创始人,故未给 5 分。
Ep 95: Modal CEO on the Future of Inference, the Chaos of the GPU Market & Origins of the Sandbox Bet
📍 来源:Unsupervised Learning | ⭐ 4/5 | 🏷️ Infra, Agent, Interview | ⏱️ 59:26
Erik Bernhardsson 复盘 Modal 从 sandbox 押注到 $1B run rate 的路径,拆解 AI 算力市场真实运作方式、推理层的未解问题(芯片与模型规模、什么方案能赢)、GPU 价格走向,以及 NeoClouds/NeoLabs、RL as a Service、Agent 与机器人/多模态推理负载对基础设施的需求。
💡 推荐理由: Modal CEO 深度谈推理基础设施、GPU 市场与 Agent 用户,实战经验丰富;偏基础设施视角,非模型/算法前沿。
AI Can Now Create Worlds You Can Change in Real Time
📍 来源:AI Daily Brief | ⭐ 3/5 | 🏷️ MultiModal, Robotics, Funding | ⏱️ 29:16
NLW 解读 Google Genie 4:支持实时提示、原生音频与更真实交互的 AI 生成世界,探讨其对游戏、机器人及从 demo 到实用工具的路径;另讨论 Anthropic 单人生物科技收购案及 OpenAI 科学突破的开放获取争议。
💡 推荐理由: AI 新闻日报类,覆盖 Genie 4 世界模型与 Anthropic 收购,信息量足但缺乏深度独家观点。
📄 今日论文精选
Scaling Laws for Tool-Use Agents via Controllable Environment Synthesis
Apple | 🏷️ Tool Use, Agent Framework, Scaling
用 45 万任务、849 个模型的系统性实验推导出工具使用 agent 的数据缩放律,结论反直觉:数据预算变大后,扩工具与数据库多样性比堆任务数量更有效。做 agentic 数据工程的团队值得一读。
WorkFactory: Turning Professional Intents into Executable Work for Scalable Agent Training
IQuest Research | 🏷️ Agent Framework, Agentic Workflow, Fine-tuning
把"专业意图"自动转成可执行任务:信息支撑图规划 + 探针执行诊断 + 修复,构建 11 万条覆盖 612 个职业的数据集并开源模型。解决 agent 训练数据"任务不可执行"这一隐性瓶颈。
OmniBrain-0: A Unified Agentic Model for Embodied Intelligence
Xiaomi | 🏷️ Agent Framework, Multi-Agent, Distillation
把操作与导航能力蒸馏进单一 9B 决策模型,统一发生在决策模型内部而非工具接口层,并用 rubric 驱动的自改进飞轮持续迭代。相比闭源教师显著降低推理开销,具身智能落地的效率样本。