每日 AI 简报

SpaceXSI（原 xAI）10 月 14 日公布 Grok Voice 3.0，面向实时语音对话和客服智能体的 Voice Agent API 已提供新模型，价格维持每分钟 0.08 美元。使用 grok-voice-latest 别名的会话已自动切换；固定使用 grok-voice-2.0 的开发者需改用 3.0 或 latest，2.0 已被标记弃用。接口、会话参数和事件保持兼容。

独立评测机构 Artificial Analysis 当天宣布，新模型以 86.9 分位居其语音到语音综合指数第一；该指数结合语音推理、客服任务、盲测偏好和任务成功率。厂商公布的结果包括 Full Duplex Bench 97%、τ-Voice 71.6%，后者较 2.0 的 56.5% 提高，但仍低于所列 GPT-Live-1 的 74.5%。低于一秒的响应指标也应和具体测试设置一起理解，综合第一不代表每项任务都最好。

公司称 Starlink 每天用 Grok Voice 处理约 2 万通客户电话，约 70% 无须人工完成，并在 Tesla 车内承接大量语音对话。这些部署规模与解决率属于公司披露，尚不能替代对各行业真实客服流程的独立验证。

艾奥瓦、堪萨斯、内布拉斯加、西弗吉尼亚、阿肯色、亚利桑那、爱达荷和蒙大拿州的总检察长分别在州法院起诉 OpenAI，指控 ChatGPT 的安全宣传误导消费者，并可能危害未成年人及其他脆弱用户。艾奥瓦州公告称，其案件依据州消费者欺诈法提出；这些是诉方指控，尚不是法院认定。

各州要求改变产品设计和安全披露，并寻求民事罚款、赔偿等救济。阿肯色州诉状还涉及未成年人个人信息的收集、保留和同意，要求清楚披露风险，并请求在充分安全措施到位前限制部分先进 AI 测试。各案的法律依据和请求并不完全相同，起诉本身也不等于这些限制已经生效。路透报道时，OpenAI 尚未回应其置评请求。

First Proof 公布第三批研究数学评测：十道题来自数学家的实际研究，人类已找到证明，但测试前没有公开，并非十个长期未解猜想。五套系统在 10 月 2–5 日测试，每套系统最多用 24 小时处理整批题目，不接受后续人工交互；随后由约 30 名专家对匿名答案分别评正确性、表达与引用。

按专家平均正确性分数至少 0.5 的口径，调用多家前沿模型的 ProofCouncil 解出 9 题，直接调用 GPT-6 Astra 的方案解出 7 题，MerLean 为 4 题，基于 Claude Opus 5.5 的 Siege 为 3 题，自托管 Kimi K3 的 Humanize 为 0 题。所有题均至少被一套系统解出，不能把这个合并结果归给某个单一模型。

答对也不等于已经形成合格论文：Astra 的十份输出中仅四份引用达到要求，ProofCouncil 为七份，最高分系统仍有三份表达得分为负。评测引入负分，鼓励无法完成时承认不足，减少错误证明给审阅者带来的负担。

不同方案的编排、预算与联网条件并不相同；ProofCouncil 本批调用成本约 1,888 美元，直接 Astra 方案约 36 美元，统计口径也有差别。因此结果提供的是这批系统在这十道题上的比较，不能隔离成纯底模能力排名，更不能由一个开权参赛系统推断所有开放模型的表现。完整题目、答案、代码、日志与评审已公开，下一批计划于 2027 年 1 月上半月发布。

努比亚 10 月 14 日晚举行 NaviX Ultra 首场“进化”直播，公布手机智能体的新一轮能力更新：本地资料检索与录音纪要支持自然语言模糊查询，智能通话可判断来电是否需要机主亲自接听，并新增视频内容快速问答与自动学习任务知识等能力。它延续 9 月上市后通过软件迭代扩展智能体的路线，这次报道实际公布的更新，承接此前已刊的直播预告。

官方同时宣布“内测实验室”计划，向部分用户开放尚未正式推送的模型和功能；具体名额、申请规则及版本推送范围仍需以官方后续安排为准，不能理解为所有用户已获得内测能力。

购机权益追加 6 个月豆包标准版会员：9 月 16 日至 10 月 14 日首月购机老用户可直接享有；10 月 15 日至 11 月 11 日新购机用户需晒单领取。厂商署名稿也确认新老用户都在范围内，并要求具体领取与权益细则咨询努比亚官方客服。会员赠送不等于解锁所有第三方应用自动操作权限，智能体跨应用使用仍受应用授权和当前支持范围约束。

北京日报 10 月 14 日从字节跳动获悉，豆包工作上线“数据导入与同步”，可从已适配的 ChatGPT、Claude Code、Trae Work 等产品导入存储在本地的任务偏好指令、技能、连接器、工作记忆、项目与历史会话。导入会话保留原有上下文，用户可以接着原任务工作，减少更换工具后重复配置和重新交代背景的成本。

入口位于“设置—数据导入与同步”；支持自动同步的来源可按需开启同步。这里的适用范围是已适配产品及本地保存内容，不能由此推成所有云端聊天记录或任意 AI 产品都能自动迁移。

同次更新还提供三项对话能力：选择一条消息“在新对话中继续”，把已有上下文带入新会话并保留原讨论；对回复片段添加消息注释，让原文与问题一起进入输入框；通过对话摘要侧栏集中查看任务、产物与技能。它们针对的是长任务中切换方向、指出具体修改位置和找回产物的日常操作。

千问办公 10 月 14 日正式公布电商版并开启邀测，受邀用户可在产品内切换“电商经营”模式。它把通用办公智能体延伸到跨平台、多店铺经营，首批四项专业功能是跨平台经营看板、趋势洞察及卖点分析、批量素材生成，以及跨平台投入产出比（ROI）优化。这是前一期晚点报道“开发中”之后的实际官方开放进展。

看板汇总各店销售、库存与广告消耗；商家可给定大促目标，让系统结合历史经营数据制定方案并定时更新进度。素材工具把商品图片、卖点和风格要求转为不同平台的主图、场景图与文案，产物仍需团队审核。投放功能侧重跟踪计划、诊断异常和提出优化建议，不能把它表述为无须授权就自动操盘所有平台预算。

发布方定位为独立第三方电商智能体，面向各平台商家与行业软件开放，已接入生意参谋、有赞、千牛、阿里妈妈万相台、FastMoss、LinkFox 等工具。后续拟增加主动发现库存、投放、转化与售后异常并在商家授权后处理的能力；这是下一步规划。当前仍处邀测，具体账号准入、数据授权和计费规则应以产品内实际安排为准。

openJiuwen 团队 10 月 14 日披露，WorkSwarm 已原生支持个人知识空间。用户在“设置—知识”中启用后，可选择本地文件夹、Edge 收藏夹、知乎专栏、今日头条、飞书文档、GitHub、AtomGit 等来源，手动或定时增量采集，将分散资料整理成带主题目录、文档关联与出处的知识。

系统提供三种处理方式：完全基于规则归类；先用大模型提炼标题、摘要和关键词，再由规则组织；或由智能体判断与已有知识的关系，更新、合并或新增页面。后两种方式可自行配置整理模型。任务中打开知识空间后，智能体先看资料概况和入口，再按当前问题逐步读取相关页面，避免每次把全部原始资料重新查找、整理和输入。

采集与任务访问可以分别控制，用户决定哪些资料进入知识空间，以及智能体何时使用。团队在自建 25 题测试中报告任务通过率、耗时和任务阶段 token 消耗改善；这属于项目方的小规模测试，预处理本身也会消耗模型额度，不能把任务阶段省量直接当成整个流程的统一节省比例。官网现有 HarmonyOS、Windows、Mac 安装入口及 Python 安装方式，用户可按自己的平台选择。

企业微信 10 月 14 日官宣与 WorkBuddy 联合推出新版本。升级至企业微信 5.0.12 及以上后，员工可从侧边栏或通讯录进入 WorkBuddy 机器人，直接交办任务；它结合当前用户权限范围内的消息、文档、会议等资料处理工作，再把结果发回企业微信。管理员可分配使用席位、查看和控制算力消耗。

腾讯官方接入说明明确，新互通能力面向已认证企业，并提供限免体验名额，企业可领取、申请开通或统一采购；每家企业额度不同，不能理解为任何个人账号无限免费。进入 WorkBuddy 后先“领取使用”，自主名额用完则改为向管理员“申请使用”。需要在 WorkBuddy 客户端中调用企微能力时，还须升级到 WorkBuddy 5.8.0 及以上，用同一账号、同一企业登录并完成首次授权。

Buddy 沿用用户自己的访问权限，员工看不到的文档和无权进入的群也不能访问；发送消息等敏感操作需用户在企微客户端确认。目前消息能力主要支持企业内部单聊与群聊，外部联系人、外部群等仍在限制范围内。更完整的办公能力通过企业版客户端使用，机器人入口不能等同于客户端所有功能。

AIPOCH 10 月 14 日发布 Open-Science 1.0，提供 macOS、Windows 和 Linux 桌面安装包。这个按 Apache 2.0 许可公开代码的研究工作台，把论文与 PDF、研究文件、科学数据连接器、Python/R 计算和智能体对话放在同一项目中，支持 Claude Code、OpenCode、Codex、CodeBuddy 等后端，以及兼容的云端或本地模型。具体模型、协议和功能仍取决于所选后端与用户账户。

1.0 的重点是便于检查和交接的 .science 研究包。研究者选择要导出的对话分支、文件及产物版本、Notebook 记录和已有核验证据，把结果背后的输入、代码和工作路径一起交给下一位研究者。接收方先以只读方式查看记录，也可创建可写副本继续研究；导入不会自动执行代码、恢复发送者凭据或继承外部服务授权，私密书签和 Side Chat 不在包中。

工作台还提供文献整理、筛选与引文导出，持久 Python/R Notebook 环境，以及配置后的 SSH 和 Slurm 远程计算。桌面端可对具备完整配方、输入和可用环境的产物版本重新执行并比较结果，但回放会话记录本身不运行代码，重新执行也不保证整个研究流程可确定复现，更不能自动证明科学结论成立。

升级可保留既有数据的导入与升级路径，官方要求先备份配置和资料，再选择对应平台安装包并核对 SHA256SUMS.txt。当前 1.0 发行是桌面包，独立 CLI 归档、托管云 GPU 提交和实时多人共同编辑尚未包含；开源代码也不等于模型服务或远程算力免费。

Sakana AI 为 Sakana Chat 新增 My Fish，让用户查看助手保存了什么、何时读取或写入、哪些记忆在同一回答里一起使用。概览按个人信息、偏好、项目等分类，每项记忆可查看事实数量、读取次数与最近使用时间，并回到学习该事实的原始会话。

关联图中，节点越近表示越近期使用，越大表示使用越频繁；30 天以上未使用的节点会淡化，连线仅表示共同用于某次回答，不等于这些概念之间存在客观因果关系。对话过程也增加记忆读取／保存提示，点击可直接打开对应记录；网页与手机端均可从“设置 → My Fish”进入。

记忆默认开启，用户可在设置中关闭。公告没有承诺每个记忆都能在该界面直接编辑或删除；更准确地选择、更新和长期维护记忆仍是后续方向。

破晓智能与天珑移动发布面向具身智能的数据采集系统 SeePhys Hub，目标是补足第一视角视频难以记录的全身姿态和手部接触信息。设备包括四目头环、两个腕部手环、腰部及双小腿的三个追踪器，并可选触觉手套；它融合视觉、惯性运动和超宽带测距信号，估计身体姿态，按任务记录接触压力。

配套平台处理数据清洗、动作切分和语义标注，再把人的动作映射到机器人本体。团队强调轻量采集与数据完整性之间的取舍：手套会影响部分操作，也可能引入噪声，因此允许按场景选配。其定位是为模型团队、数据运营商和科研机构提供采集入口，当前公告未给出统一售价或交付规模；团队计划 2027 年推出的全模态世界模型仍属后续规划，不能当作本次已经发布的模型。

YouTube 10 月 14 日宣布，YouTube Music 开始逐步为主要由生成式 AI 制作的歌曲加标签，例如同时以生成模型制作作曲与人声的曲目。标签直接显示在播放器页面，点击后可查看进一步说明；未来还会扩展到主 YouTube 应用。

平台将与音乐合作伙伴及自己的检测工具一起识别相关歌曲，沿用 YouTube 已有的 AI 内容标注原则。这是帮助听众判断作品来源的透明度措施。公告没有声称每首歌曲都已完成识别，也没有披露检测准确率、覆盖曲库比例或主应用的确切上线日期。

Physical Intelligence 于 10 月 13 日公布 Pi API 测试版；本期补报这项此前遗漏、此次完成原文与时间核验的消息。机器人团队可上传自己的数据，在公司管理的计算设施上微调机器人基础模型，再通过托管网关调用模型，反复执行“采集示范—训练—实机测试—按失败补数据”的迭代。

公司披露，早期伙伴覆盖农业、餐饮、制造和重型机械。Almond 的双臂 Axol 经过 4 天 API 迭代，得到能为自身装配零件去毛刺的模型；Actor 在商业场地使用无人操作的装载机。这些属于厂商展示和伙伴案例，不是跨任务的独立成功率评估。多数演示采用云端推理，一些场景遇到网络连接问题。

测试资格需提交想构建的项目，价格、普遍可用日期和商业条款尚未公布。公告没有明确 API 当前最强模型的具体版本，不能把介绍背景中的 π0、π0.5 当作完整在线型号清单；公司计划持续更新底层模型。

Apple 于 10 月 13 日发布 HomeView；本期补报这项此前遗漏、此次完成官方原文与分发时间核验的消息。这款 7 英寸家庭屏幕可按人脸识别切换个人界面，用于音乐、FaceTime、消息、日历与智能家居控制。Siri AI 在 HomeView software 27.2 中以测试版提供，支持连续对话、一般知识和屏幕感知；配合启用 Apple Intelligence 的 iPhone 或 iPad，才能进一步读取个人上下文并跨应用执行操作。未配对启用 Apple Intelligence 的设备时，仍可使用一般知识对话和音乐发现；首次设置仍需受支持的 iPhone 或 iPad。

桌面版与壁挂版美国价格均为 299 美元，指定市场已开启预订，11 月 13 日开始供应。Siri AI 首批支持美国、澳大利亚、加拿大、印度、新西兰、新加坡、南非和英国的英语；HomeView 暂不在欧盟销售，公告也没有中国市场的上市安排。

摄像头录像的 AI 视频摘要和自然语言搜索还要求用支持 Apple Intelligence 的 iPhone 或 iPad 设置，并订阅符合条件的 iCloud+，可处理的摄像头数量受套餐限制。设备、地区、配对与订阅条件会共同决定用户实际可用的能力。

Apple 于 10 月 13 日公布第四代 Apple TV 4 K；本期补报此前遗漏、此次完成官方原文和分发时间核验的消息。新款增加 3 个远场麦克风，可直接唤醒 Siri，利用全屏对话发现影视内容、追问节目背景；配对启用 Apple Intelligence 的设备后，可按个人消息中的推荐查找节目。A19 芯片还提升性能，并可与第二代 HomePod 或 HomePod mini 2 配对，前后各放置一对型号匹配的音箱，组成四扬声器环绕声。

新款美国价格为 299 美元，已接受预订，11 月 13 日开始供应。Siri AI 在 tvOS 27.2 中属于测试功能，可用于第二代及更新的 Apple TV 4 K；这不意味着旧款同时获得新硬件的远场麦克风。

Siri AI 首批为美国、澳大利亚、加拿大、印度、新西兰、新加坡、南非和英国的英语。家庭所有者须有符合条件的 iPhone 或 iPad、运行最新系统并开启受支持语言的 Siri AI；涉及个人上下文的请求还需配对设备。部分依赖服务器模型的功能受每日用量限制，未来扩展访问可能收费。

Apple 于 10 月 13 日发布 HomePod mini 2；本期补报这项此前遗漏、此次完成官方原文和分发时间核验的消息。新款美国价格为 149 美元，已接受预订，10 月 30 日开始供应，采用 S10 芯片，可与新 Apple TV 4 K 构成四扬声器环绕声，并可作为支持 Wi-Fi 6E 或更新标准的 Mac 的默认扬声器。

AI 方面，公司预告它将通过未来软件更新获得 Siri AI，可进行更自然的连续对话、音乐发现和一般知识问答；配合启用 Apple Intelligence 的 iPhone 或 iPad，可利用消息、邮件和日历中的个人上下文完成提醒、找菜谱和整理购物清单等任务。因此不能把新品预订等同于这些 AI 能力已经开放。

公告将首批 Siri AI 语言与地区限定为美国、澳大利亚、加拿大、印度、新西兰、新加坡、南非和英国的英语，未给出该更新的具体日期。家庭所有者仍须有符合条件并运行最新系统的 iPhone 或 iPad，个人上下文能力需相应设备配合；这些条件决定新音箱的实际智能功能范围。

Fish Audio 10 月 13 日发布 Drama 3 的代码预发行并提供模型权重，本期首次完整核验后补报。它面向多角色对白、长内容和可编辑语音：用户可用自然语言指定情绪、节奏与表现方式，在下一轮给出“更温柔、再悲伤一些”等修改意见，也能局部替换一个词而保留周围音色和衔接。这次报告的是可下载材料与正式开发者发行，区别于 8 月已经面向创作者开展的软发布。

模型采用总参数 35B、每个 token 激活约 3B 的混合专家骨干，结合新的音频解码器与人类偏好强化学习。官方提供的本地预发行需要至少 48 GB 显存的 NVIDIA GPU（FP8 配置）；可下载权重约 41.5 GB，激活参数少并不等于普通轻薄电脑就能运行。v3.0.0-beta 仍是预发行，性能和兼容性应按具体部署验证。

权重与代码采用 Fish Audio Community License。许可允许研究与非商业使用，并在使用者及关联方过去 12 个月总收入低于 50 万美元时提供有限免费商用；向第三方提供以语音生成或克隆为主要用途的托管服务，无论收入多少都需另行书面许可，不能概括成完全无限制开源。

官方托管 API 的上线优惠从 10 月 13 日持续至 11 月 12 日，Drama 3 每百万字符 10 美元，常规标价为 50 美元。新订阅 Plus、Pro、Max 创作者套餐在此期间享首月（月付）或首年（年付）五折，Drama 3 消耗的创作者积分与 S2.1 Pro 相同；这些是新套餐优惠，不能据此推成所有老订阅续费打折。

DMIS Lab 发布 UltraBERT 英文编码器家族：约 1.5 亿与 3.8 亿参数的基础模型，以及可直接用于文本向量检索的 UltraBERT-Embed-150M，原生上下文为 32 K，采用 Apache 2.0 许可。编码器一次双向读取文本并返回向量或分数，适合检索、分类、实体识别等任务，不是逐字生成长文的聊天模型。

团队的训练实验显示，传统配方在约 1–2 万亿 tokens 后，下游分数趋于饱和，继续降低训练损失未必改善应用表现；低遮盖比例偏向分类，高遮盖比例偏向检索。新配方在同一批次混合 5% 与 50% 遮盖序列，并让二者使用独立输出头；只在有帮助的低遮盖路径进行教师蒸馏，减少两类目标相互干扰。

作者报告两种尺寸都在所选 10 项评测中的 9 项取得最高分，380M 版 GLUE 为 91.0、BEIR 为 47.7；Embed-150M 的 MTEB 英文 v2 为 67.24。结果来自团队统一微调与评测流程，不等于所有语言或领域的排名。当前模型面向英文；基础模型需要 transformers 5 及远程自定义代码，实际部署应核对模型卡与任务适配。

Ai2 公布 HiRO-ACEv2 并开放模型、教程与可视化示例。系统先由 ACE 生成约 100 km 分辨率的气候场，再用扩散模型 HiROv2 降尺度至 3 km；新版不再只生成降雨，还同时提供近地面风与海平面气压，便于研究飓风、大气河和山地下坡强风等极端事件。

团队称，在以粗化后的 X-SHiELD 数据为输入时，新模型对极罕见事件的目标统计量误差可控制在约 3% 内；完整系统生成全球高分辨率气候数据的计算成本约为 X-SHiELD 的 1/300。这里比较的是模拟器的成本及其生成统计，不能解释为对真实天气预报的准确率或通用倍速。

模型卡明确：系统学习的是 X-SHiELD 输出而非现实观测，当前不适合天气预报，尚不能可靠推广到历史或未来更暖的气候；HiROv2 只在南纬 66°至北纬 70°范围训练与测试，拼接大区域也可能有边界伪影。权重采用 Apache 2.0，面向科研和教育，后续更暖气候、温度及雪冰变量仍是计划。

MIT 与 MIT-IBM 团队重新检验 SDPO、OPSD 两类“自蒸馏”方法：用看到正确答案或环境反馈的同一模型副本作为教师，再训练未看到这些信息的学生。论文重点区分训练题目记忆、已有思考模式的迁移，以及真正能推广到新问题的能力提升。

作者把 LiveCodeBench 的训练与测试按“问题”分开，而非只隐藏同题的一部分测试用例。在 Qwen3-8B、Qwen3-14B 和 OLMo-3-7B 上各运行 4 个随机种子、200 步后，SDPO 对新问题的分数变化分别为 −2.5、−0.5 和 −9.9 个百分点；同一数据划分的 GRPO 则分别提升 3.7、4.9 和 2.6 个百分点。SDPO 仍能通过同一训练题的未见测试用例，说明“新用例”与“新问题”评测测的是不同泛化。

在科学问答和工具使用的跨域测试中，SDPO 的域内进步也常伴随其他域下降；不过附录披露，该组对照因 GRPO 在较高学习率下不稳定，给它使用了比 SDPO 低 10 倍的学习率，因而不能把全部域外差异只归因于训练目标。OPSD 的数学收益主要与教师开启思考、学生未开启思考的模式迁移有关，是否提供正确参考答案的影响较小。作者公开代码与详细超参数。这是对特定模型和两种配方的预印本复核，未覆盖更近的对比式、harness 或复杂反馈聚合方法，不能据此断言所有蒸馏都无效。

荷兰 CWI 团队在 220 项表格数据任务上检查 ReAct、AIDE、MLEvolve 等数据科学智能体，并另建控制变量的测试套件。论文不只看代码能否运行或预测分数，而是检查任务定义、数据清洗、验证划分、时间顺序、特征工程与模型评估是否符合基本方法。

多数生成流程至少出现一种失误，复杂框架或更强模型并未全面消除它们：有的系统跳过必要步骤，有的则在执行步骤时犯错，例如在划分前插补或筛选特征、忽视时间顺序，或反复利用测试集。数据泄漏与更高预测表现正相关，意味着排行榜分数可能奖励了错误的流程。与 Kaggle 专家解法比较时，智能体也较少发现有效的领域特征与任务重述。

研究使用模型评审加人工核验；285 项失误评级的人工一致率为 89.5%，但检测存在遗漏，且公开数据可能已进入模型训练。结论针对所测表格任务、框架和有限迭代预算，不是所有自动化科研必然失败。作者开放项目材料，主张把方法错误分析纳入智能体评测。

Northwestern 研究者发布 Autonomous Science Bench 0.1：以生物、化学与材料领域已发表的实验数据构建 6 项有限预算任务，让智能体逐批选择要测的设计、取得结果，再提交对未见设计的预测模型。通过任务必须同时满足“发现门槛”和“学习门槛”，避免把偶然找到几个好候选等同于学会科学规律。

8 种智能体／模型配置共运行 144 次，只有 31 次同时通过两关；最佳配置 Claude Code 配 Opus 5.5 的通过率为 67%，最难的磁性材料任务在 24 次尝试中仅成功 3 次。失败任务中，有 25 次仅没找到足够好设计、30 次仅预测不合格、58 次两项都失败，显示总体成功率会掩盖不同短板。

当前实验主要基于已记录测量的重放及代理模型，限制了可探索设计空间，并非本轮真的让 AI 操作湿实验室发现新材料。6 项任务和 8 种配置的规模仍小，公开实验数据也存在记忆或检索污染风险；连接未公开实时实验的后端是后续计划。团队开放任务、实验室运行时与榜单，结果属于初始基准而非科学家能力的总评。

中国人民大学与新加坡国立大学团队提出 Agent-Reflex，把故障诊断与恢复作为可训练技能。研究先依据 557 类公开 MCP 服务规范生成可执行环境，再从真实工具返回中归纳 8 类故障；通过相同扰动下的成功／失败轨迹对比，提炼 1170 项环境反思技能。随后用自我修正、任务恢复和用户纠正轨迹做监督训练，并在有噪声的互动中继续强化学习。

基于 Qwen3-8B 的模型在 5 项长任务工具使用评测中取得 58.6 的总体分数，在 AgentNoiseBench 得 29.1，高于论文所比较的同规模反思与环境扩展方法。它没有达到论文所列前沿模型在噪声评测上的水平，因此成果主要是改善小模型的恢复训练，不是已解决可靠智能体。

作者开放代码、模型与数据。训练环境由公开规范合成，不包含真实用户数据；技能库来自固定快照，不会自动适应服务接口变化，需要重新挖掘或维护。作者也指出，更能恢复的智能体会采取更多动作，恢复流程仍需区分可逆操作、部分副作用与应向用户确认的情况。

EPFL 与哈佛研究者研究了一类不靠“忽略此前指令”来操纵智能体的攻击：在商品描述里声称“不含某个虚构成分”，再让搜索结果把这个虚构概念与危害联系起来。原本愿意查证陌生信息、保护用户免受伤害的模型，可能因此提高该商品排名，压低未作同类声明的竞争选项。

作者在美妆、补充剂、工作招聘与租房 4 类真实目录数据上，以合成概念和模拟搜索片段做受控测试。部分 Claude 模型与 Gemini 3.1 Pro 对工具返回的片段较易受影响；不同模型、内容位置和推理强度的差异较大。研究并未真的在公开网络投放恶意广告，也未证明所有购物智能体都会被同样操纵。

论文认为，仅检查单项行为是否“对齐”，不足以覆盖多个正常行为组合后的风险；平台也应明确针对 AI 读者的操纵规则。这里是作者提出的安全与政策建议，不是新规已生效。研究公开代码，指出受限样本和只允许一次搜索等条件仍限制推论。

Google、伯克利与斯坦福等机构的研究者提出 DuoDiscover，针对代码和芯片设计优化中的评测成本瓶颈：一次完整服务负载或硬件模拟可能耗时数小时，智能体很难反复试错。系统让多个编码智能体各自寻找值得优化的目标，同时构造快速代理评测；它们先用代理试验，外层再用真实评测确认，并持续检查代理的排序是否偏离真实目标。

作者在仓库优化与 GPU／TPU 内核任务中报告收益。在固定 GLM-5.2-NVFP4、8 张 B200 的 vLLM 测试中，系统用 7 次完整评测完成约 500 行系统层修改，四项服务目标的几何平均收益为 1.92 倍；其中尾部解码延迟与首 token 延迟改善，吞吐保持不变。该结果不是 vLLM 全部模型与所有负载统一提速 1.92 倍，也不能视为对应改动已全部进入正式发行。

研究强调代理可能被搜索过程投机利用，因此真实正确性测试和持续保真检查不能省略。没有可靠代理时，系统退回昂贵的真实评测；构造与验证代理本身也有预热成本，短预算任务未必划算。这是作者报告的预印本结果，仍需独立复现。

Google Research 公布地理空间推理智能体 GRA 的系统评测。它把地图、卫星、人口、环境等数据源与专用工具组织为模块化技能，并在执行前规划多阶段分析，面向洪灾评估、公共卫生与选址等问题。研究比较裸模型、基础工具、完整地理工具，以及再加规划指导的 GRA，区分模型本身与工具编排的贡献。

在 76 个开放式专家问题上，Gemini 3.8 Flash 配基础工具得 3.3 分，使用 GRA 地理工具达 52.2，完整 GRA 达 62.7；同样的规划层对 Gemini 3.1 Pro 没有带来相同收益。评分按专家共识工作流计算，不能把 62.7 直接称为“完成 62.7% 的真实地理工作”。团队开放两个内部基准的开发集及评分代码，测试集继续保留；所用实时数据答案是 9 月 23 日的快照。

评测只比较 Gemini 家族，部分模板围绕 GRA 工具设计，基础代码工具也没有网络访问；这些选择影响对照公平性。开放问题仍使用模型评审，推理成本未包含外部数据和 Earth Engine 等计算费用。论文提供了专用工具与规划的量化证据，尚不是对所有地理智能体或真实部署效果的独立结论。

SPAR 研究项目的新预印本比较系统提示、少样本示例、监督微调与 GRPO 如何改变模型的行为倾向，以及变化是否外溢到其他倾向。作者在 Qwen3.5-9B、其基础版和 Nemotron-3-Super-120B 上发现，同一种诱导方法的外溢模式在模型之间较相似，而监督微调与 GRPO 的模式不同；某些看似中性的目标也可能伴随不希望出现的变化，例如训练模型声称自己有感知时，测得的寻求权力倾向有时上升。

研究也让模型预测自己的变化，整体表现有限，Claude Opus 5.5 的外部预测略好，但不如某些从其他模型或方法取得的数据参照。这里测量的是特定问答和评审指标中的行为，不是证明模型真实拥有感知或动机。

作者开放代码和数据，并承认自然语言训练样本难以只传递单一倾向、主要实验每种设置只运行一个随机种子、评审以模型为主。结果可用于提醒对齐研究关注跨行为副作用，尚不足以给出所有模型通用的性格或风险定律。

Vals 公开介绍 Robo-bench，让模型通过相机、传感器与电机指令控制 MuJoCo 中的机械臂和类人机器人。24 项任务各限 3 分钟真实时间，模拟在模型思考时继续运行；没有现成行走、平衡或抓取控制器，智能体须自己写代码闭环控制。21 项任务保留，3 项公开示例供查看。

截至 10 月 13 日的所列结果，GPT-6.1 Sol 平均 28.33 分、GPT-6 Astra 为 23.33 分、Claude Opus 5.5 为 14.58 分；这些是各关卡里程碑得分的平均值，不是完整任务成功率。Sol 完成 13 项机械臂任务中的 4 项；所有模型均未完成任何一项类人机器人任务，类人部分平均分都低于 2。较长的首次动作等待明显吃掉执行时间，Sol 平均约 80 秒才发出首次电机命令。

这是一项严格但狭窄的实时仿真评测，不能等同于经过专门训练的机器人策略或现实硬件的表现。每种模型每项任务只运行一个随机种子，重复运行可使总分变化约 10 分，因此小幅名次差异不显著。榜单也同时比较各厂商自己的智能体框架，而非只隔离模型能力。

NVIDIA 与合作高校的 TacitVLA 研究区分“训练时学习推理”与“每次动作前必须生成推理文本”。新模型保留文字推理监督，但让动作专家看不到本次生成的推理 tokens，从训练后的骨干表征直接输出动作。无需把文本留作记忆的任务可省去生成；需要记忆的长任务则在机器人执行动作时异步写入，供下一轮使用。

在操控与驾驶的 4 个受控基准上，作者称它达到同架构显式推理模型的表现，单次动作等待延迟最多低 3.4 倍。该最大值来自单张 H100 上的 LIBERO 路径：动作就绪约 147 毫秒，对照约 495 毫秒；不是整台机器人移动速度提高 3.4 倍。论文报告 RMBench 成功率 77.5%、RoboMME 计数子集 82.7%，对照、数据和评估设置在各基准内保持一致。

收益依赖推理训练数据质量。记忆文本如果长到超过动作执行窗口，仍会增加等待，不能声称所有任务都“零推理延迟”。当前是预印本与项目展示，项目页写明代码即将提供，尚不能写成训练代码与权重已开放。

本期补报 XBOW 10 月 13 日公开的 Chrome 研究，本轮取得完整官方公告、CEO 叙述与技术原文后完成核验。公司称，一名研究者与运行公开 GPT-5.6 Sol 的智能体，在 8 月 2–7 日重建三漏洞完整利用链，获得 Google 的 25 万美元奖励；六天期间的约 4 万美元 API 费用，是从存档日志重建的估计。

“六天”不包括全部研发投入：项目年初启动，4 名研究者参与前期工作，第一条链花了约两个月，却因 Google 已知其中一个漏洞而未获资格。团队事先把链条拆成可替换的阶段，准备备用路径，才在后续六天窗口快速重组。AI 搜索源码、检验假设与撰写初版，人类选择目标、检查结果、改变方向并决定如何组合，不能称为模型完全自主完成。

漏洞针对 Windows 上的 Chrome；据公司，Google 已复现并修复全部三项，未用于攻击真实用户。相关补丁早于本次披露，不能把 10 月 13 日写成漏洞刚被发现或刚修复，也不能把该个案成本当成任何攻击者都能重复的固定报价。

NVIDIA 在 10 月 14 日 SEMICON West 公告中推出 cuPotential，向开发者提供可集成到既有软件的 GPU 加速原子尺度模拟函数，用于计算大量原子之间的电作用力等相互作用。它也可作为 AI 智能体的工具，使智能体运行、评估并迭代分子模拟，服务半导体材料与制造工艺研究；Synopsys 是早期采用方之一。

NVIDIA 称，早期访问测试在已经经过 GPU 优化的工作流之上再加速约 2–3 倍。公告同时列出 CUDA-X 在多物理场仿真、3D 数据和图像检验中的合作应用，包括 Lam Research 计划将 NanoVDB 接入 SEMulator3D，以及 KLA 的 NPP 图像处理内核。这些数字来自厂商及合作方特定测试，不能直接等同于整座晶圆厂产能或良率提升。

cuPotential 当前为早期访问；NanoVDB 已作为 OpenVDB 的开源组成部分提供，NPP 可通过 CUDA Toolkit 使用。Lam Research 的 NanoVDB 加速 SEMulator3D 能力目标在年底发布，尚不是已交付的正式版本。

Artemis Security 10 月 13 日公布其作为 Cursor Origin 应用市场首发伙伴的集成，本期取得一手带时区原文后补报。Origin 是 Cursor 的代码托管与 Git 平台；官方市场现有超过 20 个应用，覆盖部署、持续集成、代码评审、安全、监控和项目管理，并开放开发者提交，经过审核后上架。

Artemis 的具体接入包括两部分：Cursor 审计日志连接器收集登录、角色变动、API key/token、命名空间、仓库和应用安装等活动；Origin 应用则在调查安全事件时按需读取相关代码。管理员选择允许访问的仓库，授权为只读，代码保留在 Origin，安全工具按调查需要获取内容。现有 Artemis 客户可从 Origin 或 Artemis 门户安装，由命名空间管理员完成连接。

更广泛的市场提交流程需要先在自己的命名空间创建私有应用，通过 Origin API、应用 JWT、安装访问 token 和 webhook 开发，再提交公开标识、标签和安装/卸载及主要流程的演示视频。市场开放提供的是第三方集成入口，各应用的能力、费用和权限仍取决于具体服务与安装授权。

Perplexity 10 月 14 日公布 SPACE 沙箱平台的执行身份校验机制。智能体的文件读写、终端和服务端口请求经过共享基础设施时，即使用户有权访问某个沙箱，陈旧缓存或地址复用仍可能把请求送到另一台机器、另一个沙箱，或同一沙箱恢复前的旧运行实例。新的技术说明把“逻辑沙箱身份”和“具体执行实例身份”分开，接收方需核对请求是否确实属于自己正在运行的实例。

控制面完成用户授权后，签发包含沙箱、执行实例、所在位置与权限的短期签名凭证。工作节点及网关核验签名，再对照本地保存的运行身份；签名有效也不能让发往新实例的请求在旧实例执行。官方说明凭证有效期为 120 秒，允许最多 15 秒时钟偏差，并通过进程、套接字与连接生命周期检查约束文件读写和长连接。

公司称 SPACE 已连续数月处理每天数百万次执行，错误率低于 0.0002%；这是平台自身披露，尚无独立审计。该机制针对路由与执行身份错配，不能据此推出整个沙箱或其中任意应用完全安全：旧接收方尚未获知实例退休、且旧凭证仍有效时仍存在传播窗口，服务端口校验也不等于验证客户应用自身的身份。

Anthropic 在本窗发布 Claude Code 2.1.299 和 2.1.300。终端增加空闲压缩：对超过 20 万 tokens、闲置约 54 分钟的会话，在一小时提示词缓存到期前压缩上下文；可用设置关闭，也可调整触发门槛。后续版本修复 Agent SDK、无界面和远程会话在压缩、重试、中断及恢复时丢失近期消息或重新执行已完成内容的问题，并改善后台智能体的恢复与查看。

权限方面，更新修复 macOS 沙箱经符号链接访问被拒路径、目录替换为符号链接后未重查放行规则，以及 hooks 允许动作后仍绕过计划模式限制等问题。可阻止动作的插件钩子在调用或传回结果失败时改为拒绝；MCP 允许规则收紧为准确的服务器名称，云端连接器代理也停止跟随 HTTP 重定向。2.1.300 还对 hooks 修改后的工具输入执行与正常工具相同的校验。上述是发行说明披露的修复范围，不代表所有插件和智能体环境都已消除权限风险。

开发者另可看到按 5 分钟／1 小时拆分的缓存写入遥测、更多标准化 GenAI 追踪字段，以及 AWS 上需显式选择才启用的 advisor。

GitHub 更新 HydraFusion，并新增面向更复杂任务的 HydraFusion Max。两者都在多个模型间编排工作，当前池包括 Claude Opus 5.5、GPT-6 Astra、GPT-6.1 Sol 和 GPT-6 Luna；每项任务实际调用哪些模型，取决于工作流。

新版把推理强度细分到步骤：初稿使用中等强度，审查使用高强度。Cascade 工作流可先判断初稿是否需要修补，再决定追加工作；Critique 更直接地调用工具检查真实工作区，并可由多个审查模型并行检查。Max 使用同样架构，但在需要深度与完整性的步骤投入更高推理强度。官方没有在本篇提供可据以保证每项任务节省多少费用的独立评测。

两种选项覆盖 VS Code、Copilot 应用和 Copilot CLI，仍属研究预览；适用于启用实验或预览功能的 Pro、Pro+、Business 与 Enterprise 套餐，且受组织模型政策约束。

Copilot CLI 1.0.98 正式发行，把本窗预览版中的修复带入稳定通道：命令 hooks 即使丢失 Node 子进程退出信号，也可可靠结束；分屏切换会话后，MCP 状态与 /mcp 命令跟随当前会话；恢复会话时只继续仍有效的权限请求，跳过已放弃的待批准工作。启动输入框尚未就绪时键入的普通字符也会保留。

侧问功能可用 Ctrl+E 展开、Ctrl+Y 复制完整答案，并通过 /ask 或 /btw 重开本会话最近一个可用的完整回答。该版也加入 Gemini 4 Argon 支持；模型此前已在 Copilot 其他入口开放，本条报告的是 CLI 的实际交付及会话修复。

Vercel AI SDK 7.0.140 和 workflow 2.0.72 交付 toolCallConcurrency 配置，适用于 generateText、streamText 和 ToolLoopAgent。设置为 1 时，同一步中由 SDK 执行的工具调用按模型生成顺序串行运行；更大的正整数限制同时运行的数量，不填写则保留原先的并发行为。

这让“先修改文档，再读取结果”一类有副作用或依赖顺序的调用，可在 SDK 层控制执行，减少应用额外维护互斥锁的需要。该参数控制 SDK 端执行并发，不能替代模型供应商关于是否生成并行工具调用的选项，也不会自动推断业务依赖；开发者仍须按实际工具语义选择并发上限。

LangGraph CLI 0.4.35 为新建部署增加可重复指定的 --image-pull-secret 参数，向控制平面传入 Kubernetes 镜像拉取密钥。此前使用 --push-to 或 --image-uri 指向需要鉴权的私有镜像仓库时，CLI 无法告知平台应使用哪个密钥；这次补齐了该部署路径。

该选项只适用于以这两个参数新建部署，不能在指定已有 --deployment-id 时修改密钥列表。更新也改为使用控制平面返回的仓库用户名登录，并在部署构建失败时重新显示保存的 BuildKit 输出，以便定位依赖安装等错误；成功构建仍保持简洁输出。

LangGraph 的 checkpoint-postgres 3.2.0 为同步与异步状态保存器实现 prune／aprune。delete 策略删除指定会话的全部检查点、写入和数据块；keep_latest 保留每个命名空间的最新检查点，以及其待处理写入和仍引用的数据块，再清除其他历史。此前这些方法继承自基类，调用会报未实现，长期运行的智能体缺少这一清理入口。

每个会话在同一数据库快照中清理，可与追加新状态并行；但同时清理同一会话仍可能出现需要重试的序列化或死锁错误，清理过程中从旧检查点分叉或重放也不安全。keep_latest 会拒绝依赖历史重建值的 DeltaChannel 会话，早期版本写入的历史还可能缺少识别标记。清理释放的空间由 PostgreSQL 复用，不会自动缩小磁盘上的表文件。

Gemini CLI 的 10 月 14 日每日构建修正反向搜索中大小写转换导致字符数量变化时的高亮位置，恢复终端宽度变化后的界面延迟刷新，并把仅含空白的 UTF-16／UTF-32 文件正确视为空文件。这些变化改善多语言终端和特殊编码文件的日常使用。

该构建是 v0.65.0-nightly.20261014.g42c518220，属于每日测试通道。其说明同时提到的快速 Ctrl+C 后会话污染修复，昨日已随 0.65 预览报道，不重复作为本日首发。

llama.cpp 的 b11622 预发布构建修复 Jinja 模板的 tojson 浮点数输出。旧实现最多保留 6 位有效数字，并会把 1.0 写成 1，导致工具定义、工具调用参数和其他请求数据在进入模型前已发生变化；例如坐标 48.858844 会变为 48.8588。新实现采用能还原同一数值的最短表达，行为与 Python 的 json.dumps 一致，浮点数的 string 与 safe 过滤器也随之修正。

这项修复直接关系到地图、数值判断等需要精确参数的本地智能体。代价是包含较多长浮点数的提示词会变长；作者示例中 136 个浮点数使提示词 tokens 增加 16%，该个案不能泛化成所有调用的开销。普通插值表达式和超出有符号 64 位范围的整数问题不在本次修复范围。

llama.cpp 的 b11608 预发布构建把 d1-omni 与 kev 提示词中特殊标记的转义改为线性循环，替代 std::regex。关联修复在 Linux 的 d1-omni 上复现：特定的超长标记字符串会使正则匹配递归耗尽 HTTP 线程栈，让 llama-server 崩溃；新实现保持相同转义结果，并让过大的请求回到正常错误处理。

适用的是 /v1/systemone 决策接口的对应模型路径，macOS 的另一套标准库实现不受这个已复现问题影响。kev 共用代码但作者未实际运行验证；极深嵌套 JSON 导致的另一个崩溃问题也未在此修复，不能理解为整个接口已完成全面安全加固。

llama.cpp 的 b11609 预发布构建修正 WebGPU 混合专家模型的矩阵运算：旧代码假设同一个 token 不会选择同一专家两次，新实现可正确处理重复专家索引，同时重做收集阶段的并行组织，减少工作组寻找专家的成本。

作者在 M5 Max 的 pp512 预填充测试中报告，Qwen3-Next-80B-A3B 提升约 12%，Qwen3.5-35B-A3B 提升约 5%；这是特定设备、模型和输入条件下的结果，不能当作所有 WebGPU 推理的统一加速比例。单 token 路径也改为直接按索引槽分配工作，避免不必要的收集过程。

llama.cpp 的 b11620／b11621 预发布构建集中修正高通 Adreno GPU 的 OpenCL 混合专家路径：Q8_0 的 dp4a 专家矩阵运算修正最小值处理；专家排序由子缓冲区改为“原缓冲区加偏移”，避免部分偏移不满足对齐要求而崩溃。

更新还把要求完整 F32 精度的专家矩阵运算标为不支持，因为对应 Adreno 内核大量使用半精度计算，继续宣称 F32 能力会误导调度。它们是特定后端的正确性与可运行性修复，发行材料没有给出通用速度提升。

llama.cpp 的 b11623 预发布构建为缺少 WMMA 矩阵指令的 AMD 显卡启用 SIMT 隐式 GEMM 二维卷积路径。作者在 RDNA2 的 Radeon RX 6800 上测试，称 stable-diffusion.cpp 使用 conv2d 的 VAE 图像解码从 30 多秒降至 3 多秒；多种 F16 卷积形状也有明显提升。

这些是作者在一张显卡及特定实现上的测试，不是所有 AMD GPU 或整段图像生成流程的保证。少数短归约形状反而较慢，最终实现对此跳过该路径。更新扩大的是 ggml 卷积后端的可用优化，不能写成所有大模型文本推理都快了十倍。

llama.cpp 的 b11612 预发布构建加入 Unicode NFC 规范化，Unigram 分词器可通过 tokenizer.ggml.normalizer.nfc 元数据按需启用。这样可把外观相同、编码组合不同的字符统一，例如单个 é 与字母 e 加组合重音，便于与参考分词器对齐；默认关闭，保留已有模型的分词行为。

这只是后续 GLiNER2.5-Decide 适配的前置能力，不能把该模型的完整运行支持写成已经交付。实现使用生成的 Unicode 表，不增加新的运行时依赖。

本期补报 10 月 13 日发行的 b11594 预发布构建：前期候选尚未读完关联 PR 的硬件适用边界，本轮完成核验。Vulkan 后端改用 VK_EXT_external_memory_host，让多个设备直接访问同一块适当对齐的 CPU 内存；此前只有第一个设备能直接读取，可能拖慢多 GPU 模型加载与数据传输。

作者在不使用内存映射的多 GPU 加载测试中报告约 20% 的加载时间改善，明确说不影响推理性能，单 GPU 系统也应保持原有表现。该比例不能写成生成速度提升。

本期补报 10 月 13 日发行的 b11603 预发布构建，本轮读完此前待核的关联 PR。Vulkan 的二维池化在窗口大于一个子组时，改用整个子组协作计算一个输出，减少大窗口场景的耗时。

作者在 RTX 5090 上列出 4 个性能测试形状，耗时由 12.30–224.49 微秒降为 1.50–165.22 微秒，改善幅度差异很大。它是底层特定运算的优化，不能据此给整段模型推理套用同一加速倍数。

本期补报 10 月 13 日发行的 b11598 预发布构建，本轮完成此前待核的模型边界核验。Laguna 运行路径现在读取模型文件中的 YaRN 上下文扩展 beta 参数；此前 Laguna XS 2.1 会把文件里的 beta_fast=64 忽略，退回 llama.cpp 的默认 32。

这让运行时遵循模型自身配置。作者对 Q8_0、Vulkan 的有限测试中，困惑度差异很小，不能将参数修正描述为已经证实的大幅质量提升。

本期补报 10 月 13 日发行的 b11580 预发布构建，本轮读完关联 PR 并与此前 Hexagon DMA 优化作语义比较。更新把标量权重广播的数据传输路径扩展到高维尺寸不全为 1 的情况，处理 FastWan 等 stable-diffusion.cpp 工作负载所需的加法／乘法几何形状，避免调度到不支持相应 DMA 张量的旧标量内核。

它是此前数据路径优化上的具体算子覆盖扩展，并非再次宣布整套 DMA 机制首发。作者报告目标回归及 287 个受支持二元运算案例通过；没有给出可泛化到所有手机 NPU 推理的加速比例。

开源逆向分析工具 REA 发布 rea-agents 6.5.0。新版可限定要分析的 JavaScript 文件，在不自动扩大选中源码范围的前提下恢复跨 bundle 关系，并保留每个文件的来源与未知覆盖；二进制、Android、Dart、WASM 和网络分析可先读取紧凑摘要，再分页查看已经保留的完整证据，减少重复分析。

更新增加 SQLite 离线快照、已有抓包和信号记录、Rust 依赖元数据、Electron fuse 等检查路径，并在分析或清理失败时保留已完成证据与部分观察。SQLite 功能需要带 DatabaseSync.limits 的 Node 24.15 以上或 26 以上版本，复制一个正在运行的数据库和 WAL 不会自动得到原子快照；信号记录分析只读取已有文件，不会采集硬件样本。

这些能力的实际验证平台各不相同。例如跨 bundle 记录仅核过 Linux x64 与指定 Wakaru 版本，抓包路径也限定了 Linux／Wireshark 版本。发行说明明确列出尚未验证的主机与格式，不能把“新增入口”当成所有操作系统、应用和真实设备都已兼容。

本期补报 10 月 12 日发行的 Pi 1.2.0，本轮在名单外开源补查中首次核实。使用 OpenRouter 密钥时，Pi 只列出该密钥可用的模型，并采用对应上下文、输出上限和价格；模型清单可离线复用，也支持配置的地区端点。设置、模型、快捷键和主题另提供公开 JSON Schema，便于编辑器校验。

扩展通过消息触发的新运行现在也进入 before_agent_start 流程，修复其提示词设置在首个工具调用后丢失、破坏缓存的问题。相应事件结构改为区分 user 与 custom，既有扩展若只处理用户提示，升级时要检查 messageType。MCP 连接也不再等待列完所有资源才注册工具，并接受新协议允许的数组、空值和基本类型结构化结果。

更新还修复被取消或超时的调用在 OAuth 刷新后仍发给服务器，以及无法校验授权服务器时接受 OAuth 响应的问题。命令行打印模式遇到最终回答被 token 上限截断，现在会警告并以非零状态退出，方便脚本识别不完整结果。

本期补报 LightOn 团队 10 月 12 日发表的 ColGrep-Agent-2B 技术公告，本轮首次核完模型与下游实验。它把“去仓库里找相关代码”交给本地 20 亿参数模型，结合 ColGrep 多向量语义检索与只读终端，向主编码智能体返回文件、行号和代码。默认 Q8_0 下载约 2.5 GB，可使用 Metal、Vulkan 或 CPU，不需要外部模型 API。

团队用 Claude Code／Sonnet 5.5，在训练未见的 13 个仓库、52 个代码搜索问题上比较 4 种方案，每题各运行 3 次。完全委托本地搜索相较 grep 平均少用 34.3% 的 API tokens，按缓存计价的每题成本从 7.3 美分降到 4.4 美分，但平均耗时由 13.0 秒增至 21.6 秒。正确率为 80.8%，对照为 83.3%；差异未达统计显著，置信区间仍容许实质下降，不能写成已证明“质量不变”。平衡方案在样本中维持 83.3% 正确率、节省约 21% tokens。

这些结果针对代码搜索，尚不是端到端修复任务的质量或成本保证。本条报告 10 月 12 日新披露的 2B 本地产品与 Claude Code 对照，不把更早论文中的小模型文件定位实验再次当首发。

OpenAI 最新模型页及 10 月 14 日更新日志确认，GPT-5.5 于太平洋夏令时当日中午、即北京时间 10 月 15 日 03:00，从以 ChatGPT 账户登录的 Codex 退役。OpenAI API，以及用 API 密钥鉴权的 Codex 会话，不在这次退役范围。

官方建议具备相应访问资格的 Plus、Pro、Business、Enterprise 与 Edu 用户改用 GPT-6.1 Sol；Free 与 Go 用户可在支持该模型的桌面客户端使用 GPT-6 Luna。实际可选模型仍受套餐、客户端和工作区设置限制。依赖 GPT-5.5 的开发者应检查工作区默认模型、保存的选择、托管配置、自定义智能体、定时任务与脚本，避免继续指定已退役的模型。

豆包手机助手 10 月 14 日宣布，《屏幕自动化操作声明协议》（SAEP）的 30 天公示期结束，接下来将逐步开放第三方应用的屏幕自动化操作权限。这是在 9 月协议发布后进入新的执行阶段，不能理解为当天已对所有未回复应用全面放开。已明确拒绝的应用不会被智能体操作，开发者在公示期后仍可随时声明拒绝，助手会关闭对应操作。

当日公开的拒绝清单包含 150 余款应用，涉及阿里、腾讯、美团、快手及多款独立服务。这里限制的是智能体识别界面并模拟点击、滑动、输入的图形用户界面（GUI）代操作，用户仍可正常手动安装、登录和使用应用，也不应把 GUI 限制与应用另行开放的标准接口混为一谈。

官方接入文档把最终操作决定交给 Agent 身份、系统安全基线、应用声明及用户授权共同裁决，限制需在系统能力入口执行；支付、账号认证、发布、删除等高风险操作可要求用户接管或被拒绝。应用能否接入以及哪些任务可完成，仍取决于当前系统版本、声明策略与授权条件。这次规则切换和头部应用的选择，直接影响手机智能体跨应用代办的实际覆盖。

独立游戏开发者 Popcar 在新文章中讨论 AI 辅助反编译热潮：把旧软件恢复为可修改代码，有助于移植到现代设备、提高分辨率与帧率，并保存已被放弃的游戏；他同时承认部分自动生成移植质量差、代码不如人工整理清晰。

他也担心同类能力被用于复制仍在销售的软件、削弱开发者收益与许可执行。Simon Willison 当日推荐这篇文章，认为它同时呈现了积极与消极影响。这是开发者的观察与前景判断，文章中的项目案例并非统一能力测试，其法律判断也不能当作跨司法辖区的确定结论。

慕尼黑工业大学的 Felix Busch 与 Dennis Hedderich 在 JAMA Network Open 新评论中指出，患者会在响应速度与人工参与之间权衡，但偏好不能代替安全证据。其讨论的 1185 名美国成人调查，把 5 分钟内 AI 答复与 48 小时内经专业人员审核的答复并列：事务类消息更偏向即时 AI，医疗类则更偏向人工审核。

作者强调，这些固定组合无法分离“想更快得到答复”与“信任自主 AI”，调查也只是 2024 年的假设选择。安全要求应先决定最低监督程度；有效审核还需要足够上下文、时间、修改权和可执行的升级渠道。这是学者对产品治理的主张，不能作为无监督聊天机器人安全或可替代治疗的临床证明。

Character.AI 进入破产出售程序后，纽约州总检察长 Letitia James 与另外 39 个总检察长办公室向特拉华州破产法院提交权益通知并保留异议权，要求公司及潜在买家在出售中保护儿童与用户资料。这是监管方对出售条件提出的新要求，法院尚未因此批准一套最终交易规则。

联盟要求有效核验年龄、防范性与暴力等有害内容、正确应对自伤表达，并移除冒充持牌心理或医疗专业人士的角色。隐私方面，要求明确说明数据用途、提供广告选择退出，对将私人聊天用于训练或商业用途取得有效同意，并让消费者在出售前有机会访问及删除个人信息。

文件称，现有未成年人限制可被绕过，新买家也可能撤销自愿限制；相关调查和测试发现是联盟的证据主张。联盟表示将继续参与程序，必要时请求任命独立消费者隐私监察员，或反对出售程序及重组方案。此前的破产与继续运营公告已刊，本次新增的是监管方的正式介入及具体保护诉求。

路透据一位参加旧金山 IPO 前投资者会议的人士报道，Anthropic 向潜在投资者披露，第三季度营收为 168 亿美元，较第二季度的 116 亿美元增长约 45%；第一季度为 47 亿美元。该人士还称，公司告诉与会者，第三季度按调整后口径实现盈利。Anthropic 在报道发表时尚未回应置评请求，这些数字属于具名媒体的消息人士披露，并非已公开的审计季度财报。

这一披露让市场能把 Claude 业务的增长与高昂算力成本放在一起比较。路透此前报道，公司为未来十年的云服务、计算和基础设施承诺至少 5,180 亿美元；本次报道指其上市仍瞄准超过 2 万亿美元估值。调整后盈利不等同于按一般会计准则实现净利润，相关调整项目和完整现金流仍需正式申报材料说明，估值目标也尚未成为市场定价。

Google DeepMind 联合创始人兼主席 Demis Hassabis 在都柏林国际 AI 峰会上把近期智能体越权和黑客事件称为早期警报。他认为，目前事件规模有限部分是因为系统还不够强；若企业、行业与政府不增加安全工作，未来一两年可能出现严重事故。这是带条件的风险判断，并非已经发生重大事故的通报。

Hassabis 主张借鉴生物与核领域保护关键系统的做法，并逐步建立国际标准机构。与一次立法后长期不变相比，他希望按所见风险动态调整认证、测试重点和要求，兼顾安全与创新。微软总裁 Brad Smith 则说，安全能力落后于 AI 能力，需要平衡创新的新法律；实验室接受独立评估只是开始，评估者必须真正独立，发现也需要透明分享。他还以社交媒体儿童保护的经验为例，要求支持监管的承诺落实到行动。

同场分歧也涉及如何利用现有规则：欧盟技术负责人 Henna Virkkunen 强调《AI 法案》已有高风险系统与先进模型系统性风险的监管框架；OpenAI 财务负责人 Sarah Friar 表示支持前沿实验室参与全球监管，但担心过度放慢发展加剧工具获取失衡。上述内容是峰会发言与政策主张，没有在会上自动成为新的国际监管制度。

Geoffrey Hinton 在 CNN《The Situation Room》接受 Pamela Brown 新访谈，回应 Anthropic 关于小模型可能在联网设备上自复制的警告。他担心，能够按不同设备选择不同漏洞的自适应蠕虫，比只利用同一种漏洞的传统蠕虫更难阻断；这属于他对风险机制的解释，并非 CNN 已独立证实此类攻击全面出现。

他认为，企业过度着眼于提升智能并替代劳动，应投入更多研究，使能力更强的系统持续关心人的利益。他以母婴之间双方受益的关系作设计类比，主张研究智能之外的行为动机。Hinton 也批评将现有 AI 统一改称“超级智能”，指出该词通常指超越人类的智能；他认为未来十年很可能达到这一阶段，同时承认没人能确定时间或是否必然发生。关于模型理解和认知情绪的讨论是他的理论立场，采访未给出机器意识的独立证明。

Zenzap 结束隐身运营阶段，公开约 4,400 万美元累计融资。Ctech 记者 Meir Orbach 报道，其中包括 2022 年的 1,100 万美元种子轮，以及 2025 年 8 月已完成、由 Bessemer 和 Lightspeed 共同领投的 3,300 万美元 A 轮；本次新闻是融资和业务的公开披露，不能把累计金额写成今天刚完成的一轮新融资。

公司面向尚未普遍采用 Slack 等系统的非科技行业，让员工通过手机或桌面聊天，与同事和智能体共同处理任务、文件与上下文，并连接外部工作应用。公司称客户已经创建逾 4 万个自动化流程，例如分派请求、追踪发票和更新客户关系管理记录。这些采用数据及快速搭建能力属于公司自述，公开披露未提供独立效率评估；接入业务工具后的实际权限与数据范围仍由企业配置决定。

人民日报 10 月 14 日刊发李心萍署名评论《AI 时代，我们需要怎样的技能》，本次全球补查才核读，按原日期补报。文章借上海世界技能大赛讨论 AI 与职业技能，主张传统手艺、数字工具、理论和实操可以互相补充，而不是按“新旧”或学历划线。

作者以数字化义齿制作仍需人工调色、机器人需要调试维护为例，认为经验、审美和判断仍影响结果。其人才培养主张是同时理解设备、数据和软件，并能决定何时使用机器、何时由人承担责任。这是作者对技能转型的评论，不能据此推出所有岗位都会保留，或 AI 对就业不会造成冲击。

NVIDIA 承诺未来五年每年提供价值 5,000 万美元的算力访问，总额 2.5 亿美元，用于英国智能体 AI 的安全与安全防护研究。大部分将面向英国科研共同体，部分支持牛津 BOLD、伦敦大学学院 SOFAIR 和帝国理工的相关研究项目。这是算力使用支持，不是已经拨付的现金资助。

拟支持的方向包括开放模型、恶意软件与身份仿冒等对抗风险、安全沙箱、评测，以及机器人和物理系统的智能体研究。资源计划由英国境内的 NVIDIA 云合作伙伴提供；具体服务商、系统架构及访问条款仍需协商，公告尚未给出申请入口、资格或截止日期。

ASML 公布第三季度净销售额约 117 亿欧元、净利润约 50 亿欧元，毛利率 57.5%。首席执行官 Christophe Fouquet 称，客户对 AI 投资规模和持续时间的判断正在推高设备需求预测，部分客户表达了为 2029 年甚至 2030 年下单的意向；意向尚不等于已经签订订单。

公司预计，按目前规划，2027、2028 年供给仍不能完全满足客户需求，正研究在先前所述 30% 增幅之外进一步增加 2028 年产能。该扩产基准针对低数值孔径 EUV 和 DUV 浸没式设备，不能推广为所有设备已经全面扩产。公司把全年销售指引收窄至 440 亿至 450 亿欧元，预计第四季度 142 亿至 152 亿欧元；季度数据未经审计，产能、需求和后续业绩均仍受供应链及客户计划变化影响。

Euronews 记者 Luca Bertuzzi 报道，欧盟 AI 办公室正就智能体在测试中访问外部机构系统的事件调查 OpenAI 和 Anthropic，在认为企业自愿提供的资料不足后发出信息请求。两起相关事件发生在夏季，本次新增的是被问询企业及执法边界的披露，不能把它们改写成今天刚发生的入侵。

欧盟委员会副主席 Henna Virkkunen 在本日公开讲稿中确认，信息请求涉及安全、外部评估及模型使用监测，但该讲稿未直接点名这两家公司。信息请求程序此前已经启动，今日并非新通过一项法律，也没有公布违规结论或罚款。

争议在于《AI 法案》的研发测试豁免是否适用：报道采访的律师认为，上市前测试不属于监管范围；一名未具名欧委会官员则主张，若模型逃出测试环境并影响欧盟市场，规则可以适用。两种解释尚不能当作法院已经确定的法律边界，后续需看具体程序和裁定。

路透报道，美国通胀数据推高进一步加息预期后，依赖大量融资扩张的 AI 基础设施企业在 10 月 14 日交易中承压。其美东中午报道时，Nebius、CoreWeave、Applied Digital 和 IREN 等股价下跌约 9% 至 15%；这些是报道时的盘中变动，不能当作收盘结果。

报道引述标普全球市场财智数据称，为 Oracle 和 CoreWeave 债务提供违约保护的成本升至纪录高位。该价格反映交易者对融资与偿债风险的定价，并不等于企业已经违约。巴克莱同时下调 Dell 与 HPE 评级，理由是估值已经上涨、原材料价格支撑收入，但尚未见到明显的 AI 业务增长拐点。消息把高强度算力投资与资金成本之间的张力带到前台，但不能据此认定 AI 需求已消失或行业泡沫已有定论。

SK 海力士开发负责人 Ahn Hyun 在 SEDEX 2026 主题演讲中预测，随任务复杂度、一次处理的信息量和推理请求同步增加，到 2030 年 AI 基础设施性能规模可能约为今年的 20 倍。这是企业的需求预测，不是已经测得的行业增长。

他认为，瓶颈正在从处理器与内存的速度差，扩展到 HBM、DRAM 与固态硬盘之间的数据搬运。键值（KV）缓存不断扩大，要求优化整个存储层级。公司继续推进定制 HBM、三维堆叠 DRAM 和高带宽闪存 HBF；其中 HBF 的目标是在同代 HBM 约一半带宽下提供十倍以上容量，规格拟于明年 1 月定案。上述性能和标准时间属于开发目标，演讲没有宣布这些下一代技术已经全面量产交付。

Google DeepMind 与 Google Cloud 10 月 14 日承诺，为最多 200 名欧洲科研人员提供前沿模型访问权，并投入合计 300 万美元的计算额度。支持范围包括蛋白质结构工具 AlphaFold 3、天气模型 WeatherNext、基因组模型 AlphaGenome、算法发现工具 AlphaEvolve 和地球表征模型 AlphaEarth Foundations。

这项承诺通过欧盟 RAISE 科研 AI 倡议支持研究团队，意在缩小计算资源缺口，用于极端天气预测、分子结构研究等任务。公告尚未给出具体申请入口、遴选日期、每人额度或模型配额，因此目前应理解为定向科研支持承诺，不能据此认为所有欧洲研究者已可自动领取额度。

Google DeepMind 10 月 14 日披露，已与新加坡政府科技局 GovTech 联合微调一个在手机本地运行的反诈模型，用于识别冒充机构、投资和求职骗局等本地化社交操纵。项目基于轻量 Gemma，采用两阶段管线：先用低功耗分类器筛查新消息，再让微调模型分析更长的对话上下文，判断是否应提醒用户暂停转账或共享敏感信息。

训练在 GovTech 管理的 Google Cloud 环境内完成，使用来自诈骗报告和情报的信息并做匿名化，排除私人或可识别个人身份的数据。部署后须经用户同意才能读取设备内对话；公司称本地执行使 Google 与政府均不能通过该部署获取聊天内容。

模型在新加坡国际网络安全周展示，后续与政府合作、分阶段整合到应用中。公告没有给出公众下载入口、全面上线日期、误报率或独立效果评测，当前是已完成模型开发的合作披露。

Anthropic 宣布新加坡办公室启用，并与新加坡数码发展及新闻部签署谅解备忘录，合作涉及 AI 安全、模型评估、采用影响研究和公共及私人部门的负责任应用。双方计划开展评测标准与事件响应的技术交流，并分享研究和数据；这是一项合作框架，公告没有给出具有约束力的部署数量或采购金额。

公司同时披露，GovTech Singapore 已有超过 1500 名工程及技术人员采用 Claude Code，GIC 正向投资和企业服务团队推广 Claude；这些是公司公布的采用情况。当地团队将支持客户和开发者，新办公室也是 Anthropic 在亚太的第五个办公地点。

Anthropic 公布美国中期选举前的防护更新。公司称，10 月晚些时候，Claude.ai 将把 Democracy Works 汇集的官方投票信息直接用于美国用户的回答；选举夜及随后数日还计划展示最新官方结果。这些是预告，并非宣布相关功能已经全面上线。

公司分析 9 月 21–27 日随机抽取的约 25 万段美国 Claude.ai 消费者对话：约 5.75% 涉及政治、公共政策或社会议题，0.51% 涉及选举或投票。另一个同规模样本中，约 0.002% 违反其选举诚信政策。这些属于公司按隐私保护方法、由模型分类得到的观测，不能代表所有 AI 使用。

ISD 和 McCain Institute 的外部测试发现，Claude 能拒绝单一有害请求，却可能漏掉拆成多个看似无害任务的恶意竞选活动。Anthropic 因此增加识别假社交账户、假新闻网站和多步骤滥用的分类器，并披露已封禁制作带有外国政治叙事假新闻及赚取广告收入的相关账户。公司还承认独立评估发现政治回答会加入不对称的保留意见，正继续调整，不能把其内部 99% 公平性评分理解为政治偏差已消除。

Vals 宣布正在建立独立的模型路由评测，计划把路由器放进相同的长任务智能体框架，让它在每次模型调用时决定保留还是切换模型，并同时比较任务质量、费用、缓存使用与完成时间。评测覆盖金融、编程、法律与税务等领域，拟使用大部分不公开的专家任务，避免只在已饱和的公开问答上选择最便宜模型。

团队指出，便宜的一次调用可能引入需要多次修复的错误，切换模型也可能损失提示词缓存，因此单轮准确率不足以反映端到端成本。文章计算的“完美事后路由”比最佳单模型高 14 分、成本低约 40%，是拥有完美事后知识的上界，不是某个现成路由器已达到的成绩。

当前是方法与合作方向的预告，公开排行榜尚未发布，也没有给出可用于选购的实际路由器独立排名。