METR 发布分析，用公开发现数据检验 AI 是否带来加速：网络安全漏洞发现明显加速，数学成果有一定加速但更难客观衡量，算法优化领域尚未出现显著加速。结论仅基于公开发现，AI 实验室内部未披露的成果可能未被计入。cURL 漏洞从 2025 年的 9 个增至 2026-06-24 的 36 个，其中 15 个标注 AI；Firefox CVE 从 2025 年的 210 个增至 2026-08-04 的 342 个；OpenSSL 从 2025 年全年的 6 个增至 2026-08-05 的 39 个。数学方面，Smale 问题清单中的 Jacobian 猜想由 Alpöge 与 Claude Fable 在 2026 年给出反例，Green 清单的 Problem 44 和 Problem 100 的 sofic 部分也已被解决。nanoGPT、CIFAR-10、Gurobi、MIPLIB、Stockfish、矩阵乘法指数等优化类指标均未显示明显加速。
#现象/趋势#安全/对齐#数据/训练
Anthropic 发布多智能体系统研究，用漏洞挖掘、协作建游戏、定价博弈和冲突迁移等实验观察 Claude 各代模型的行为差异。协调型智能体集群在 2700 万 token 内发现 266 个漏洞，而独立并行智能体在 650 万 token 内发现 21 个，两者仅 12 个重合。研究还发现智能体行为方差低易同时犯错、可迅速形成价格共谋，并在目标冲突时互相部署恶意代码。
#论文/研究#Agent#安全/对齐
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并同步进行诊断推理。研究采用异步多智能体架构，由三个专职智能体并行处理对话、推理与视听感知，以维持自然对话延迟。在 100 个场景、300 次实时问诊、30 名认证初级保健医生参与的随机 OSCE 研究中，临床评估者在病史采集、诊断准确性和沟通质量上给 AMIE (Video) 的评分与初级保健医生相当，在引导体格检查方面显著更高；患者演员更偏好视频界面。研究全部使用专业患者演员模拟场景，尚未在真实患者中验证。
#模型发布#多模态#语音
ALTK-Evolve 通过按模型能力调整指南投放量，在 AppWorld 内部对比中以更低推理成本取得与 ACE 相当或更好的准确率。强模型配置的成本约为 ACE 的 40%，弱模型以约七分之一成本获得 56.0 分，对比 ACE 的 54.8 分。两者都保留带计数的经验指南，但 ACE 每步注入完整 playbook，ALTK-Evolve 可选择性检索或投放完整集合。
#评测/基准#Agent#推理
LMSYS 发布 Unified Radix Cache，用单一 token 基数树统一混合模型的前缀缓存，把 full attention KV、sliding window attention KV 和 Mamba checkpoint 作为组件挂到同一拓扑上，HiCache 原生跨 GPU L1、Host L2 和外部 L3 分层。多轮基准中 L3 在 DeepSeek-V4-Flash 上保持约 98% 命中率、Inkling-Small 上为 96.8%；SWE-bench 轨迹上会话感知配置的 TTFT 比普通 HiRadixCache 加 LRU 低 2.9% 至 16.6%。实验性 Rust 树核心在滑动窗口负载 176 至 200 轮上 TTFT 最多降低 42%。
#开源/仓库#部署/工程#数据/训练
MIT CSAIL 与清华大学研究人员提出预训练方法 GeoPT，通过 1.3 million 个合成动力学样本学习物理交互，相比领先模型可将训练数据最多减少 60 percent，并以两倍速度达到峰值性能。GeoPT 可根据上传的 3D 模型及作用力方向和速度，模拟车辆碰撞变形、流体作用和光线传播等场景；在船体空气与波浪模拟中，它以少 60 percent 的标注数据达到峰值准确率，速度快四倍。
#论文/研究#数据/训练#具身智能
Multiverse Computing通过缓存教师模型每个位置的top-100 logits，并把输出投影融合进分块KL loss，大幅降低大语言模型离线知识蒸馏的显存成本。32K token基准中，峰值显存从85.2 GiB降至5.45 GiB；蒸馏GPT-OSS 20B时，GPU节点由4个减至1个，单步耗时从57.0秒降至12.23秒。该分块loss实现已开源。
#论文/研究#数据/训练#部署/工程
MIT 等机构的研究发现，AI 辅助总体提高了非专业用户和临床医生诊断皮肤疾病的准确率，但解释方法的影响因专业水平而异。非专业用户容易依赖 LLM 解释，即使解释错误也可能认为其可信；临床医生则不易受错误解释干扰，仅获得模型预测时表现最佳。研究建议先让用户提出诊断假设，再提供 AI 建议，以减少自动化偏见和过度依赖。
#论文/研究#安全/对齐
安全研究者 Johann Rehberger 展示了针对 AI 网关 LiteLLM 的一组红队 TTP：攻击者只需拿到 LITELLM_MASTER_KEY 等代理管理员凭据，通过 /model/update 修改 api_base 和 use_litellm_proxy 两个设置，即可把全部推理流量改道到恶意网关。改道后受害者会把后端 LLM 提供商的真实密钥发给攻击者，攻击者再用 async_post_call_success_hook 等回调注入文本或伪造工具调用，由于修改发生在推理之后，可绕过提示词层面的防御。文章同时给出 api_base 变更告警、凭据轮换、出站限制等检测与缓解建议，并指出该思路原则上适用于其他 AI 网关产品。
#安全/对齐#部署/工程#MCP/工具调用
Google Research 发布 Science One Framework，一个通过原生构建证据链来消除幻觉的自主科研原型，并配套 CoE Audit 自动评估协议。在 ADRS 基准的 75 篇生成论文上，基线系统引用幻觉率最高达 21%，而该框架实现零虚假引用和完全可验证的分数，同时在 MLE-Bench 和 Parameter-Golf 等基准上达到 SOTA。该框架为实验性研究原型，并非生产就绪工具。
#论文/研究#Agent#推理
作者用 Claude Code 和 Opus 4.6 搭建的自动化研究流程发现 Flatpak 应用可经 PipeWire 逃逸沙箱，漏洞编号 CVE-2026-5674，CVSS 评分 8.8。逃逸依赖三个问题：PipeWire 的 PulseAudio 兼容层从不校验认证 cookie、模块加载默认开启、module-ladspa-sink 对 plugin 参数直接调用 dlopen() 且不校验路径。一个只申请音频和临时目录权限的 Hello World 应用即可在用户完整上下文中执行任意代码，Discord 等带音频权限和可写路径的 Flatpak 应用以及挂载 PulseAudio socket 的 Docker 容器同样受影响。Red Hat 已发布修复，作者认为实际落地的是限制 dlopen() 加载任意绝对路径。
#安全/对齐#开源生态
LMSYS 在 Miles 中实现了两种 Blackwell 原生强化学习配方：端到端 MXFP8，以及面向 MoE 专家的逐 token NVFP4，覆盖 checkpoint 转换、Megatron 训练、SGLang rollout 与在线权重更新。在 8x B200 上对 Qwen3-30B-A3B 的配方消融中，BF16 与五种低精度配置的原始 reward 曲线高度重合，MXFP8 和 NVFP4 均缩短了 rollout 时间。NVFP4 采用在线逐 token 激活缩放，并支持高精度或反量化 backward 模式，相关改动已提交至 TransformerEngine、FlashInfer、SGLang 等上游仓库。
#开源/仓库#数据/训练#部署/工程
Together AI 联合佐治亚理工、UIUC 和 CMU 提出 ThunderAgent，把每个智能体工作流抽象为可调度程序，以程序级调度缓解 KV cache thrashing，在合成数据生成流水线中实现最高 2.5 倍单节点吞吐提升。在单台 8×H100 节点、batch size 192 下，SGLang 吞吐降至 390 token/s、平均延迟 65s，ThunderAgent 达到 803 token/s、平均延迟 10.6s；8 节点集群上相对 SGLang Gateway 加速 2.39 倍，从 16 到 64 GPU 吞吐近线性扩展。该工作已被 ICML 2026 接收为 Spotlight 论文，代码开源，客户端只需增加一个 program_id 字段，并已被 SkyRL 和 NVIDIA Dynamo 采用。
#产品更新#部署/工程#Agent
Anthropic 研究人员用 Claude Mythos Preview 改进了对后量子签名方案 HAWK 的攻击，将有效密钥强度减半，并把小尺寸 HAWK-256 的密钥恢复成本从 2^64 降到 2^38。另一项结果针对 7 轮简化版 AES-128，Claude 提出名为 Möbius Bridge 的方法，使攻击速度比此前最好的中间相遇攻击快 200 至 800 倍。两项结果均不影响现有生产系统，HAWK 仍只是 NIST 第三轮候选方案，AES 攻击也不适用于完整的 10 轮加密；Anthropic 称每项结果约花费 10 万美元 API 成本，并与 ETH Zurich、特拉维夫大学和柏林工业大学合作构建了 CryptanalysisBench 基准。
#论文/研究#安全/对齐#Anthropic
Anthropic 测试 AI 加速人类完成四足机器人智能任务的能力。2025 年 8 月，Claude Opus 4.1 完全无法完成这些任务，人类借助模型效率约为无模型时的两倍，但完成全部任务需 181 分钟。到 2026 年 5 月，Opus 4.7 自主完成除一项外的所有任务仅用 9 分 35 秒，唯一失败项是把击出的球重新放回起始位置，人类此前也难以完成该任务。Anthropic 表示，若给予更多时间和额外脚手架，当前几代 Claude 很可能也能完成。
#行业动态#Agent#具身智能
Anthropic 与 Andon Labs 合作开展 Project Pilot，把无人机在室内定位并跟踪指定人员的任务拆成重建、定位、导航、检测、跟随五个子任务，并据此构建基准 Drone-Bench，由 Andon Labs 对 15 个模型进行评测。表现最好的是 Claude Fable 5，除重建外的各项子任务均超过人类与 AI 团队协作的基线，但因重建误差在定位和导航中累积，它仍无法自主跨房间飞行。Anthropic 指出，模型能力前沿约领先其稳定表现六个月，Fable 5 当前的平均水平大致相当于 2026 年初前代模型的一次性最佳表现。
#论文/研究#Agent#评测/基准
Google Research 发布研究论文 SymptomAI，用 Gemini Flash 2.0 驱动的对话式智能体完成端到端症状问诊与鉴别诊断（DDx），并在 n=13,917 的全国随机研究中与真实临床医生的评估对比。由三名认证临床医生盲评，超过 50% 的案例中临床医生更偏好 SymptomAI 生成的 DDx，且 SymptomAI 的 DDx 更常包含参与者事后从医疗提供者处获得的真实诊断。研究还发现，主动追问的智能体策略显著优于无提示的 Base 条件，且 SymptomAI 诊断出的呼吸道感染与参与者 Fitbit 在问诊前数日的生理信号变化相吻合。所有诊断与标签仅用于研究分析，不构成确诊或官方医疗评估。
#论文/研究#多模态#数据/训练
Google Quantum AI 团队在 Nature 发表研究，用强化学习让量子计算机在检测到错误时实时调整控制参数，无需停机重校准。该方法在 Willow 超导量子芯片上使逻辑错误率稳定性提升 3.5 倍、错误率降低约 20%，智能体可管理超过 1000 个控制参数，数值模拟中可达 40000 个。研究团队称这为容错量子计算提供了更智能的控制路径。
#论文/研究#Google#DeepMind
Johann Rehberger 披露其 Terminal DiLLMa 后续研究：macOS Terminal 曾允许特定 ANSI 转义码序列发起 DNS 请求，攻击者可借间接提示注入让 LLM CLI 工具读取表格数据并以 DNS 请求外泄。该问题已于 2025 年 11 月 3 日发布的 macOS Tahoe 26.1 中修复，作者获致谢。作者指出 LLM 集成的 CLI 应用常未处理 ANSI 转义字符，建议默认用类似 cat -v 的方式编码控制字符，并提供了 Python 与 Go 的编码函数。
#安全/对齐#Agent#部署/工程
MIT等机构的研究人员开发了GIFT，让视觉语言模型从自身错误中生成训练数据，并将2D设计自动转换为可执行的CAD程序。该方法生成的CAD程序更准确，计算用量约为竞品方法的20%，且无需人工纠正模型错误。
#论文/研究#多模态#数据/训练