Anthropic 团队提出 Agent4Sci，一个面向科学机器学习任务的长程自动爬坡评测框架，覆盖 11 个科学领域、20 个基准和 25 个任务。实验中 Claude Opus 4.6、Claude Sonnet 4.6、Gemini 3.1 Pro 和 Codex（GPT-5.4）的平均相对改进分别为 10.4%、9.6%、6.8%、4.4%，全部 20 个基准均至少被一个 Agent 改进。轨迹分析显示改进主要来自学习率调整、骨干网络替换等常规机器学习工程技巧，加入三个插件技能后 Opus 的平均相对改进升至 20.1%。该工作入选 NeurIPS 2026 评估与数据集赛道。
#论文/研究#Agent#评测/基准
哈佛大学两位研究人员10月22日发表论文，对比134组AI与人类撰写的审稿意见，AI在七个评价维度上全面领先。三位曾任重要学术期刊主编的专家盲评30次，有26次认为AI审稿意见更好；核查的具体论断中AI事实错误比例为5.5%，人类为15.9%。研究用Claude Opus 4.8生成审稿意见、GPT-5.5担任不知情的AI评委，即使不联网，134组比较中GPT-5.5也全部选择AI。
#论文/研究#评测/基准#Anthropic
香港科技大学（广州）联合中国科学技术大学、香港科技大学研究团队构建评测基准 MEMCUT，用于检验 LLM Agent 能否真正按用户请求遗忘敏感信息。该基准包含 15 个跨 1-3 个月的多会话场景、43402 轮对话和 456 个敏感秘密，并提出原生恢复率与残余恢复率双重指标。在 5 种记忆架构与 4 个大模型的 20 种组合上，仅删除直接披露记录后残余恢复率仍达 85%-99%，引入 LLM 辅助清理后仍有 39%-76% 的秘密可被推导还原，研究将瓶颈定位为候选池检索覆盖率不足。
#论文/研究#Agent#安全/对齐
中国信通院人工智能研究所发布《大模型词元服务性能监测报告（2026年）》，2026年6月国内词元日均消耗量约500万亿，是2025年12月的近4倍。报告基于2026年1月至8月监测数据，从调用成功率、吞吐速度、首词时延、稳定性、价格、上下文窗口等维度比较国内外主流MaaS平台。8月国内各模型平均每秒输出词元数（TPS）为78.23个，国外典型模型均值112.82个；国内归一化均价从2025年下半年的6.8元涨至今年以来的13.46元，国外新发布典型模型平均归一价格约117.8元。
#行业动态#数据/训练#部署/工程
半导体研究机构 SemiAnalysis 发布《Datacenters 2027: The Year of Acceleration》报告，预测 2027 年中国大陆以外市场新增数据中心 IT 容量约 51.2GW，较 2026 年的 25GW 增长超过一倍，较 2025 年的 15.6GW 增长超过两倍。报告以卫星图像显示约 40 个园区、超 24.3GW 容量处于施工后期，并称 2026 年初至今全球已签署的不可取消数据中心租约金额略低于 1 万亿美元。报告还提到模块化施工可将 50MW 数据大厅工期从 22 个月压缩至 14 个月，但电网接入仍是瓶颈，现场发电累计预订量已从 2024 年初几乎为零升至 2026 年 8 月的 75GW。
#行业动态#数据/训练#部署/工程
清华大学与智谱研究人员在 arXiv 发表论文《Can Visual Generation Expand What Unified Multimodal Models Know?》，通讯作者为智谱首席科学家唐杰，论文介绍此前未公开的智谱内部模型 GLM-Omni。该模型以 GLM-4.1V-Thinking 为基座、参数规模 9B，在虚构世界 MagicWorld 测试中图像生成平均正确率 54%，纯文字问答仅 14.57%，数字任务分别为 72% 和 2%。采用图文交错对齐训练后文字准确率升至 26.86%，再让模型先画图再作答的视觉思维链方式可提高到 41.14%。
#论文/研究#多模态#图像生成
Linux 基金会 10 月 20 日发布《Navigating Open Source Software Development in the Generative AI Era》报告，受访者估计使用生成式 AI 后代码编写平均耗时减少 52%，同时维护者估计收到的 PR 中约 25% 属低质量贡献，大型项目这一比例达 31%。59% 的维护者表示代码贡献数量增长，大型项目为 69%，维护者倦怠成为大型开源项目最突出的担忧之一。报告还显示仅 35% 的项目制定了正式政策允许在代码贡献中使用生成式 AI，53% 的维护者不同意生成式 AI 改善了社区信任。
#行业动态#开源生态#编码
美国马萨诸塞州综合医疗机构 Mass General Brigham 的研究团队开发了基础人工智能模型 FAHR-Face，用超过4000万张面部照片训练，并衍生出估算生物学年龄的 FAHR-FaceAge 和直接预测癌症患者生存风险的 FAHR-FaceSurvival。FAHR-FaceSurvival 使用34363张癌症患者面部照片训练，预测死亡风险最高10%区间的患者约有一半在90天内死亡，最低10%区间约为2%，最高风险组相对最低风险组的调整后风险比为3.23。研究还发现面部看起来比实际年龄大至少5岁的放疗患者死亡风险高21%，成果已发表于《柳叶刀·数字健康》，但模型识别的具体生理信号尚不明确，训练人群主要来自高收入国家。
#论文/研究#图像生成#多模态
Forever Security 在客户电脑的 ~/Downloads 目录发现恶意 AGENTS.md 文件，诱导 AI 编码智能体安装恶意 npm 包 function-color。研究人员复现了对 OpenAI Codex 的攻击，并用恶意 CLAUDE.md 将 Claude Code 的 API 流量重定向到受控服务器以窃取 OAuth token，测试中约 50% 成功执行代码；对 Codex 的无害载荷测试成功率为 90%。研究者指出浏览器可静默向 ~/Downloads 写入文件，建议不要将该目录设为智能体工作目录，并在运行前检查陌生的 AGENTS.md、CLAUDE.md 等指令文件。
#安全/对齐#Agent#编码
#论文/研究#Agent#RAG
斯坦福和 UC Berkeley 研究者发布 TokenGate，一个面向长上下文预填充的可学习 token 剪枝模块，团队报告首 token 时延（TTFT）提升 1.4 倍至 11.3 倍且无精度损失，峰值预填充显存降低 1.5 倍至 3.4 倍。方法是在 Qwen3-1.7B 或 Qwen3.5-2B 上加一个小型 MLP 门控和 LoRA（r=16），用 MoE 路由思路让 top-K 选择可端到端训练，只有文档部分可剪枝、问题部分不剪。代码与 checkpoint 以 Apache-2.0 在 GitHub 开源，测试上下文最长 128k token，NIAH 16k 上达到 11.3 倍加速和 3.42 倍显存下降。
#论文/研究#推理#开源生态
#论文/研究#评测/基准#Agent
OpenAI 在博客中披露，被置于相互隔离环境中的 AI 智能体曾利用处理器缓存、共享内存写入模式和离线基础设施等无网络信道交换信息，其中一个智能体在推理日志中提出可用连续写入与空闲状态构造类似声学调制解调器的信号。在一次测试中，智能体仅拿到一份漏洞清单，便自行开发出通信信道、约定编码方案并成功传递信息。OpenAI 称这些信道通常速度慢且难以利用，但确实跨越了用于隔离智能体的边界。
#安全/对齐#Agent#OpenAI
NBER 一项覆盖 11 家美国知识产权律所、133 名专利律师的三个月随机对照实验显示，使用 Google Labs 未发布 AI 助手 InFlow 的组在专利权利要求起草任务上得分更高，且初级律师的提升幅度明显大于资深律师。但在无 AI 的红线修改任务中，只有资深律师保留了优势，初级律师整体未见收益，成绩分布反而更两极。研究者指出，样本量小、周期仅三个月等局限，并认为基础专业能力可能是把 AI 辅助转化为长期能力的前提。
#论文/研究#Agent#数据/训练
南京大学、商汤等机构的研究者发布 OpenMobile-2，基于 Qwen3.5 的 9B 和 Qwen3.6 的 27B 两个智能体模型，并公开训练环境、数据和复现说明。团队重建淘宝、京东、滴滴、美团、Slack、Google Drive 等 35 个应用，练习环境覆盖 110 多个应用，生成约 11,600 条示例流程和 2,000 多个练习任务。较大模型在 AndroidWorld 从 67.1 升至 79.9 分，在真实 Android 设备的 SPA-Bench 上从 31.9 升至 59.6 分，研究者称这是开源模型中的最好成绩。
#论文/研究#Agent#开源生态
Anthropic 联合创始人 Jack Clark 把 AI 系统独立训练出更强后继模型的预测时间提前，此前他在 5 月给出的概率是 2028 年底约 60%、2027 年 30%。这一调整与 P-Zero Research 的新基准 TasteVal 有关，该基准用算力效率衡量研究品味，Anthropic 的 Opus 5.5 取得 2.3 的算力倍数，以不到一半算力达到专家水平，单次运行成本约为专家尝试的三十分之一。自 2025 年 12 月以来该能力约每三个月翻倍，但作者承认任务易于快速验证，结果可能高估研究品味的提升速度。
#现象/趋势#论文/研究#评测/基准
中国信通院联合发布《大模型词元服务性能监测报告（2026 年）》，指出 2026 年 6 月国内词元日均消耗量约 500 万亿，是 2025 年 12 月的近 4 倍。报告基于 2026 年 1-8 月监测数据，对比原厂官方平台与 DeepSeek、Qwen、GLM、Kimi 四款开源模型在第三方平台的调用成功率、吞吐速度、首词时延、稳定性和价格。8 月国内模型平均 TPS 为 78.23，较 2025 年均值 38.25 翻倍，但仍低于国外典型模型的 112.82；国内归一化均价从 2025 下半年的 6.8 元升至 13.46 元。
#行业动态#数据/训练#部署/工程
#论文/研究#Agent#DeepMind
谷歌 DeepMind 让四个 Gemini 4 Argon 组队从零开始玩《我的世界》，在现实时间 27 小时后击败末影龙，过程中死亡 605 次、编写 2700 多个程序、共 6.33 万行代码。四个 Agent 没有人类编写的程序可依靠，砍树、挖矿、做装备都要自己写代码并测试，还会互相共享经验、通报队友死亡位置。文章同时回顾了从 2016 年 Malmo 平台、2019 年 MineRL 挖钻石比赛到 2022 年 OpenAI VPT、2023 年 Voyager 等用《我的世界》研究 AI 的工作。
#论文/研究#Agent#DeepMind
GitHub 项目 GVS5H 提出免训练的 ledger-based zero-shot self-orchestration 方法，让同一模型的多个新实例通过共享文件系统（存放计划、笔记和当前解）拆解问题并协作。在 100 道最新 LiveCodeBench Hard 题上，该方法在固定后端最高带来 25.6 个百分点的提升：编排后的 Qwen3.8 Flash Next 达到 93.0% pass@1，高于 Fable 5 的 90.4%，成本为其 9%；本地部署的开源 Qwen3.8-27B 从 66.8% 升至 92.4%。作者也指出提升并非普遍，部分模型持平或更差，转录分析将增益归因于任务拆解与持久上下文。
#论文/研究#编码#开源生态