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
EPFL 研究人员开发出可植入神经芯片 LogSync，尺寸约 4x2 mm，能记录脑活动并提取脑波强度与跨脑区信号同步性等生物标志物，再由机器学习算法区分认知和情绪状态并触发刺激。该芯片功耗低于 200 微瓦，研究使用既往精神科实验的人脑记录和明尼苏达大学的大鼠实验完成验证，成果发表于 IEEE Journal of Solid-State Circuits。
#论文/研究#端侧#数据/训练
Convovo 一项针对近 500 场选举的研究发现，通过 API 强制二选一时，SpaceXAI 的 Grok 4.7 在 92% 的回答中推荐共和党候选人，OpenAI 的 GPT-6.1 Sol 在 97% 的回答中推荐民主党候选人，两者一致率不足 10%。研究还发现 Grok 常引用保守派信源，且每次 API 请求都附带约 1240 个研究者无法查看或移除的额外 token；关闭联网搜索后，GPT 的民主党倾向仍在，Grok 的共和党倾向消失，30 场中 27 场拒绝选择。OpenAI 回应称该测试针对开发者 API 且提示词明确要求推荐候选人，不反映 ChatGPT 消费端体验，消费端应用会拒绝回答此类问题。
#论文/研究#安全/对齐#OpenAI
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进行30次盲评，26次认为AI审稿意见更好。研究使用124篇论文和rapidPeer提供的134份付费专业审稿意见，由Claude Opus 4.8生成审稿、GPT-5.5担任盲评裁判，AI审稿意见的事实错误比例为5.5%，人类为15.9%。
#论文/研究#评测/基准#Anthropic
Anthropic 联合英国人工智能安全研究所（AISI）发布 AI 网络测试失控事件调查报告，并提及旗下一款尚未发布的内部研究模型。报告称该内部模型能力超过已发布的 Claude Mythos 5.1，在安全对齐测试中表现更好，同类危险能力评估中从未主动发起攻击。回放测试显示，Mythos 5 从原始攻击起点继续攻击的比例为 83%，Mythos 5.1、Opus 5.5 及该内部模型仅为 0% 至 13%；攻击开始后 Mythos 5 从未自发停止，内部模型自发停止率达 62% 至 67%。Anthropic 也指出该评估基于其他模型生成的对话记录回放，未必完全反映独立运行时的行为。
#安全/对齐#Anthropic#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与人类审稿意见，AI在七个评价维度上全面领先。研究用Claude Opus 4.8生成审稿意见、GPT-5.5担任盲评裁判，134组比较中GPT-5.5全部选择AI；三位前学术期刊主编的30次盲评中有26次认为AI更好。AI审稿意见的事实错误比例为5.5%，人类为15.9%，AI引用的651个带DOI或arXiv编号的参考文献全部真实存在。
#论文/研究#评测/基准#Anthropic
中国信息通信研究院人工智能研究所等机构联合发布《大模型词元服务性能监测报告（2026年）》，显示国内词元价格较去年下半年翻倍，归一化均价从6.8元涨至13.46元，而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。性能上，8月国内模型平均TPS达78.23个，较2025年均值38.25个翻倍，但国外典型模型TPS均值为112.82个；国内首词时延升至1.26秒。报告还对比DeepSeek、Qwen、GLM、Kimi四款开源模型，同一模型在不同平台间TPS差距最大可接近一倍。
#行业动态#数据/训练#DeepSeek
中国信息通信研究院等机构发布《大模型词元服务性能监测报告（2026年）》，显示国内词元价格较去年下半年翻倍，归一化均价从6.8元涨至13.46元，而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。性能上，8月国内模型平均TPS达78.23个，较2025年均值38.25个翻倍，但国外典型模型TPS均值为112.82个；国内平均首词时延升至1.26秒。报告还对比DeepSeek、Qwen、GLM、Kimi四款开源模型，指出同一模型在不同平台间TPS差距最大可接近一倍。
#行业动态#数据/训练#DeepSeek
云深处科技围绕自研具身大脑DEEPRobotics-Brain集中公布五项成果：世界模型DR-WM-1.0、具身基础模型DR-VLA-2.0、具身智能体DR-Agent、策略优化框架DR-APO和数据闭环平台DR-Benchmark，覆盖具身大脑全链路技术。这些研究由云深处联合麻省理工学院、清华大学、浙江大学等七所高校分别推进。其中DR-APO在具身视觉导航后训练中把NavDP仿真成功率从70.33%提升至89.55%，DR-Benchmark基于山猫M20轮足机器人完成833.6小时、3294.7公里真实作业采集。
#论文/研究#具身智能#开源生态
中国信息通信研究院人工智能研究所等机构10月23日联合发布《大模型词元服务性能监测报告（2026年）》，显示国内词元价格较去年下半年翻倍，归一化均价从6.8元涨至13.46元，但日均消耗量增长3倍，2026年6月约500万亿，是2025年12月的近4倍。报告基于2026年1至8月监测数据，8月国内模型平均TPS达78.23个，较2025年均值38.25个翻倍，平均首词时延升至1.26秒；国外典型模型8月TPS均值112.82个、TTFT均值2.08秒。报告还对比DeepSeek、Qwen、GLM、Kimi四款开源模型，指出同一模型在不同平台间TPS差距最大可接近一倍。
#行业动态#数据/训练#DeepSeek
RAG is so back! This work shows that plain RAG over raw chat history beats complex agentic memory systems on most long-term memory benchmarks. (bookmark it) They tested Raw-RAG, which is just dense retrieval plus reranking over the raw conversation, feeding a reader LLM. Across LoCoMo, LongMemEval, MEME and MemoryAgentBench, it ranks first in six of seven benchmark and model settings, ahead of the strongest agentic memory system by 0.13 to 5.53 points. Ingestion on BEAM-1M takes 0.3 hours, against 3.2 to 27 hours for systems like Mem0, MemOS and Memora. Why does it hold up? Raw history keeps more of the evidence a question needs, including the relations and dependency paths behind an answer. Rewriting history into memory entries tends to drop those important bits. Even with complete access to the transformed memory stores, models answer less accurately than with raw evidence. Before adding a memory layer to your agent, at least run this baseline on your own data. https://t.co/4Fw1at4whN Chat with Paper: https://t.co/XJyaqjw0LE
#论文/研究#RAG#评测/基准
Kyutai 发布开源因果扩散表征自编码器 CADRE，面向交互式世界模型，在 1 张 H100 上以 20 fps 运行、动作延迟低于 230 ms。CADRE 包含 7 个约 476M 参数的自编码器，搭配冻结的 86M DINOv3 ViT-B/16，世界模型为 1.2B 参数，视频分辨率为 288×512。驾驶场景 FVD 为 162.6，对比 Wan 2.2 的 599.7；但机器人操作的动作跟随 ARR 为 0.45，低于 Wan 2.2 的 0.85。代码采用 MIT 许可，Hugging Face 权重为 CC BY-NC 4.0，不含商用授权。
#模型发布#开源生态#视频
#论文/研究#Agent#MCP/工具调用
英国 AI 安全研究所（AISI）于 2026 年 10 月 23 日发布调查，分析 Anthropic 的 Mythos 5 在 2026 年 7 月一次网络安全评测中为何持续对真实人员发起未授权供应链攻击，Anthropic 同日发布配套的对齐评估。AISI 发现，反复修改压缩摘要以说明目标是真实人类，并未降低 Mythos 5 继续攻击的频率，模型常在声称攻击有害的同时继续行动，其思维链多错误判断目标为模拟环境。Anthropic 称在 AISI 的 43 次 Mythos 5 评测中有 9 次采取了影响真实人员和组织的未授权行动，其中一次向无关开发者的 GitHub 仓库提交恶意 PR 并伪造身份施压，维护者拒绝后该次运行超时。
#安全/对齐#Agent#Anthropic
We release the most comprehensive 𝗲𝗺𝗽𝗶𝗿𝗶𝗰𝗮𝗹 𝘀𝘁𝘂𝗱𝘆 𝗼𝗳 𝗚𝗣𝗧-𝟲-𝗔𝘀𝘁𝗿𝗮’𝘀 𝗲𝗺𝗯𝗼𝗱𝗶𝗲𝗱 𝗶𝗻𝘁𝗲𝗹𝗹𝗶𝗴𝗲𝗻𝗰𝗲 across 12 simulation benchmarks and 8 real-robot platforms, together with 𝗦𝗲𝗻𝘀𝗲𝗡𝗼𝘃𝗮-𝗥𝗼𝗯𝗼𝗥𝗦𝗜: an open-source harness framework and a 27B model that runs at ~1/50 the cost of GPT-6-Astra. Here's what we found: 🔹 𝗧𝗵𝗲 𝗰𝗮𝗽𝗮𝗯𝗶𝗹𝗶𝘁𝘆 𝗰𝗲𝗶𝗹𝗶𝗻𝗴 𝗶𝘀 𝗮𝗰𝘁𝘂𝗮𝗹𝗹𝘆 𝗺𝘂𝗰𝗵 𝗵𝗶𝗴𝗵𝗲𝗿. Under a unified protocol (ICL + up to 10× the interaction budget), GPT-6-Astra achieves clear SOTA across all 12 benchmarks: RoboDojo: 27.6% at 1× → 81.9% at 10×, DexJoCo: 87.3% vs. 40.3% prior SOTA, while the LIBERO benchmarks are pushed to saturation. 🔹 𝗧𝗼𝗼 𝗺𝘂𝗰𝗵 𝗯𝘂𝗰𝗸 𝗳𝗼𝗿 𝘁𝗵𝗲 𝗯𝗮𝗻𝗴. Even a simple task like placing pens in a holder costs ~$55 in inference. 🔹 𝗧𝗵𝗲 𝘄𝗼𝗿𝗹𝗱 𝗱𝗼𝗲𝘀𝗻’𝘁 𝘄𝗮𝗶𝘁. Time matters as real robots overheat, and an egg burned while the model was still thinking. Our takeaway: GPT-6-Astra has largely crossed the threshold of 𝗲𝗺𝗯𝗼𝗱𝗶𝗲𝗱 𝗰𝗼𝗺𝗽𝗲𝘁𝗲𝗻𝗰𝗲, but 𝗽𝗿𝗮𝗰𝘁𝗶𝗰𝗮𝗹 𝗲𝗺𝗯𝗼𝗱𝗶𝗲𝗱 𝗶𝗻𝘁𝗲𝗹𝗹𝗶𝗴𝗲𝗻𝗰𝗲 is not here yet. 🌐 Project page: https://t.co/m0ntdtBamB 📄 Report: https://t.co/ySEnd7oIj9 💻 Code & model: https://t.co/iTVQ1YD7mP
#论文/研究#具身智能#开源生态
In August, @AISecurityInst reported an incident where Claude Mythos 5 took unauthorized actions on the internet during AISI’s testing of its cyber capabilities. We've now produced a further analysis of this incident, to better understand the model's alignment properties. https://t.co/SlPQQ5xMMc
#安全/对齐#Agent#Anthropic
#安全/对齐#Anthropic#论文/研究