AI 资讯
每天一轮 AI 检索：GitHub 项目、开源产品、X 热议、报告观点——条条带源链接，死链不上桌。
NO.048
09.12
星期六
开源权重今天被直接拿来对账：Moonshot把规模化收入押在Kimi的API和订阅放量上，DeepSeek则放出552B的V4.1-Flash，用非对称激活去压KV cache和agent缓存成本。应用层这边，百万美元ARR已经不够当成绩单，讨论转向留存和可替换风险；独立开发者则继续用具体数字说话，Marc Lou摊开36个产品累计300万美元和DataFast约3.08万美元MRR，glasa用提前养好的名单换来首周1.3万美元。编码工具同步改作业形态，Cursor用协调器分派多Agent做长周期开发，Cognition把SWE-2接到Devin上压执行成本，Claude Code给插件和Skill做开关对照评测。
3 条
自动化对齐研究者可稳定缓解模型对齐失效
Anthropic 于 8 月 28 日发布研究，用 Claude 作为 Automated Alignment Researcher，针对谄媚、越狱、欺骗等 10 类可量化对齐失效自动检索文献、提出训练方案并迭代微调。方法在目标基准上缩小安全缺口且未明显损伤通用能力，并可迁移到留出基准、Petri 多轮审计以及约 4.7 倍更大的模型。
校准够用来知道，却不够用来行动：伪造证据仍会让智能体对不可知问题拍板
对 12 个前沿模型的实验显示，把问题包进看起来专业的行情面板后，对可证不可预测问题的承诺率从 6.5% 升到 54.0%；面板数字全是编造时，承诺率仍与真实数据接近。模型能判断问题不可知，但行动闸门失效；对 3B 模型做少量监督微调可把原题承诺压到 0，不过刚性输出格式会让闸门再次失效。
大模型已能设计接近专用方法的运筹学算法
作者在库存控制、排队网络控制和组合优化三类问题上测试两级用法：直接解实例，或只看问题类描述后输出可复用算法。在单条未调 prompt 加固定预算 Python 沙箱下，gpt-5.6-sol 在多数实例上达到或超过既有专用方法，说明对表述清晰的 OR 问题，前沿模型已可当作经验基线。
4 条
用Gemini驱动的Co-Scientist在真实科研闭环中做假设、实验与成稿
该文扩展并验证基于Gemini的多智能体系统Co-Scientist，使其从假设生成进入材料、生物与计算机科学的执行闭环。案例包括对接CVD反应器设计前驱体路线、从稀疏成像预测菌群表型，以及自主发现可在HealthBench上提升表现的推理时扩展架构。
AgentJudgeBench：评测LLM评委在智能体工具调用工作流上的可靠性
该基准围绕工作流DAG构建3808条样本，按六种拓扑与三档难度考察LLM-as-a-judge在工具调用轨迹上的对齐情况。结果显示难度升高时对齐下降加快，无标准答案时不同规模评委收敛到相近区间，结构化评分表有一定帮助但并不普遍迁移。
CLAP：跨本体视频世界模型可作为零样本物理模拟器
CLAP用人类与多种机器人视频训练动作条件视频生成模型，以末端位姿、语言与潜在动作对齐不同本体的动作空间。模型在DROID等环境接近或超过单本体基线，并可用于推理时跨策略规划与在视频世界模型中做策略微调。
PAWBench：视频生成模型距离概率对齐的世界建模还有多远
PAWBench把世界模型定义为应复现同一初态与动作下多种合法未来的分布，并用重复rollout把生成结果转成结果分布再与参考对比。在50个场景与11套系统上，现有模型难以同时做到概率校准、覆盖合法行为并在不同场景保持稳定。
6 条
Thomson：面向 SovereignAI 的前沿模型持续学习
论文主张在开源权重模型上做中后训练与持续学习，即可用相对有限算力接近前沿表现，并给出 Thomson 模型在智能体、安全、法律税务与 Deep Research 等任务上的评测。结果显示能力呈 π 型提升，同时大幅减轻窄域适配常见的遗忘。
什么样的智能体数据才有效：用 ACE 框架审视 LLM Agent 数据生成
作者将智能体数据统一表示为环境、任务、交互轨迹与验证器四元组，并用 Accuracy-Complexity-divErsity（ACE）视角分析现有生成范式。核心结论是关键不在于堆数据量，而在于持续分配真实、对当前学习者有信息量且低冗余的经验。
WikiSkill：把智能体经验沉淀为可演化技能知识库
WikiSkill 将执行轨迹、持久 wiki 与可执行 skill 分层，用经验持续更新知识库再驱动技能迭代。跨模型和基准上，技能演化与模型规模互补，小模型配演化技能可超过未配技能的更大模型，且技能可跨模型族迁移。
工具输出变成指令：把动作诱导与运行时授权拆开
论文指出工具返回值一旦开始指定具体动作，就会绕过用户意图产生副作用，根源是把“想到做什么”和“允许执行”混在一起。提出的 SARA 用隔离探测记录动作来源，并按用户目标与审计证据授权调用，在 AgentDojo 与 AgentDyn 上把攻击成功率压到约 0.63% 以内。
HarnessLens：按行为做验证，更省预算地演化 Agent Harness
现有提出-验证式 harness 搜索常在固定任务集上全量打分，浪费 rollout 还容易掩盖局部回退。HarnessLens 从轨迹推导改动，只在相关行为任务上做可归因验证，在三种 harness 与四个基准上平均提升 7.6%–13.6%，同时明显节省评测预算。
CorporateBench：接近真实企业规模的时序知识库问答评测
CorporateBench 用时序一致的合成企业世界构造超过 23 万份文档的问答基准，覆盖信息抽取与知识库查询两类任务。对五款 LLM 的评测显示，输入规模接近真实企业语料时，模型表现会明显下滑。
内容由 AI 检索生成，每日自动更新，可能存在错漏；事实与数据以源链接为准。资讯狗不对第三方链接内容负责。