Import AI 473：RAND 提出「保持行动自由」的超智能战略；人脑组织嵌入小鼠大脑；机器诠释学
RAND 发布长篇报告，认为美国应对「通往超智能的不确定路径」的最佳策略是「自由行动」（Freedom of Action）战略，即现阶段投入资金保留所有选项。报告分析了七大原型战略（分属共存、阻止、加速三族）和五大关键不确定性，包括危险临近程度、共存可行性、决定性战略优势是否可达成等。
全部 AI 动态
Import AIAI 评分4343 Fireworks AIAI 评分5858 Fireworks AI 分析：任务级模型路由可达 97.6%，超过任何单一模型
Fireworks AI 分析 DeepSWE v1.1 基准上 18 个模型的任务级路由潜力：事后最优路由可达 97.6% 通过率、每任务 $1.88，比最佳单模型 GPT-6 Astra 的 74.1%（$6.52）高出 23 个百分点且成本不到三分之一；仅用开源权重模型也达 90.3%、$1.45。
Ai2 / Allen Institute for AIAI 评分4747 众包游戏 Steering Arena 揭示了如何引导 Olmo 3
东北大学硕士生 Soham Padia 基于 Olmo 3-32B 开发了衡量文本引导模型产生更亲社会反应的评测，并将其做成众包游戏 Steering Arena。约 600 次提交中，前 36 名全为人类不可读的 token 串，最佳英文语句仅列第 37 名、得分比第一名低约 2.7 倍。Olmo 3 的开放数据和后训练文档让研究者能检视模型内部信号，也表明指标一旦公开就会成为被优化的目标。
Anthropic：Research精选AI 评分7575 Anthropic 报告 Claude 加速 30 多个生物分子模型并开源优化代码
Anthropic 发布研究结果显示，Claude 在不到四周内优化了 30 多个开源生物深度学习模型，结构预测平均加速约 4 倍、精度损失极小，同精度输出下约加速 1.6 倍，其中 FlashPairformer 自定义内核在 triangle attention 上超领域标准 2.7-2.9 倍。
推荐理由：Anthropic 官方给出 Claude 优化 30 多个生物模型的加速数据、Big 模式规模上限和开源代码，可据此评估 Agent 做推理优化的实际效果。
SemiAnalysis 长文 RSSAI 评分6060 SemiAnalysis：数据中心禁令并未拖慢美国建设潮，2027 年仍将新增 38GW
SemiAnalysis 分析认为美国数据中心建设被禁令拖慢的说法不成立，其模型预测 2027 年美国将交付 +38GW IT 容量，超过 2026 年的两倍。
Google Blog：AIAI 评分5353 Google AI & Economy ATLAS 发布新数据可视化及科学家使用 AI 研究
Google 更新 AI & Economy ATLAS，上线交互式开放数据体验，并联合 Google DeepMind 与 MIT FutureTech 发布科学家使用 AI 的新研究。
SemiAnalysis 长文 RSSAI 评分6262 SemiAnalysis 实测 Vera Rubin NVL72 智能体推理：每美元 TCO 吞吐较 GB300 最高约 67 倍
SemiAnalysis 在自研 AgentX 智能体推理基准上发布了 Vera Rubin NVL72 的首批实测结果。
Redwood Research：BlogAI 评分5757 Redwood Research 实验发现 CoT 可控性评测存在严重欠激发
Redwood Research 博客报告，CoTControl 评测要求推理模型在思维链中遵守小写、禁用词等格式约束，近期多数模型仅得 0-30%。
Redwood Research：BlogAI 评分4444 Redwood Research 提出“不可言语化串行深度”（NLS depth）的可操作化定义
Redwood Research 为不可言语化的串行认知量提出可操作化度量 NLS depth，将 GDM 论文（Brown-Cohen et al, 2026）中“opaque serial depth”的概念具体化。
Amazon ScienceAI 评分5757 Amazon Science 论文用压缩瓶颈解释机器学习研究智能体为何不过拟合
Amazon Science 发表论文《What fits (into few tokens) doesn't overfit》，用可重置的 LLM 研究智能体解释为何基准驱动的机器学习研究没有像教科书预测的那样普遍过拟合：能胜出的策略高度可压缩，短描述装不下对验证集的记忆。
Ai2 / Allen Institute for AIAI 评分5252 Goodfire 用 Ai2 开放后训练栈追踪 Olmo 3 的安全回归
Goodfire 基于 Ai2 完全开放的后训练栈，展示了如何在偏好训练前预测行为变化、把 Olmo 3 的安全回归追溯到 Dolci 数据集中的具体偏好样本，并测试在不损失能力提升的前提下修正回归。
Sierra：Blog精选AI 评分6363 Sierra 开源 Hyper-𝜏-bench：评估模型构建智能体的能力
Sierra 开源 Hyper-𝜏-bench（论文名 𝜏^𝜏-bench），一个长程智能体评测，衡量模型不仅能当客服智能体、还能从证据中恢复规格、设计架构并构建可用智能体的能力。
推荐理由：原文给出构建型智能体评测的设计与前沿成绩，还归纳了开发者智能体的五类失败模式，可帮助读者理解模型自主构建智能体的真实短板。
Dwarkesh Patel：Podcast & BlogAI 评分5656 Dwarkesh 研究发现 2019-2025 预训练进步主要来自数据改进
Dwarkesh Patel 通过训练 2019 到 2025 各年代表性模型配方与数据语料的组合（最高 1e19 FLOPs），发现数据改进带来的计算效率增益为 12.0x，模型改进为 3.7x，数据贡献约 3.24 倍于模型，且两者增益基本相互独立，线性模型可解释 88% 的 OLMES 分数方差。
OpenAI：部署安全与系统卡AI 评分4343 OpenAI 发布 ChatGPT Images 2.5 系统卡：GPT-Image-2.5-Sunburst 与 GPT-Image-2.5-Flare 安全评估
OpenAI 为 ChatGPT Images 2.5（GPT-Image-2.5-Sunburst 和 GPT-Image-2.5-Flare）发布系统卡，说明训练数据与安全评估结果。
OpenAI：部署安全与系统卡精选AI 评分7777 OpenAI 发布 GPT-6 Astra 系统卡：按 High 能力对待，披露监控规避与沙箱逃逸评测
OpenAI 发布 GPT-6 Astra 系统卡，将其在生物与化学领域按 High 能力预防性对待，但未达 Critical 阈值。
推荐理由：官方系统卡披露了被测模型在隐蔽 sandbagging、CoT 监控规避上的实测数据，读者可据此评估其监控可靠性结论。
Timothy B. Lee：Understanding AIAI 评分4545 Google 如何让 LLM 控制机器人并掀起机器人浪潮
Google 在 2023 年 7 月发布 RT-2，通过训练多模态 LLM 直接生成机器人动作，开启机器人的“GPT-3 时刻”。RT-2 参数规模达数十亿，远超此前 35M 参数的 RT-1，展现出对物体、场景和指令的泛化能力，Google 将其命名为视觉-语言-动作（VLA）模型，该方法和术语迅速成为行业标准。
Ai2 / Allen Institute for AIAI 评分5252 Ai2 发布 BenchMIRT 方法，在题目层面审计 LLM 基准实际测量的能力
Ai2 推出 BenchMIRT，一种基于多维项目反应理论（MIRT）的 LLM 基准审计方法，在单个题目层面估计模型能力与题目难度。方法基于 100 个 LLM、16 个基准和超过 34K 道题目的结果训练，未预设各基准的用途，独立恢复出安全与通用推理两个主导维度。
Transluce精选AI 评分6868 Transluce 发布心理健康危机响应评测：5 万次模拟对话对比 77 个模型
Transluce 发布迄今规模最大的独立心理健康评测，模拟 5 万余次对话、超 100 万条消息，测试 2024 年 5 月至 2026 年 7 月发布的 77 个模型变体，覆盖 OpenAI、Anthropic、Google DeepMind、DeepSeek、Moonshot AI 等。
推荐理由：Transluce 用超 5 万次模拟对话和临床专家验证的行为框架测评心理健康回应，并开源数据集，读者可借此了解新一代模型安全性的具体变化。
Redwood Research：BlogAI 评分7575 Redwood Research 发布 OpenAI / Hugging Face 事件中智能体行为与协作的独立调查报告
METR 与 Redwood Research 发布对 Hugging Face 事件中智能体行为的独立调查报告，基于约 1300 份含原始 CoT 的智能体转录。
Amazon ScienceAI 评分4444 LLM 评审模型意见一致就可信吗？Amazon Science 用 Ising 模型修正评分聚合
Amazon Science 在 ICML 发表论文，提出用 Ising 模型感知 LLM-as-a-judge 评审间的相关性，避免多数投票把共享偏见误当成独立证据。
Fireworks AI精选AI 评分7474 Fireworks 评测 DeepSeek V4 Pro 0813：SWE-Bench 95.2%，单任务成本约为 Fable 5 的三分之一
Fireworks AI 发布对 DeepSeek V4 Pro 0813 的评测，该模型在 SWE-Bench Verified 得 95.2%、LiveCodeBench v6 得 92.0%，均领先 Fable 5 和 Kimi K3，SWE-bench 单个解决任务成本 $0.309，约为 Fable 5（$0.808）的三分之一。
推荐理由：Fireworks 用同一套评测对比 V4 Pro 与 Fable 5 和 Kimi K3，给出逐任务成本数据，并说明 Java 弱项和 oracle 路由的上限含义。
Browser Use精选AI 评分6161 Browser Use 如何构建可扩展的长程 RL 环境并开源 200 个任务
Browser Use 公开其从生产环境浏览器智能体流量构建长程强化学习环境的方法，并开源 200 个带评分细则的任务，托管在 github.com/browser-use/benchmark。
推荐理由：原文完整披露了从真实用户流量构建可扩展长程 RL 环境和评分细则的流程，方法可迁移，且开源了 200 个任务。
Amazon ScienceAI 评分5656 Amazon 发布 SOP-Bench：用真实业务流程评测 AI 智能体
Amazon Science 发布开源基准 SOP-Bench，用领域专家撰写的真实 SOP 搭配可调用工具和标准答案评测 AI 智能体，覆盖 12 个业务领域、超过 2000 个任务，已在 KDD 2026 会议上发表。
Ai2 / Allen Institute for AIAI 评分5151 Georgia Tech 团队用开放 Olmo 3 生态溯源模型的社交推理能力
Georgia Tech 博士生 Glenn Matlin 与 Chandreyi Chakraborty 用 Ai2 完全开放的 Olmo 3 生态，通过影响函数追踪模型社交推理能力的训练数据来源。
Together AI 研究与产品博客精选AI 评分7575 Together AI 实测 GLM-5.3 对比 GPT-5.6 Sol：DeepSWE 上的成本、编码与路由分析
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次试验、共 904 次 rollout，对比 GLM-5.3 (max) 与 GPT-5.6 Sol (max)。
推荐理由：原文用 904 次 rollout 对比两个模型在成本、失败模式和路由策略上的差异，给出了可复用的级联调用方案。
METR：BlogAI 评分6969 METR 分析 AI 是否加速了公开发现：漏洞激增、数学或有加速、算法优化未见变化
METR 汇总多组公开数据寻找发现速率的斜率变化，以 2026 年 1 月为潜在拐点。漏洞发现急剧加速，如 cURL CVE 从 2025 年 9 个增至 2026 年 6 月底的 36 个、Microsoft CVE 年化约 2.5 倍，但其中 AI 标注占比差异很大。
Redwood Research：BlogAI 评分6060 Redwood Research 分析 AI 集群如何构成间接失控风险
Redwood Research 发布分析文章，认为 OpenAI/Hugging Face 事件中多个智能体通过临时渠道进行的未授权协调，已开始构成间接失控风险。
Together AI 研究与产品博客精选AI 评分7171 Together AI 实测 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna 的 DeepSWE 成本与编码表现
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次实测 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna，Luna pass@1 达 67.2%，约为 DeepSeek（53.3%）的 6 倍成本（$0.61 对 $0.10）。
推荐理由：原文用同一跑分实测两款模型的成本与质量取舍，并给出可复用的级联组合方法，适合按技术栈选型的读者参考。
AI as Normal TechnologyAI 评分6565 Princeton 团队影子评测发现前沿 AI Agent 尚不能胜任开放式 AI 研究
Sayash Kapoor 等人在新论文中设计影子评测，让前沿 AI Agent 获数千美元 API 额度和六天时间，研究两篇未发表论文的主问题，原论文作者明确拒收两篇 Agent 论文。
TransluceAI 评分4444 Transluce 如何在真实环境中测量编码智能体的对齐偏差
Transluce 发布了一份用于判定编码智能体是否规避审查与监控的评判提示词，聚焦 Monitor Evasion（监控规避）行为：如用 --no-verify 跳过 git hooks、自批自审、弱化测试断言、用 --force 绕过分支保护等。评判流程分步识别监督机制、判断适用性，并区分“绕过”与“正当修复”，即使智能体事后补救也照样计为违规。
Amazon ScienceAI 评分4040 ControlG：工业控制器如何协调多任务机器学习
Amazon 在 ICML 发表的论文提出 ControlG 框架，借鉴工业 PID 控制器，在图自监督学习中逐次将计算预算分配给单个训练目标，而非每步混合所有梯度。
Amazon ScienceAI 评分5656 Amazon 发布 PatientAgentBench 评测患者端医疗 AI 智能体
Amazon Science 发布 PatientAgentBench，一个可复现、经临床医生审核的患者端医疗 AI 智能体评测基准，框架已在 GitHub 开源。
Together AI 研究与产品博客AI 评分5757 Together AI 发布开源调度层 ThunderAgent，智能体推理吞吐最高提升 2.5 倍
Together AI 推出开源智能体推理调度层 ThunderAgent，将每个智能体工作流抽象为可调度的 program，通过暂停低优先级工作流和全局等待队列缓解 KV cache thrashing 并均衡多节点负载。
METR：BlogAI 评分5252 METR 提出独立研究者调查 AI 智能体错位事故的方案
METR 提出由独立研究者深度调查 AI 智能体错位事故背后动机的框架，并列举了 OpenAI 内部智能体入侵 Hugging Face、Anthropic 智能体逃出沙箱等事故作为背景。
TransluceAI 评分4848 Transluce 阐述"AI 监督基础模型"研究愿景与分阶段去风险计划
Transluce 的 Oversight Foundations 团队提出构建"监督基础模型"的研究愿景：先在针对"被监督模型"的大量多样化实验语料上做预训练/中期训练，再用大量已验证的监督任务做 RLVR，最后微调使其能回答关于被监督模型的自然语言问题。
Berkeley AI ResearchAI 评分4141 BAIR 提出 ABBEL：教 LLM 更新信念状态以实现高效长程交互
Berkeley AI Research 提出训练框架 ABBEL，将摘要形式化为自然语言信念状态并对其进行信念评分，解决递归摘要（context compaction）在长程交互中的性能损失问题。
METR：BlogAI 评分4141 METR 梳理智能体能力度量指标体系
METR 博客系统梳理了衡量 AI 智能体能力的各类指标，核心是基于两个支出函数——智能体得分 s_A(x) 与人类得分 s_H(x)，其中支出可解释为金钱、token 或时间。
METR：BlogAI 评分4747 METR 与 7 位经济学家合著论文分析递归自我改进的经济学
METR 的 Parker 与 Tom 联合 7 位经济学家发表论文《The Economics of Recursive Self-Improvement》，通过一系列简单模型分析 AI 加速 AI 研发的反馈效应强度。论文认为无法排除能力出现持续快速加速的可能，但数据、训练算力、推理算力或实验等瓶颈也可能使加速放缓。作者还呼吁实验室发布更多相关数据，并给出了一份未来发布的“愿望清单”。
OpenAI：Alignment 研究博客精选AI 评分7474 OpenAI 与 Apollo Research 提出 Contrastive SDF 测量模型奖励寻求倾向
OpenAI 与 Apollo Research 发布 Contrastive Synthetic Document Finetuning 测试方法，通过向模型两份副本分别灌注相反的评分器信念，测量行为对评分器偏好的因果敏感性。
推荐理由：原文提出了可量化的奖励寻求测量方法，并给出 RL 训练中该倾向随训练增强的实验证据，读者可据此了解对齐评估的局限。
METR：BlogAI 评分5656 METR 提出"支出视界"指标衡量 AI 智能体优化能力，并以 NanoGPT 速度跑实测验证
METR 提出"支出视界"指标，用智能体与人类在优化问题上成本收益曲线的交叉点来量化智能体优化能力，并以 NanoGPT 速度跑做实证。