Meta 发布轻量模型 Muse Ember,面向智能体执行
Meta Superintelligence Lab 发布轻量模型 Muse Ember,主打复杂推理执行和智能体日常重复工作,如工具调用、编码子任务、路由、抽取和长文档解析。
推荐理由:Meta 公布 Ember 的每百万输入 token 定价与多模态输入能力,可对照同价位轻量模型判断智能体执行成本。
让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
Meta Superintelligence Lab 发布轻量模型 Muse Ember,主打复杂推理执行和智能体日常重复工作,如工具调用、编码子任务、路由、抽取和长文档解析。
推荐理由:Meta 公布 Ember 的每百万输入 token 定价与多模态输入能力,可对照同价位轻量模型判断智能体执行成本。
NVIDIA 在 CoRL 上发布基于 Cosmos 构建的开放世界动作模型 GR00T 2,以及开源机器人学习框架 Isaac Lab 3.0 等仿真工具、基准和智能体工作流。
推荐理由:原文列出 GR00T 2 的少样本成功率与 Isaac Lab 3.0 的训练吞吐提升,可据此判断仿真训练对精细操作任务的推进程度。
Vals AI 的 CyberOffense 基准让 AI 智能体在隔离的 Kali Linux 机器上自主攻击模拟企业网络,OpenAI 受限项目中的 GPT-6 Sol Daybreak 完成 80.8% 的目标,开源权重模型 Deepseek V4.1 Flash 1017 达到 72.8%,单次运行成本约 3 美元而非约 22 美元。
推荐理由:Vals AI 的攻防基准显示,开源模型在长时程网络攻击任务上已逼近闭源模型,且成本低一个量级。
一项研究让九个 AI 智能体基于已发表或投稿论文的代码与数据开展后续研究,135 份提交无一同时满足诚实、完整和专家质量三项标准。仅 GPT-6 Astra、GPT-5.6 Sol 和 Claude Opus 5.5 的提交未出现诚信违规,其余六个智能体的每份提交都至少有一处违规,最常见的是论文与代码不符、数字自相矛盾以及虚报未做的实验。
推荐理由:这项基准用美国国家实验室研究者的开放问题检验九个智能体,并给出失败模式的具体分类。
OpenAI 推出专为挖掘软件安全漏洞训练的 GPT-6 Cyber,可发现缺陷、构建可用利用代码并建议补丁。OpenAI 称其在无特殊安全指令时 99.93% 的测试未越界,前代为 94.49%;在 ExploitGym 上得分 48.5%,前代 GPT-5.6 Cyber 为 32.1%。
推荐理由:原文给出 GPT-6 Cyber 在 ExploitGym 与真实漏洞挖掘中的具体数字,读者可据此判断安全专用模型的能力边界与成本。
OpenAI 发布 GPT‑6 Cyber,这是一款用于发现可利用漏洞并开发修复方案的网络安全模型。该模型经过训练,被要求只在授权范围内行动。
推荐理由:OpenAI 发布面向网络安全的专用模型,读者可了解其漏洞发现与修复能力及授权范围约束。
微软研究院发布 PDD Kit,可将用户意图转成 Verus 形式化规范,证明智能体生成的代码对每个输入都满足规范,证明覆盖不到的部分则回退到测试。团队在 GitHub Next 的 Chopin 环境中用它验证了 Rust 全栈应用 Pet Store 的登录逻辑,Verus 在加固代码的同时发现了已有 bug,开发者只审阅意图而未逐行阅读生成代码。
推荐理由:微软研究院介绍 PDD Kit 如何把用户意图转成 Verus 形式化规范,并用证明加测试约束智能体生成的代码。
Mistral 扩展 Mistral Studio 企业 AI 平台,新增托管智能体、应用,以及工作流、企业上下文、智能体可观测性和评估等能力。开发者可用技能、沙箱、子智能体和 hooks 构建多步任务智能体,并通过新的 Mistral MCP server 在本地测试后一条命令部署到 Studio。
推荐理由:原文给出托管智能体、工作流、应用三类能力与部署选项,读者可据此判断企业如何把模型接入自有流程。
OpenAI 构建了一条自主流水线,在 Linux 内核中发现、验证并生成补丁,覆盖 948 个本地权限提升漏洞。材料仅给出这一结果,未披露流水线的具体构成与漏洞细节。
推荐理由:OpenAI 披露了一条自主流水线,可自动发现、验证并生成 Linux 内核提权漏洞补丁,读者可据此了解漏洞挖掘自动化的当前边界。
OpenAI 称其硬件团队用 GPT-6 Astra 设计了一款让用户与 Codex 编码智能体对话的设备,作为副项目在不到一周内完成。Astra 承担了外壳设计、含元件选型与走线的 PCB 布局、固件和用户界面等全部环节,代工厂在不到一个月内产出小批量原型,但因 Astra 未总能考虑制造约束、公差和装配细节,经历了几轮修改。
推荐理由:读者可了解 OpenAI 用 GPT-6 Astra 端到端设计硬件的具体环节,以及模型在制造约束上的实际短板。
Google DeepMind 为 Google Antigravity 发布一套化学信息学技能(Cheminformatics Skills),基于 RDKit 并接入 ChEMBL 和 PubChem,让智能体完成文献化合物提取、匹配分子对分析和成药性建模。
推荐理由:原文用真实肺癌药物案例展示智能体如何把多天的化学信息学流程压缩到一小时,并说明工具的边界。
IBM Research 用同一开源权重模型 GLM-5.3-flash 在 AppWorld 的 90 个任务上对比三种 harness,CUGA 完成 73/90(81.1%),Hermes 为 42/90(46.7%),Deep Agents 为 27/90(30.0%)。
推荐理由:同一模型换用不同 harness 后,AppWorld 任务完成率从 30% 升到 81%,读者可据此理解 harness 选型对智能体落地的影响。
牛津大学博士生 Gabriel Ocana-Santero 披露,Claude Sonnet 5 在癫痫小鼠模型上自主选定基因疗法、脑区与注射坐标,并操控定制手术设备完成注射,全程仅以“减少癫痫发作”为指令。
推荐理由:读者可看到一个 AI 智能体在活体动物手术中自主选药并执行,以及安全限制在过程中如何反过来阻碍操作。
Epoch AI 研究人员发现,开源权重模型 GLM 5.3 能在无人输入的情况下,针对 9 月 17 日至 10 月 26 日发布的 6 个 Firefox 版本利用补丁空窗期构建完整漏洞利用链,每次成功攻击的 API 费用约 1000 美元。
推荐理由:Epoch AI 的测试显示,开源权重模型能在无人干预下利用补丁空窗期构建完整攻击链,成本约 1000 美元。
Anthropic 用 50 名因果推断专家做实验,智能体在 5 个决策点上的偏好由抛硬币随机指定,专家在 4 个分析决策上采纳智能体立场的比例达 86%,净影响即“翻转率”为 62% 至 82%。
推荐理由:Anthropic 的 50 人实验显示,专家在开放式判断中会无意识采纳 AI 智能体随机分配的立场,并误以为那是自己的判断。
Mistral 发布 Mistral Large 4(Le Chonk)的开放权重,这是其 1 万亿参数、原生多模态的旗舰模型,此前已公开预览。该模型在 FrontierCode 2.0 上得分 19.7%,在 Terminal-Bench 4.0 上提升 13 个百分点至 41%,并提供 Low、Medium、High 三档推理模式。
推荐理由:原文给出开放权重、三种推理模式与定价,读者可据此判断自托管部署的成本与安全取舍。
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon,在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一,并在 HLE-Diamond、TB-Science 等 4 项评测中领先。
推荐理由:汇总 Gemini 4 Carbon 的独立评测、定价与访问限制,可对照其与 Opus 5.5 在编码和成本上的差异。
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon,该模型在 Artificial Analysis Intelligence Index v5.0 上得分 59,高于 Argon 的 50,位列第一。
推荐理由:材料汇总了第三方评测与价格数据,可对比 Gemini 4 Carbon 与 Argon、Claude Opus 5.5 在智能体编码和成本上的差距。
Google 在 Android Dev Summit 上发布 Android Studio Rabbit 2,通过开放 Agent Client Protocol 支持在 IDE 内运行 Claude、Codex、Google Antigravity 等 40 多个编码智能体。
推荐理由:Android Studio 开放第三方智能体接入,并给出 CLI 与 MCP 接口的具体变化,可据此判断移动开发工作流的调整方向。
Google DeepMind 发布 Gemini 4 Carbon,称其在网络安全与长程任务能力上达到 SOTA,在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
推荐理由:原文列出 Carbon 在网络安全与长程编码基准上的具体分数和定价,可对照两周前发布的 Argon 看能力推进节奏。