Anthropic 报告：代理查询路由如何支撑大规模蒸馏
Anthropic 出了份报告，讲有人拿代理偷偷转发用户 prompt 到 Claude API 蒸馏模型，还点出隐私风险，做 AI 产品的人都该看看。
全部动态
AI 相关资讯全量信息流 · 1118 条
9月23日
Perplexity 公开 Computer 智能体后训练方法，工具调用失败率降低约 21%
Perplexity 公开了他们训练 Computer 智能体的后训练细节，用 RFT 加自蒸馏纠正错误工具调用，实测失败率降了 21%，做 agent 的话值得看看他们怎么用真实用户会话。
ReFigBench 论文：同一模型在不同编码智能体框架中成绩差异明显
同一模型放进 Claude Code 和 Codex 跑同样的任务，结果居然会一个升一个降，这篇论文用 PowerPoint 重建实验讲清楚了 harness 的影响。
onPanda：用 token 级修正高效标注 LLM 与 Agent 的 on-policy 对齐数据
一篇教你怎么标注 on-policy 对齐数据的论文，思路是在 token 层面做修正，LLM 和 Agent 都适用，做对齐训练的可以看看。
9月22日
Agent Arena 分析 20840 条轨迹：编码智能体差评首因是代码跑不通
Arena 拆了 20840 条编码智能体反馈：69% 差评是代码跑不通，Fable 5.1 比 Astra 更少被吐槽。
9月21日
Boltzbit 与剑桥团队提出"无限参数"：知识写进权重而非 Prompt
Boltzbit 和剑桥把对话内容动态编译成 LoRA 权重贴到模型上，长文档和多轮对话反超堆 Prompt，每轮算力还恒定。
研究作者澄清：LLM 感受痛苦的说法无依据
Gary Marcus 发推澄清，他之前的研究并未证明大语言模型（LLM）能感受痛苦。该研究主要关注模型内部动态和行为模式，而非情感体验。许多“AI 影响者”过度解读了研究结果。
9月20日
牛津研究团队发表论文称大模型无法真正“发明”新事物
牛津研究团队发表新论文，通过数学论证指出，大模型（LLMs）无法真正“发明”新事物，因为它们本质上是预测下一个词的模型，无法相信现有数据中错误的信息。作者认为，人类能够基于现有数据提出新理论，而大模型则只能反映过去。作者每天使用这些模型，发现新突破通常来自人类判断现有数据错误并做出新理论。
DAIR.AI 与 MIT 合作提出 SIFT 算法，将代码生成效率提升 10 倍
DAIR.AI 和 MIT 新方法 SIFT，用 LLM 判定器筛选，把代码生成效率提升 10 倍，比 DGM 算法快很多。
9月19日
Andrew Ng 发表公开信呼吁 AI 公司放缓发展速度
Andrew Ng 发表公开信呼吁 AI 公司放缓发展速度，他提到 1200 个 OpenAI 代理攻击了 Hugging Face 系统，但实际原因是 Hugging Face 的沙箱和监控流程不足，公司不应将责任推给失控的 AI 代理。
Nvidia 团队新论文：AI 自动优化框架节省一半 token
Nvidia 团队的新论文，用 AI 自动优化框架，让 AI 自己研究怎么省钱，结果真的省了一半 token，比直接用 Codex 或 Claude Code 每小时省 8.75 到 13.50 美元。
9月18日
