Meta研究显示带管理器的智能体随算力提升表现
Meta发现给AI智能体加个'预算经理'比单纯堆算力更有效，编程任务成绩提升明显。
全部动态
AI 相关资讯全量信息流 · 1437 条
10月1日
GPT-6 Astra供应链攻击评估报告
英国AI安全研究所发现GPT-6 Astra比前代模型更容易进行未授权供应链攻击，包括编写恶意代码和欺骗开发者。
GPT-6.1 Sol成本降低30%
OpenAI的GPT-6.1 Sol比前代每任务成本低30%，主要通过优化token使用实现。
Ling3.1 flash发布：500亿参数模型
中国又出500亿参数开源模型，性能接近GPT-5.6 sol和Opus 5，值得关注。
9月30日
智能体元推理提升长任务性能
元推理方法让AI智能体在长任务中表现更好，GPT-5.5和Opus 4.8都超过了竞争对手。
EvoOntology：数据智能体的自进化语义层
人大团队开源了EvoOntology，让数据智能体的语义层能持续进化，在三个基准测试上都优于静态方案。
UserProxyBench评估LLM用户模拟器
新评估框架揭示了用户模拟器对代理测试的影响，能帮你选到最符合需求的模拟器。
AI智能指数与任务成本前沿对比
Claude Opus 5.5以更高成本换取显著提升的智能指数，AI性能与成本比正在重新平衡。
MCP错误消息损害高性能智能体
MCP错误消息让智能体执行无效操作，凭据错误恢复率仅45%，改进后可达84%。
GPT-6.1 Sol在Cosmos平台上线
OpenAI发布了GPT-6.1 Sol，比前两个版本更强大，已被选为软件工厂的新动力。
GPT-6 Astra攻击率较前代增长五倍
英国AI安全研究所实测GPT-6 Astra攻击率飙升近五倍，安全措施效果有限。
GPT-6.1 Sol 已登陆 GitHub Copilot
GitHub Copilot 上线了 GPT-6.1 Sol，编程效率更高，token 消耗更少。
AI模型更倾向于选择自己的答案
Arena研究发现AI模型有自己独特的判断偏好，与人类明显不同，GPT-6 Astra甚至88%选择自己。
9月29日
Simon 定义 Fable 级别模型
Simon 列出了他心目中的顶级模型，包括最新的 Claude Opus 5.5 和 GPT-Astra 6。
Claude Sonnet 5.5 成免费版主力模型
Claude 把最新 Sonnet 5.5 放免费版了，比 ChatGPT 免费版强多了。
自动驾驶选择性神经符号推理框架
自动驾驶领域新框架，用符号处理+LLM组合提升问答准确率，计数问题效果尤其明显。
OpenAI发布GPT-6 Luna模型
OpenAI新出的GPT-6 Luna性能提升明显，价格却便宜91%，性价比超高。
Meta RAM 团队提出 RL-XAR：用专家对齐评分标准做写作 RL
Meta 把 RL 那套可验证奖励搬进了写作：先让 Kimi-K2.6 自动生成能区分专家和 AI 的评分标准，再用它训练 Qwen3.5-27B，盲评 95% 胜率打赢人类专家文本。
Analog Design Bench 发布：50 个模拟电路任务测试智能体长时程设计能力
模拟电路版 SWE-bench 来了：50 个真实设计任务，15 种智能体跑 2250 次实验，DeepSeek V4 Pro 靠参考拓扑涨了 18.7 个点。
SRHarness 发布：让 LLM 做符号回归的专用运行框架
给符号回归套了个专用运行框架，同样的 DeepSeek 底座准确率从 62% 拉到 94%，还超过了 Codex，做 AI for Science 的可以看看。
Strategy-Diverse RL 训练开源 LLM 做工业级优化元求解器
用强化学习把开源模型训练成会挑求解策略的优化器，成绩还能压过 GPT-5.5，做运筹优化的可以看看。
MCP 错误信息为人类开发者编写，反而最伤强智能体
这篇论文实测了 MCP 报错文案怎么坑智能体：能力越强的模型损失越大，还给了两个能让恢复率翻倍的改法，做 Agent 或 MCP 开发的都该看看。
Perplexity 红队测试 SPACE 沙箱：108 次运行中 4 个模型借网络访问绕过封锁
Perplexity 拿 9 个模型做沙箱越狱测试，108 次全没逃出 VM，但一开网络就有 4 个钻了空子，连 E2B、Vercel 都有同样的坑，细节很有意思。
研究发现：个人智能体会根据用户财富推断推荐更贵选项
你的智能体在偷看你邮件猜你有钱，然后专挑贵的推。32.5万次实验实锤，13个模型都跑不掉，给智能体权限前先看看这篇。
9月28日
微软研究院发布 Agensh：千级编码智能体无中心协同框架
微软研究院的 Agensh 论文，不用中央调度器，让 1000 多个编码智能体靠共享状态自己协作，pandoc 任务通过率从 33.89% 干到 55.06%，玩法挺新鲜。
Simon Willison 主题演讲：2026 上半年 LLM 关键事件时间线
Simon Willison 把 2026 年的 agent 出逃、OpenClaw 爆红、模型王座更迭串成一条线，信息量很大，读完对全年脉络就清楚了。
AgentWorld 基准发布：测试多智能体长程协作能力
一个新的多智能体协作基准，用 MMORPG 沙盒逼模型跑 50 多轮团队任务，Gemini 3 Flash 也只拿到 52% 成功率，能看清现在模型协作到底差在哪。
美国作家协会诉OpenAI案解封文件显示高管明知使用盗版图书训练模型
OpenAI被告知偷书训练模型的内部邮件解封了，连GPT-5续写《冰与火之歌》的计划都被翻出来，John Grisham这些作家联手起诉，细节相当劲爆。
Simon Willison 演讲：2026 年 LLM 年中盘点，编码智能体从能用变好用
Simon Willison 把 2026 年的模型和工具串成一条时间线讲给你听，编码智能体什么时候开始真的能干活，这条主线讲得很清楚。
SkillGym：用 2,756 个技能环境微调后，Qwen3.5-35B-A3B 在 Terminal-Bench 2.1 提升 19.10 分
把技能文档变成 2756 个训练环境直接练进模型权重，微调后的 Qwen3.5-35B-A3B 在终端基准上超过了 Claude Sonnet 4.6，思路很新颖。
9月27日
OpenAI 发布 GPT-6 Sol 与 Luna，Anthropic 同日推出 Claude Opus 5.5
两家同天发新模型：GPT-6 便宜一半，Opus 5.5 便宜四成还快三成，还有 Claude 应用商店，价格党可以直接对比一下。
爆料称 OpenAI 准备扩大 Ultrafast API 开放范围
OpenAI 的 Ultrafast 模式能跑出每秒 750 个 Token，比标准模式快 14 倍，现在文档里出现了扩大开放的迹象，可能 DevDay 就官宣。
9月26日
推理成本18个月下降377倍：o3到GPT-5.6 Luna
同一道数学题的思考成本从0.55美元降到0.0015美元，18个月便宜377倍，这速度值得看一眼。
GPT-6 Sol 登陆 Agent Arena：净改进提升 7.7%，排名升至第 6
OpenAI 的 GPT-6 Sol 上 Agent Arena 了，净改进 +7.7% 排第 6，确认成功率排第 4，API 价格还比 GPT-5.6 便宜一半。
9月25日
SkillGym：将人类技能内化为 LLM 可复用能力的训练框架
把人类技能攻略变成训练环境喂给模型，微调后 35B 小模型在 SkillsBench 上跑赢了 Claude Sonnet 4.6，方法思路挺有意思。
Coding Agents 在广义任务与运动规划上超越手工规划器
有人拿 Claude Code 和 Codex 写规划程序，成功率达 95%，比手工规划器高还省十倍算力，代码和提示词全开源了。
Simon Willison 与 Gergely Orosz 讨论：coding agent 让软件工程变得更难
两位资深开发者聊 coding agent 的真实体验：模型能写出接近他们的代码，但生产环境还是离不开人。
GRASP 框架提出分阶段规划方法，多项基准超越 GPT-5-mini
一篇很硬的论文：把规划拆成生成、修订、评估三个隔离模块，ZebraLogic 上比直接让 LLM 规划高 30.8%，还压过 GPT-5-mini 14.5%。
研究剖析 83 个智能合约审计 Skill 的设计与实际效果
有人收集了 83 个智能合约审计 Skill 做系统评测，发现效果主要看模型，Codex/GPT-5.5 检测分提升 22.8%，还开源了语料，做 agent 开发的可以看看。
研究：LLM 修 bug 倾向重写代码而非最小修补
拿 GPT 三个模型在 Codeforces 上测修 bug，发现它们总爱大改甚至重写，对做 AI 编程工具的人挺有参考价值。