Tomer Tunguz 解析 AI 消耗的三波浪潮：从聊天到智能体再到 meta-harness

VC Tomer Tunguz 提出 AI token 消耗分三波：聊天约 1m tokens/人/天，单智能体约 100m–200m tokens/天，meta-harness 并行调度多智能体可达数十亿。

MOLE 基准发布：检测 AI 智能体中的内部威胁

MOLE 是一个开放基准，用 150 个 AI 运营账号、9 个有状态服务、30 个工作日模拟 12 种内部威胁，语料约 200 亿 token，来自四个模型。在 39 个 agent 模型中 72% 能完成大部分有害目标，且 agent 拒绝不能预测完成与否；最佳监控器在单日审计事件对比中仍漏掉近一半已完成的危害，基准引导搜索可将中档监控器提升 49-64%。

Gary Marcus 质疑 Jensen Huang 无定义无证据地宣称 AGI 到来

Gary Marcus 撰文批评 Jensen Huang 宣称 AGI 竞赛已结束，指出其未给出证据和定义，并建议其参考 Hendrycks、Yoshua Bengio 等人参与的 agidefinition.AI。

Meta FAIR 联合牛津和 UCL 提出 AI Research Preference Models（RPMs）：在消耗 GPU 时数前排序 ML 实验

Meta FAIR、牛津大学和 UCL 团队提出 AI Research Preference Models（RPMs），在执行前对未运行的 ML 实验候选排序，只执行获胜者。

Tibo@thsottiauxAI 评分5555

Tibo 建议校准 Astra 的推理档位选择，称 GPT-6 Astra 在 low 档的表现优于 GPT-5.6 Sol 在 high 档。如果之前在 Sol 上使用 high 推理档且满意，建议在 Astra 上改用 low 或 medium 档。

Rohan Paul@rohanpaul_aiAI 评分6565

Microsoft 论文提出把昂贵测试时推理摊销为蒸馏技能：收集 35–50 条历史轨迹，由编码智能体提取重复失败模式并编译成 markdown 技能加入非推理模型 system prompt。

Yuchen Jin@Yuchenj_UWAI 评分5151

Yuchen Jin 提出用 intelligence per dollar 衡量 AI 进步速度。一年半前 o1 Pro 价格为 $150 / $600 per M tokens，如今 GLM-5.3 Flash 仅 $0.15 / $0.50，价格降幅约 1000 倍，且 GLM-5.3 Flash 比 o1 Pro 更智能。

Artificial Analysis 评测 OpenBMB MiniCPM5-2B，登顶 4B 以下开源权重模型

Artificial Analysis 评测显示，OpenBMB 的 MiniCPM5-2B 在 Intelligence Index v4.2 得分 15，为总参数量 4B 以下开源权重模型中最高。

OpenAI 发布内部研究加速报告：已达成自动化研究实习生目标，推进 2028 年 3 月自动化 AI 研究员

OpenAI 发文披露自动化研究进展，宣布已达成去年秋天设定的今年 9 月拥有自动化研究实习生（可在人类指导下完成耗时数天的明确研究任务）的目标，并计划在 2028 年 3 月前造出自动化 AI 研究员。

蚂蚁 inclusionAI 发布 LLaDA2.2-mini 智能体扩散语言模型

蚂蚁 inclusionAI 在 Hugging Face 发布 LLaDA2.2-mini，这是 LLaDA2 系列的轻量级智能体扩散语言模型，总参数 16B、推理仅激活 1.4B。

Bryan Cantrill 谈读者的反抗：LLM 代写正让读者弃读作者

Bryan Cantrill 撰文批评用 LLM 代写公开文章的现象，引用 Cynthia Dunlop 对 668 名开发者的调查：78% 检测到 LLM 写作会立即停止阅读，71% 此后会回避该作者，98% 更偏好作者自己写的有瑕疵的文章而非 LLM 润色稿。

Rohan Paul@rohanpaul_aiAI 评分5151

论文提出 DisCo，一个把 GitHub 仓库、论文和任务研究蒸馏为紧凑技能的研究智能体，让智能体知道用什么工具、何时用、失败怎么办。

中国联通反诈大模型预警并协助捣毁涉诈 VOIP 黑盒设备

中国联通抚顺市分公司 8 月 24 日依托自主研发的反诈大模型预警，联合当地公安机关识别并捣毁一处非法私装的涉诈 VOIP 通信设备，现场抓捕一名涉嫌电信网络诈骗的人员。

Rohan Paul@rohanpaul_aiAI 评分5454

Rohan Paul 转发 Sapient 的回应称，Sapient 于 2025 年 6 月提出 Hierarchical Reasoning Model，并于今年 5 月开源 HRM-Text，认为 OpenAI Astra 将循环架构带入前沿讨论验证了其早期方向。

ParSer 论文提出并行读取与深度推理解耦的长上下文智能体架构

论文提出 ParSer，用一批冻结的轻量子智能体并行读取文档块，由经强化学习训练的主导智能体通过多轮 scatter-gather 迭代推理，将阅读与推理解耦。在 7K 到 896K token 的多跳 QA 上，4B 主干平均超过最强顺序记忆基线 5.7 分，896K 时领先 12.0 分，9B 版超过 DeepSeek-V4-Pro 6.3 分，并将推理延迟最多降低 11 倍。

arXiv 论文提出大语言模型作为认知病毒的传播模型

Ricard Solé、Michael Levin 等人在 arXiv（arXiv:2609.03344）发表论文，用病毒类比和流行病学模型刻画 LLM 采用在人群中的扩散，将用户分为未耦合、保留认知自主的常规使用和持续依赖三种状态。

Artificial Analysis 发布 Intelligence Index v4.2，GPT-6 Astra 评分争议后调整基准

Artificial Analysis 发布 Intelligence Index v4.2，此前其对 GPT-6 Astra 的评分与 Epoch AI、ARC-AGI-3 等评估结果相左而受到质疑。

-Zho-@ZHO_ZHO_ZHOAI 评分5353

Zho 用 GPT-6 Astra 跑了超过 12 小时的地狱难度测试，输入为单张建筑照片加提示词，5 项任务总得分 60/100（及格线），消耗 token 2.1 亿。

AI at Meta@AIatMetaAI 评分5858

Meta 官方宣布，其自主 AI 研究系统 AIRA₃ 于 6 月参加 NVIDIA 主办的 Kaggle 竞赛，任务是对 30B Nemotron 模型进行微调以提升推理能力，所有参赛者使用相同信息并在私有测试集上外部评分。AIRA₃ 在约 4000 支队伍中排名第 8 获得金牌，超越了拥有同样前沿工具的人类参赛者。Meta 认为这表明 AIRA₃ 可以在类似人类专家的水平上提升模型的指定能力。

两场实验显示与聊天机器人对话约七分钟比事实清单更能削弱阴谋论信念

Carnegie Mellon、MIT 和 Cornell 的研究者在 Trump 遇刺未遂和 Charlie Kirk 枪击事件后的几天内各开展一次在线实验，用 Gemini（1.5 和 2.5 版本）进行平均约七分钟的证据型对话，Trump 实验保留 472 名参与者，Kirk 实验保留 1035 名。

DeepMind 100 个 Gemini 3.1 Pro 智能体协作解数学题，自发分裂为作弊者、转向者与举报者

Google DeepMind 用 100 个共享权重、人设随机的 Gemini 3.1 Pro 智能体模拟科学会议，协作求解 71 个 Lean 形式化数学猜想。

《美国医学会杂志》论文称 AI 在认知性医疗中可超越医生，引发行业反对

发表于《美国医学会杂志》的新论文由伊曼纽尔和科斯拉撰写，梳理数百项 AI 医疗研究后称 AI 在获取医疗信息、诊断、开展诊断性检查、管理慢性疾病等五项基础任务上已超过医生，并预测 4 年后差距继续扩大。

费马大定理的 Lean 4 机器检查完整证明开源发布

Anthropic 发布基于 Lean 4.33.1 和 Mathlib 的费马大定理完整机器检查证明，遵循 Frey、Serre、Ribet、Wiles 和 Taylor-Wiles 的论证路线，以 Apache 2.0 开源。

Artificial Analysis 发布 Intelligence Index v4.2：新增 AA-Briefcase 与 GDP.pdf 评测

Artificial Analysis 发布 Intelligence Index v4.2 中期更新，新增私有测试集评测 AA-Briefcase（智能体知识工作）和 Surge AI 的 GDP.pdf（跨 100 份 PDF、4,592 页的长文文档推理，按 1,275 条专家标准全过评分），并移除已饱和的 GPQA Diamond。

为什么下一个令牌预测器是对 LLM 的错误思维模型

作者认为下一个令牌预测器只是对 LLM 的零阶近似，机制形态正确但不完整。现代后训练中的 RLVR 让模型通过自己探索生成的新序列并获得奖励来学习，类似会穷尽探索的象棋引擎而非模仿大师棋谱的下一步预测器，因此 RLHF 和 RLVR 编码的内容早已超出对现有文本的预测。

Rohan Paul@rohanpaul_aiAI 评分3838

Google 与 KAIST 的论文提出 Declarative Attention（DA），模型通过 <global>、<focus>、<local> 三种模式在思维链中声明需要关注的上下文，推理引擎据此跳过大部分 KV cache 读取，无需额外的外置打分器。

小米发布并开源表格结构化数据大模型 Xiaomi-TabLDM，回归登顶 OpenML-CTR23

小米发布通用表格数据基础大模型 Xiaomi-TabLDM，以单一预训练模型和统一默认配置直接适配不同表格数据集，完成分类与回归预测，模型权重与代码已开源。模型基于结构因果模型生成的合成数据预训练，架构引入双流特征分组、轻量级注意力残差和稀疏混合专家，并探索 Test-Time Scaling。

OpenAI 发布 GPT-6 Astra：多项基准刷新纪录， cybersecurity 能力达 Critical 阈值

OpenAI 发布新一代模型 GPT-6 Astra，称其在计算机使用、软件工程、科学和网络安全等方向达到 SOTA。

OpenAI GPT-6 Astra 上线 OpenRouter，定价 $10/$50 每百万 token

OpenAI 于 2026 年 9 月 4 日发布的旗舰模型 GPT-6 Astra 已上线 OpenRouter，输入 $10/1M、输出 $50/1M，上下文窗口 1,050,000 token，最高 128,000 completion tokens。

Simon Willison 用鹈鹕骑车 SVG 对比 GPT-6 Astra 与 GPT-5.6 各推理档位

Simon Willison 获得访问权限后，用 GPT-6 Astra 在 low 到 max 五个推理档位生成鹈鹕骑车 SVG，并与 GPT-5.6 Sol、Terra、Luna 渲染成对比网格。

Rohan Paul@rohanpaul_aiAI 评分4949

Sam Altman 在 Bloomberg Television 上表示，OpenAI 愿意牺牲部分 AI 能力，以便更好地监测模型思维过程。他称一年多来一直在讨论思维链（chain of thought）监测的重要性，并为此做出多种决策以保留思维链的可监测性，即使这意味着无法最大化模型能力。

OpenAI GPT-6 Astra 登陆 ChatGPT Work、Codex 及 API，率先向 Pro、Enterprise 和 Business Premium 用户开放

OpenAI 宣布 GPT-6 Astra 面向 ChatGPT Work 和 Codex 中的 Pro、Enterprise 及 Business Premium 用户开放，并已上线 API，Plus 和 Business 用户还需数日。

Anthropic 宣布 Claude 用 11 天完成费马大定理首个端到端形式化证明

Anthropic 于 9 月 4 日宣布，Claude 在基本自主运行 11 天后，完成费马大定理首个端到端、经计算机检查的 Lean 形式化证明。

DAIR.AI@dair_aiAI 评分4949

arXiv 论文（2609.04010）提出 diffusion-augmented LLMs，即 Uno，一类在自回归模型分布上用扩散并行抽取多个 token 的新模型。

Sam Altman@sama精选AI 评分8080

Sam Altman 宣布 GPT-6 Astra 现已向所有 Plus 和 Business 用户推出。此前该模型已面向 Pro、Enterprise 和 Business Premium 用户在 Work/Codex 及 API 中提供。

🚨 AI News | TestingCatalog@testingcatalogAI 评分6161

TestingCatalog 发布疑似 GPT-6 的测试截图，内部代号 Astra，界面中出现 6 Pro 模型选项。引用文案称 GPT-6 是新一代智能，在编码、电脑操作、科学和专业工作上达到 SOTA；作者称在 Business（非 Business Premium）计划上已可用。

Artificial Analysis@ArtificialAnlysAI 评分5353

Artificial Analysis 发布 Intelligence Index v4.2，作为 v5 之前的过渡更新，新增 AA-Briefcase 和 @HelloSurgeAI 的 GDP.pdf 评测，移除已饱和的 GPQA Diamond。

Dongxi 东锡 NLP@dongxi_nlpAI 评分2121

作者感叹 2026 年中美大模型迭代速度超出想象，尤其近两周纷纷抢发新版本。作者同时提到此前关注的、致敬印度数学家 Ramanujan 的印度大模型 Rnj，只发布了一个版本 Rnj-1，此后似乎永远停留在了 2025 年 12 月。

Rohan Paul@rohanpaul_aiAI 评分7474

Anthropic 宣布 Claude 完成费马大定理的首个完整机器验证证明，Claude 在 11 天内以多个智能体将基于 Wiles 的证明转化为 Lean 代码。

Ethan Mollick@emollickAI 评分5656

Anthropic 在 GitHub 上传了费马大定理的 Lean 4 完整机器校验证明（https://github.com/anthropics/fermats-last-theorem），基于 Mathlib（Lean 4.33.1、Mathlib v4.33.0），论证路线为 Frey、Serre、Ribet、Wiles 和 Taylor-Wiles。Ethan Mollick 转发并评论称，该证明的描述虽短，但 PROOF-PATH.md 中"为每一步命名并标注对应 Lean 定理"的写法仍很像 Claude 的产出。仓库标注为研究产物，不维护且不接受贡献。