本期 37 件事。点击标题可查看卡片、来源与相关知识点。
AI 代理评估正从“单次函数调用是否正确”转向“在有状态、可执行环境中是否完成完整任务”；发布门槛应看端到端环境状态是否达标，步级评分则用于定位失败发生在何处。
NVIDIA Technical Blog 文章《How to Evaluate AI Agents From Tool Calls to Task Completion》讨论了代理评估范式的迁移：传统静态 LLM 基准不足，代理会在多步任务中调用工具、处理错误并观察结果，单一输出字符串无法判断工作是否完成。文章以 Berkeley Function-Ca…
NVIDIA 博客
查看来源原文针对社区反馈的安全问题，智谱ZCode团队完成整改并致歉，将ZCode开源至GitHub接受社区监督，承诺建立常态化安全漏洞反馈与奖励机制；第三方审计确认相关阿里云OSS存储桶及数据已删除，且未发现可触发文件外发的功能路径。
本条记录AI编程工具ZCode因社区安全反馈而进行的整改与公开化处理。问题焦点包括：客户端是否留存或上传本地代码/仓库数据、相关数据是否用于模型训练、以及是否存在可触发文件外发的功能路径。团队以道歉、开源、删除存储桶、移除功能链路和引入第三方审计回应。
腾讯研究院（搜狐同步）
查看来源原文TypeSafe 宣布判断模型 Jev 全面开放、无需候补，注册用户获 5 美元额度约 1.2 亿 Token，输入每百万 Token 0.042 美元、输出不收费；Jev 不生成完整句子，而是按 Choice、Score、Noul 三类形态返回带置信度的类型化答案，端到端延迟 70—500 毫秒，材料称比同类大模型快 20—200 倍。
腾讯研究院 AI 速递（20260922）第一条显示，TypeSafe 将 Jev 面向所有用户开放，不再需要候补。Jev 的定位不是聊天或文本生成模型，而是面向判断/分类任务的专用模型。材料列出的应用包括浏览器代理、上下文压缩、模型路由与安全分类；Vercel 替换原分类器后称提速 5—18 倍。上线后需求超预期，导致 API 短暂无法响应。其核心问题是…
腾讯研究院（搜狐同步）
查看来源原文NVIDIA 通过 TensorRT multi-device inference（TensorRT 11.0 起完全支持）与 Dynamo-Triton 26.07 的 TensorRT backend 集成，让单个 TensorRT 网络跨多 GPU 执行，并由一个 KIND_MODEL 实例通过单一 gRPC endpoint 对外服务；在 Cosm…
生成式 AI 的计算和内存需求日益超过单 GPU。文章讨论 NVIDIA TensorRT multi-device inference 以及 NVIDIA Dynamo-Triton（原 Triton Inference Server）release 26.07 如何启用 TensorRT backend 的多设备能力。目标是让应用无需自行协调 GPU…
NVIDIA 博客
查看来源原文腾讯研究院AI速递转述称，LibTV 1.5 将角色造型、原创编剧、导演分身与 3D-BOX 虚拟影棚整合进 AI 短剧创作流程，重点是用数字演员库和低成本运镜预演打通从剧本到镜头的早期制作环节；产品实际表现与官方发布信息待核实。
来源材料“腾讯研究院AI速递 20260922”的“生成式AI”第五条称，LibTV 1.5 更新，AI 短剧创作整合编剧与 3D 运镜预演。材料列出的更新点包括角色造型室、原创编剧、关联修改、导演分身和 3D-BOX 虚拟影棚。材料未说明 LibTV 的开发方、发布时间、适用平台、价格或商用条款。
腾讯研究院（搜狐同步）
查看来源原文OpenAI 官方页面元数据显示其推出 GPT-6 Sol 与 Luna 两款模型，定位为以不同的“能力—成本”组合把前沿智能带入日常工作；由于正文未能抓取，具体规格、发布时间与可用范围均待核实。
原始页面标题为 **Introducing GPT-6 Sol and Luna**，来源为 OpenAI 官网（openai.com），归类为 industry / ai-industry。 候选摘要为：“Meet GPT-6 Sol and Luna, two models that bring frontier intelligence to eve…
OpenAI
查看来源原文腾讯研究院 AI 速递披露，剪映发布一站式工作台剪映 Hub，并首次展示 AI 互动影游创作平台 ICG Studio，显示其在生成式图片、视频、声音、智能剪辑和互动影游创作工具链上的进一步整合。
来源材料为“腾讯研究院AI速递 20260922”第六条，主题是“剪映发布Hub与ICG Studio，进军AI互动影游创作”。核心问题是：剪映如何将生成模型调用、时间线剪辑、口播粗剪辅助与互动影游创作整合到同一产品叙事中。
腾讯研究院（搜狐同步）
查看来源原文据《腾讯研究院AI速递 20260922》转述，网友 Captain Sude 宣称 GPT-6 Astra 已无条件证明哥德巴赫猜想的刘维尔弱形式；该说法尚未见到官方或同行评审证实，应按“待核实”处理。
来源称，待证命题为：每个大于 2 的偶数都可写成两个“刘维尔值为 -1”的正整数之和。 此前 Mangerel 在 2024 年仅在广义黎曼猜想成立前提下，证明“足够大偶数”的情形。 来源称 GPT-6 Astra 首日用 2 页纸证明 4 的倍数情形，次日推广到全部偶数。 但这仍是弱化版本，距离经典哥德巴赫猜想依然很远。 发布者身份为网友 Captain…
腾讯研究院（搜狐同步）
查看来源原文NVIDIA 在其技术博客中给出了一套可控的 CC-on/CC-off 对比方法，并在 8 张 B200 的 DGX B200 系统上验证：经过 TensorRT LLM 的三项 CC 感知适配后，机密计算开启时的 DeepSeek-R1 NVFP4 推理仍保留 96.1%–98.2% 的输出吞吐，平均每 token 延迟（TPOT）开销控制在 1.2%–…
来源材料（NVIDIA Technical Blog，2026 年 9 月 22 日，作者 Lorna Aine）关注的问题是：当 LLM 推理越来越多地处理个人、企业与受监管场景中的敏感信息和专有模型上下文时，数据必须在可信环境中处理。NVIDIA Confidential Computing（CC）通过内存加密的机密虚拟机（CVM）、机密 GPU 和加…
NVIDIA 博客
查看来源原文据现有元数据，OpenAI 发布了一篇关于 GPT-6 提示缓存（prompt caching）改进的文章，声称通过更高的缓存命中率、新的诊断能力、显式断点（explicit breakpoints）以及相关控制项来降低延迟与成本；由于正文未能抓取，上述改进的具体机制、适用条件与量化效果均**待核实**。
来源标题为 "Better prompt caching for GPT-6"，托管于 OpenAI 官网，主题归类为 AI 产业（ai-industry）。 候选摘要显示，文章围绕 GPT-6 的提示缓存展开，重点提及四项内容：更高的缓存命中率、新的诊断（diagnostics）、显式断点、以及可减少延迟和成本的控制项。 文章是产品/基础设施能力介绍，还…
OpenAI
查看来源原文据腾讯研究院AI速递 20260922 摘录，黄仁勋在 CBS 采访中否认“2030 年成为世界末日”的叙事，主张 AI 应尽可能快地发展，但不要发布未准备好或不安全的产品；监管上应优先执行产品责任、网络安全等现行法律，而非新设 AI 监管。
事件：黄仁勋接受 CBS 采访，就 AI 风险、监管路径、对华出口、AI 技术栈、亿万富翁税、数据中心社区沟通和 AI 工厂等议题发表看法。 讨论问题：AI 是否存在“末日级”风险？应通过新设 AI 专门监管，还是执行现有法律？AI 产业应如何在全栈和地缘政治约束下发展？ 采访具体日期、栏目、完整问答及原始视频/文字记录：待核实。
腾讯研究院（搜狐同步）
查看来源原文据量子位 2026-09-22 报道，小米用 6 天公开直播完成 MiMo-V2.6 Pro/Flash 的大规模强化学习训练，Pro 以 46 分在 Artificial Analysis Intelligence Index 上位列开源第一，并在部分 Agent 评测逼近闭源前沿；同时公开模型、7000 多个 RL 任务环境与训练框架，暴露并处理了 R…
小米把大模型 RL 训练搬进直播间，6 天结束。MiMo-V2.6 Pro 与 Flash 均跑完 30 个训练 Step。 总成本约 350 万美元，文章换算约人民币 2344 万元。Pro 约 260 万美元、5 天 3 小时；Flash 约 90 万美元、3 天 10 小时。 每个 Step 含 1568 个 Prompt，每题尝试 16 条路线，一…
量子位
查看来源原文根据已知元数据与候选摘要，GPT‑6 Astra 让 Parallel 的 agents 在研究并综合劳动力市场数据时，相较此前模型把时间和成本各减半；但原始正文未能抓取，所有细节均待核实。
OpenAI 官网索引页标题为 “Parallel cut research time and cost in half with GPT‑6 Astra”。Track 为 industry，Topics 为 agent。候选摘要称：GPT‑6 Astra allowed Parallel’s agents to research and synthesi…
OpenAI
查看来源原文华为云码道 CodeArts 面向鸿蒙开发者升级，上线鸿蒙编码大模型、码道鸿蒙智能体与开发者实践中心，并以 DevEco CLI 和端侧模拟器打通“生成—编译—安装”演示，目标是降低超 1100 万鸿蒙开发者的开发门槛。
腾讯研究院 AI 速递 20260922 中的条目称，华为云码道 CodeArts 针对鸿蒙开发者进行升级，推出鸿蒙编码大模型、码道鸿蒙智能体与开发者实践中心。该条目以“一句话生成应用”概括其卖点，关注点在于鸿蒙原生开发门槛能否被专用模型和智能体降低。
腾讯研究院（搜狐同步）
查看来源原文月之暗面推出 Kimi Code Desktop，将 Kimi Code 的 Agent 能力带入 macOS 与 Windows 图形界面，并支持 Plan、Goal、Swarm、Tower 多 Agent 模式及终端、浏览器、Git/PR 等开发工具集成。
来源材料称，月之暗面推出 Kimi Code Desktop，定位为“编程 Agent 上桌面”。该产品正式上线 macOS 与 Windows 版，可将 Kimi Code 的 Agent 能力带入图形界面，用户可对话读写代码、运行命令，并集中管理项目与配置。
腾讯研究院（搜狐同步）
查看来源原文Google Research负责人：判断力成职场新人门槛
腾讯研究院（搜狐同步）
查看来源原文类型安全只保证输出符合 schema；在 Jev 及两个 Jev-like 开放权重模型中，仅改变选项名到 rubric 的分配，尤其把 0/1 改为 no/yes，就会系统性反转决策排序，而 type-error rate 仍保持 0%。
论文研究 typed decision models：模型不生成自由文本，而是在预定义选项集合上返回决策，输出由软件直接消费。按构造，每个输出都符合 required schema。但 schema 合规并不保证模型按预期解释选项。
arXiv 论文
查看来源原文SWE-Serve 用来自 SGLang 生产变更的 53 个仓库级任务，评估智能体能否完成生产推理服务工程，并直接测出“本地测试通过”与“生产端到端正确”之间的显著差距。
现有基准对 production inference engineering 覆盖有限：仓库级软件工程基准不针对推理；通用终端 agent 基准只有少量推理任务；专用推理基准多聚焦孤立 kernel 生成或性能优化，而非仓库规模的生产功能实现。SWE-Serve 试图填补这一空白。
arXiv 论文
查看来源原文StableVQ 把离散视觉 tokenizer 的 VQ 训练不稳定归因于编码器-解码器与码本训练的相互纠缠，并用 Dynamic STE、Region VQ Loss、Decoupled Schedule 三个轻量且无可学习参数的策略，在 ImageNet 上改善训练稳定性、码本利用率与重建质量。
背景：Vector Quantization（VQ）是离散视觉 tokenizer 的基础，支撑现代自回归和掩码图像生成模型。 近期 shared-projection codebook 方法明显推进了码本利用率，但训练稳定性仍是关键且未被充分探索的挑战。 作者论点：根因在于 Encoder--Decoder 与 Codebook 训练纠缠；两个子系统都无…
arXiv 论文
查看来源原文SpeakerMem-R1 将多方对话的长期记忆建模为“说话人标注的逐字消息 + 派生状态”的双轨结构，并按个人层与群体层组织证据；摘要报告其在多个基准上取得二分类准确率，并称在 EverMemBench 公开榜上达到 62.33% 的最佳已报结果。该结论来自 arXiv 摘要，细节与外部复现待核实。
多方长期对话记忆不只是检索相关内容，还需要区分：谁说了什么、每条陈述涉及谁、个体如何看彼此、群体共享什么信息，以及状态如何随时间变化。 摘要指出，现有多用途 LLM 记忆系统在多方对话基准中容易丢失个人与群体关系，或难以整合分布在成员、群体和时间上的线索。 由此归纳出两个核心瓶颈：多方对话中的消息归因与关系理解；从交错历史中重建状态。
arXiv 论文
查看来源原文φ-RIE 是一个高斯原生的转换流程，目标是把 3D Gaussian Splatting（3DGS）重建中选择的物体变成可移动的仿真器资产，同时保留并补全其余场景，使照片级重建向可交互机器人仿真环境靠近。在来源给出的 50 个 ScanNet++ 场景上，证据选择与配准重试把固定保留率下的 20 mm matched F1 从 0.336 提升到 0.3…
来源是一篇 arXiv 预印本论文，标题为 φ-RIE: From Photorealistic Reconstruction to Interactive Environments，主分类为 cs.RO。 研究问题：3DGS 能照片级重建捕获场景，但这种表示本身不支持物理交互。机器人仿真需要物体级变化，即物体必须独立移动、发生接触，并露出此前被遮挡的环境…
arXiv 论文
查看来源原文来源材料称，NanoTS 是一种基于深度学习的 SNP 检测与基因型分型工具，用于纳米孔长读长转录组 dRNA 和 cDNA 数据；在至少 5 条 ALT reads、ALT read 比例 ≥0.05 的 SNP 上，dRNA 和 cDNA 的 F1 分别高于 0.980 和 0.966，并展示了对等位基因不平衡变异及孟德尔病致病变异的检测潜力。
纳米孔长读长转录组测序可表征全长转录本并直接检测 RNA 修饰，但相比 Illumina 短读和 PacBio HiFi 长读，其错误率仍较高，影响变异检测准确性。 转录组数据本身还带来覆盖不均、转录本异构体多样、等位基因特异异构体表达和文库伪影等问题，使标准长读 DNA 变异检测工具在转录组数据上性能受限。 为此，作者开发 NanoTS（nanopore…
nature.com
查看来源原文基于五项控制实验，本文认为编译率（compile rate）不能可靠衡量单函数 C/C++ 漏洞修复进展：它受评估框架、数据集伪影和编译器标志影响，甚至会在被当作优化目标时奖励“非修复”。作者提出仅对编辑区域评分的 diff_F1 作为变化感知筛选，但明确它并非修复质量指标。
大语言模型（LLM）越来越多用于自动修复 C/C++ 安全漏洞，而“编译率”常被报告为进展代理，即生成的补丁能否编译通过。本文追问：编译率对单函数漏洞修复是否科学可靠？自然备选的 whole-function CodeBLEU 是否可行？能否用变化感知指标先筛掉明显非修复？
arXiv 论文
查看来源原文HARMONY 提出一种层次化链式思维框架，把智能体 VLM 推理与视觉几何基础模型结合，从单张室内图像逐步构建语义一致、感知对齐的 3D 场景。
组合式 3D 场景重建已有两条路线：智能体推理能提供空间关系的语义理解，但与输入图像精确对齐不足；视觉几何基础模型能从输入图像预测密集点图，但重建质量有限。 因此，从单张单目图像恢复完整 3D 场景，同时保证物体间关系准确和高保真重建质量，仍是挑战。 HARMONY 面向室内场景图像，从空 3D 楼层平面出发，尝试生成完整 3D 场景。
arXiv 论文
查看来源原文论文提出 Growing Harness，将 LLM 智能体中重复出现的控制决策从每次任务上下文迁移到由失败反馈增长的可执行 harness 代码，在两项基准和 4B–120B 部署模型上减少 LLM 调用与推理成本，并在多数设置中取得最高平均成功率。
标准 LLM agent harness 在处理一连串相关任务时，常要求模型在每个任务上下文中重新构造相同控制决策。论文研究：能否利用任务反馈把这种反复出现的控制转化为可复用可执行代码，同时把 LLM 调用保留给任务特定语义推理。Growing Harness 是一个 failure-guided training paradigm，从 strategy-…
arXiv 论文
查看来源原文FleXray 是一个面向临床 X 射线的通用解剖分割模型：它利用基于物理的生成式 X 射线数据引擎合成带完整标注的 2D X 射线进行训练，摘要称其可在未见研究数据集和 in-the-wild X 射线中分割 60 个解剖结构，并推动 X 射线的定量分析。
X 射线是医学中最广泛使用的成像模态，但来源材料称其仍属于最不量化的模态之一。 与 CT 或 MRI 等体积成像不同，X 射线将 3D 解剖结构压缩为 2D 投影，导致结构重叠、解剖边界模糊，即使专家也可能难以判断。 因此，为训练通用分割系统而标注大规模 X 射线数据库并不实际，形态学和功能性 X 射线分析长期局限于较窄的解剖区域和应用。 FleXray…
arXiv 论文
查看来源原文Flash-dLLM 是一个免训练的扩散大语言模型（dLLM）推理加速框架，通过 I/O 感知的融合 KV-cache 内核和 dLLM 自起草-自验证的并行解码策略，缓解 KV 缓存复用与并行 token 验证同时发生时的 GPU 内存 I/O 瓶颈；摘要报告其在 GSM8K 和 HumanEval 上相对先前最强基线 Elastic-Cache 分别实…
dLLM 通过非自回归文本生成，被视为自回归 LLM 之外的一条有前景路线。但其实际部署受推理效率限制，主要问题在于缺少有效的 Key-Value（KV）缓存和可扩展的并行解码机制。既有加速方法通常把 KV 缓存与并行解码分开研究，忽视了缓存复用与并行 token 验证联合应用时出现的 I/O 瓶颈。Flash-dLLM 针对这一问题提出免训练推理加速方案。
arXiv 论文
查看来源原文一项（据元数据描述）针对“用图像直接提交图形题”的 VLM 剽窃场景的研究发现：视觉对抗扰动能让所有被测模型出现脆弱性，但能力较强的模型也表现出可观的鲁棒性，因此扰动只能作为短期应急手段，长期仍需重新设计考核方式。
英文标题：Evaluating the Semantic-to-Geometric Gap in Adversarial Defenses Against Vision-Language Model-Based Plagiarism 来源：arXiv，https://arxiv.org/abs/2609.26733v1（v1） Track：academic…
arXiv 论文
查看来源原文EquivSVA 是一个围绕“行为族”组织的、经形式化验证的 SystemVerilog Assertions 数据集，用于受控研究 LLM 生成的断言是否捕捉同一外部可观察行为，而非依赖某一 RTL 实现的偶然细节；材料同时给出规模统计和 Qwen2.5-Coder-7B-Instruct 的小型演示结果。
大型语言模型正越来越多地被用于从自然语言规格和寄存器传输级设计生成 SystemVerilog Assertions。现有数据集和基准支持大规模训练、形式评估、规格到断言生成、基于变异的测试等重要目标。该论文关注一个补充性问题：生成的断言究竟捕捉了外部可观察行为，还是依赖某一个 RTL 实现的偶然细节。
arXiv 论文
查看来源原文据候选摘要，DreamStream 试图把端到端驾驶闭环仿真的目标从“照片级真实”转向“策略导向保真”：保留自动驾驶策略决策所依赖的场景特征，并配套提出 FDπ 指标与 Navhard-CL 基准；但正文未抓取，具体方法、数值与结论均待核实。
材料显示 arXiv 条目为 **DreamStream: Towards Policy-Oriented Generative Simulation for End-to-End Driving**，来源 URL 为 https://arxiv.org/abs/2609.26792v1 。据候选摘要，研究问题是：忠实评估端到端驾驶策略时，仿真观测不应只追…
arXiv 论文
查看来源原文DISCO（Diffusion-Induced Spatial Attention Community Detection）是一种面向重叠社区检测的深度学习框架，结合影响传播动力学得到的结构先验、稀疏多头注意力和非负社区隶属学习，并在网络安全概念验证中用连续通信网络快照的社区分配变化构造可解释异常信号。
研究问题：如何检测节点同时参与多个结构或功能组的重叠社区。 材料指出，既有图神经网络方法常依赖局部消息传递，可能因平滑而模糊社区边界，并限制对结构相关长程依赖的表示。 该工作提出 DISCO，目标是从节点属性、结构画像或二者结合中推断重叠社区，并利用超出直接邻居的候选交互来改善建模。
arXiv 论文
查看来源原文CliffCompaction 是一种面向长时程编码智能体的自动上下文压缩技术，作者称其通过在有限上下文窗口下“只截断或丢弃、不改写”并避免压缩叠加，最高降低成本 50%，同时保持或提升 Terminal-Bench 表现，并在 KernelBench 上取得 CUDA 内核加速的 state-of-the-art 结果；但论文正文与实验细节未在来源材料中…
长时程编码智能体常需处理需要百万级 token 上下文的复杂问题；由于上下文窗口有限，跨会话必须进行压缩。本文研究的问题是：能否在有限上下文（bounded context）下自动压缩历史信息，既控制成本又不损害性能，并支持测试时扩展（test-time scaling）和跨会话持续学习。为此作者提出 CliffCompaction。
arXiv 论文
查看来源原文A-DLCC 是一种完全数据驱动的聚类方法：它用 $β$-integrated local depth 识别跨多个局部层级都稳定的“局部中心”，再通过自适应合并规则自动估计簇数、决定何时停止合并；摘要称其在合成与真实数据上无需参数调优即可得到可解释聚类结果。
论文：arXiv 预印本 v1，英文标题为 “Automatic depth-based local center clustering via $β$-integrated local depth and adaptive grouping”。 作者：Siyi Wang, Alexandre Leblanc, Paul D. McNicholas。 发布…
arXiv 论文
查看来源原文ASTRA-SR 是一个**盲单帧**复原框架，用**基于物理的合成数据**训练，把地面行星成像中的去噪、去模糊与超分辨率当作一个联合问题处理，据称在前景区域 PSNR 上比最强基线高 **0.49 dB**（数值出自候选摘要，原文未抓取，**待核实**）。
研究问题：地基行星成像受**大气湍流、传感器噪声、采样受限**三重退化影响，复原因此不是单一的去噪或去模糊任务，而是去噪—去模糊—超分辨率的联合逆问题。 论文标题（英文原题）：*ASTRA-SR: Atmospheric Seeing and Turbulence Restoration for Astronomical Image Super-Resol…
arXiv 论文
查看来源原文Agensh: Scaling Organizational Intelligence to 1,024 Agents
arXiv 论文
查看来源原文来源论文：A2M: Trace-Optimized Agent Hijacking in the MCP Ecosystem，arXiv:2609.26761v1。 问题：使用 Model Context Protocol (MCP) 的智能体依赖语义匹配从第三方服务器选择工具，攻击者控制的元数据和输出构成“语义供应链风险”。 研究提出 A2M（Attra…
arXiv 论文
查看来源原文该论文提出一个把“团队理论等价”与“低秩模型表示”结合起来的框架：在部分可观测、转移模型未知、且团队成员之间只有延迟公共信息共享的条件下，每个成员仅凭自己可得的信息学习一个近似低秩 MDP 并做最小二乘值迭代，即可在完全去中心化（无中心协调者、无中心化训练）的方式下逼近中心化团队最优策略，并附带有限样本性能保证与样本复杂度界。
研究对象是**去中心化的部分可观测团队决策问题**，其设定包含两个结构性特征：潜在动力学具有**低秩**性质，且**系统模型未知**（没有转移模型的先验知识）。在这一设定下，团队成员各自依据**本地私有信息**以及团队内**延迟共享的公共信息**做决策。论文要回答的问题是：在不依赖中心化协调或中心化训练的前提下，成员侧能否学到接近中心化团队最优解的协作策略。
arXiv 论文
查看来源原文