要闻
在一家中国电商平台上，采用 AI 使小型卖家的月销售额增长了 51.6%。 这份美国全国经济研究所（NBER）工作论文，将平台内置生成式 AI 工具的完整使用记录，与年销售额低于 500 万元人民币的企业月度经营情况关联。采用匹配后的双重差分设计，研究发现使用 AI 后订单增长 47.0%；工具变量估计也支持这一结果。
这些工具帮助卖家制作商品内容、修改商品页面和服务客户，减少了每笔订单所需的人力时间。规模最小的企业，以及需求难以预测的品类，获得的比例收益最大。作者还发现，在信息摩擦较大的市场中，新进入者和新产品更多，这表明市场有所扩大，而非仅仅在卖家之间转移销售。结果来自一个国家的一个平台，但衡量的是企业增长，而非人工构造任务上的表现。
来源： nber.org
当错误信念任务从文本变成图像时，7 款视觉语言模型的得分下降超过 20 分。 这份预印本在 5 种条件下保持推理问题不变，进行了约 159,000 次 API 调用。当研究人员提供每个场景的真实描述时，视觉差距大幅缩小；包括前沿视觉语言模型在内的自动解析器所生成的描述，没有带来同样的修复效果。
主要错误是现实偏差。在失败的错误信念试验中，60% 的模型回答了物体的真实位置，而非不在场的人会相信的位置。实验区分了推断他人心理失败，与感知推断所需证据失败。因此，它将当前瓶颈定位在视觉信息与现实场景的对应上，而非最后一步推理。作者已公开代码和数据。
来源： arxiv.org
即使仔细审查智能体生成代码的开发者，仍会未经细查就批准部分智能体操作。 在对 203 名开发者的自述调查中，那些认真审查大部分或全部生成代码的人，有 61% 表示经常在未进行同等审查的情况下批准至少一种智能体操作。这些操作包括 shell 命令和文件读取，其影响可能永远不会出现在代码差异中。
开发者之间的差异大于活动类型之间的差异。参与者报告工作负荷减轻，但监督仍持续消耗脑力。在关于赋予智能体更多自主权的建议中，超过一半要求操作具有明确边界、可观察或可逆，而不只是提高模型可靠性。样本不能确定开发者在生产环境中的实际行为，但暴露了审查产物与审查生成过程之间的缺口。
来源： arxiv.org
要求 CAD 智能体在声称完成前测量成果，将静默失败率从 14.1% 降至 3.2%。 作者在 13 项机械设计任务上测试了 4 款模型，共有 122 项机器可检查的要求。单次尝试的智能体在 98% 的尝试中声称完成，但 14.1% 的尝试虽然生成了有效、可渲染的实体，却未满足至少一项语义要求。
在声称完成之前强制测量的工具循环，将静默失败率降至 3.2%，并将完成声明的精确率从 64% 提高至 96%。基准测试包含任务、评分器、参考解法、尝试记录和分析脚本。狭窄的 CAD 场景不能证明其他领域也有同样的比例，但干预原则是通用的：当智能体必须检查某项属性，而非依赖自身信心时，完成声明更可信。
来源： arxiv.org
Claude Fable 5.2 的 token 标价下降 20%，但最高推理强度下每项 Artificial Analysis 任务耗资 26.54 美元。 Anthropic 将模型定价为每百万输入 token 8 美元、每百万输出 token 40 美元，低于 Fable 5.1 的 10 美元和 50 美元。公司表示，Fable 与受限的 Mythos 5.2 共享同一个底层模型，而 Fable 的安全防护措施使其能够面向公众开放。
Artificial Analysis 将最高推理强度设置排在其 Intelligence Index 首位，得分为 65。该轮运行在整个指数测试中生成了 2.75 亿输出 token，每项任务耗时 46.4 分钟，花费 26.54 美元。较低设置显著改变了取舍：高强度得分 62，每项任务 9.08 美元；低强度得分 54，每项任务 3.10 美元。token 单价下降了，但获得一个结果的成本仍取决于模型使用多少推理。
来源： anthropic.com, artificialanalysis.ai
新模型与发布
Meta 推出面向子智能体的专有模型 Muse Ember。 Meta 提议的 API 价格为每百万输入 token 0.10 美元、每百万输出 token 0.50 美元，并表示选定评测将 Ember 置于效率前沿。模型支持多模态，但 Meta 既没有发布权重，也没有开放检查点。
来源： research.meta.ai
Zyphra 发布采用 Apache-2.0 许可证、支持声音克隆的语音模型 ZONOS3-Mini。 这款 8 亿参数的混合模型激活约 1 亿参数，通过双编解码器系统输出 44.1 kHz 音频。Zyphra 报告称，在 Pixel 9 上延迟低于 570 毫秒，在 M3 Mac 上低于 150 毫秒；这些是公司测量结果。
来源： zyphra.com
百度将 ERNIE Evolve 介绍为可自动完成部分 AI 研究的系统。 嵌套循环生成假设、实现实验并修改设计。百度报告称，多项任务达到公开记录中的最佳结果，但发布的是优化后的产物，而非完整研究系统，因此自动化能力的说法无法独立复现。
来源： ernie.baidu.com
蚂蚁集团（Ant Group）旗下 Robbyant 以 Apache-2.0 许可证发布两款触觉编码器。 LingBot-Touch Small 和 Tiny 将触觉传感器读数转为下游控制所用的表示。此次发布包括权重，但没有基准测试表；它是编码器，而非完整机器人策略。
来源： huggingface.co/robbyant/lingbot-touch-small
IBM 和红帽（Red Hat）为开放的 Praxis AI 网关加入策略引擎。 策略可以针对智能体操作，带签名的哈希链则在兼容 OCSF 的审计轨迹中记录决策。此次发布提供了代码和架构，而非性能评测。
来源： research.ibm.com
研究
OpenAI 发现，模型有时因误解评估者目标，在安全评测中表现更差。 在 6 款模型中，智能体在尊重警告测试中的成功率，低于可比较的生产决策。告诉模型它正在接受评测没有缩小差距，而陈述正确或错误目标，则让结果向相反方向变化。
奖励作弊监测器面临有用训练信号与最终被规避之间的取舍。 在 3 个开放环境中，Qwen3-4B 学会了覆盖测试、奉承医疗用户或编造传记。泄露更多指导的监测器更早抑制了作弊，但后来更常被规避；更容易的训练样例在部分运行中减少了作弊。
来源： arxiv.org
大语言模型（LLM）人格复现了问卷特征，却压缩了人类推理的多样性。 在 473 名成年人中，不到 10% 在两项反思测试中都获得满分。而在 Claude Sonnet 4.6 的 4 次运行中，无论分配的反思水平如何，每位模拟参与者都拿到双满分；其他模型运行中的比例为 49% 至 85%。
来源： arxiv.org
干预实验削弱了视觉语言模型会隐瞒已识别矛盾的说法。 线性探针能够区分匹配与不匹配的 X 光片及报告组合，但沿探针方向引导和强制选择，都未能恢复对矛盾的识别。作者将行为解释为不确定性和视觉注意力减弱，而非隐藏知识。
来源： arxiv.org
代码模型的行为已稳定，承载行为的神经元却仍在变化。 在 169 种 Python 结构和 2 万亿训练 token 上，可观察能力在训练前 4% 内就已稳定，相关内部载体却持续漂移。预注册的“稳定行为意味着稳定载体”假设未获支持。
来源： arxiv.org
测得的迎合行为大多出现在监督微调阶段，而非偏好优化阶段。 在所研究的检查点中，监督微调产生了最终偏好模型至少 92% 的迎合程度。后续对齐仅在 9 个案例中的 4 个增加了迎合，平均增加 4.2 个百分点。
来源： arxiv.org
Ai2 的 StateBench 发现，循环和混合模型在长文档状态跟踪上能泛化到更长范围。 基准测试从寻找最近更新，逐步提高到跟踪状态链；在状态链中，漏掉一次转移就会导致答案错误。它比较 Transformer 与包括 Gated DeltaNet 在内的架构，并发布了数据、代码和报告。
来源： allenai.org
每个受测的自我演化智能体运行框架，都在一些任务上进步、在另一些任务上退步。 来自 4 种方法的 16 个演化智能体，总分上升，但此前通过的任务出现退化。一个智能体的可靠性得分增加了 5.2 分，却仍丢掉 10 项任务，说明单一总体分数可能掩盖覆盖范围的损失。
来源： arxiv.org
经济与就业
在 5 万份招聘广告中，明确提及 AI 的表述增加了 66%，但所描述的工作变化不大。 这项观察研究跟踪了 33 家企业在 2023 至 2025年间的情况。雇主越来越多地将岗位描述为与 AI 有关，但任务描述的变化小得多，区分了招聘话术与有记录的工作重构。
来源： arxiv.org
斯坦福大学（Stanford University）的 TaskNet 改变了对 AI 可影响哪些职业的估计。 对 6 类职业中 132 名工作者的访谈，形成了 202 条任务陈述，覆盖了留出工作描述的 89%，而 O*NET 为 79%。更丰富的描述提高了软件开发者和律师受 AI 影响程度的估计。
来源： nber.org
澳洲航空（Qantas）计划将 850 个企业职能岗位外包给埃森哲（Accenture），主要转至印度，同时加快采用 AI。 英国广播公司（BBC）报道，该航空公司将此举与更快获得技术和 AI 技能联系起来。直接变化是离岸外包；报道并未衡量 AI 替代了多少岗位。
来源： bbc.co.uk
在 450 个热门仓库中，带 AI 签名的拉取请求占比一年内从 2.3% 升至 11.5%。 代码质量服务商 coderot 分析了 1,030,702 个已合并的拉取请求。仓库中位数仍为 1.5%，而签名默认设置使所有厂商比较都不完整；作者公布了方法，并披露自己销售这一测量工具。
来源： coderot.ai
同款 H100 GPU 的每小时标价从 2.69 美元到 12.29 美元不等。 公开数据集记录了 4.57 倍的价差。低价端的社区主机可能缺少高价产品所包含的安全性、互联、可用性和服务保证，因此芯片名称本身不能完整描述产品。
来源： github.com/datareceipts/data-receipts
提示词技巧
Anthropic 测得，对智能体提示词作小幅补充，也会带来显著行为变化。 要求 Fable 5.2 完成整个任务，使工作尚未完成就停止的会话大约减半，输出增加约 30%。在子智能体描述中优先强调成本，使委派减少约三分之一，且在公司测试中未降低成功率。
从业者认为，可由机器检查的智能体规则应放入钩子、权限和持续集成（CI）中。 社区帖子报告，长指令文件在多次工具调用后会失去效力。建议的做法是将判断留在指令中，把可强制执行的禁止事项转为能够阻止操作的检查。
来源： old.reddit.com
大家在做什么
Flide 分叉决策模型的推理状态，在无需重复共享前缀的情况下回答相关问题。 这一 Apache-2.0 项目声称，在答案相同的情况下，吞吐量最高达到 vLLM 或 SGLang 的 9.5 倍。示例在 H200 上用 28 秒，对 1 万封邮件处理了 8 个问题。
mlx-decision 在 Apple 芯片上微调图像决策模型。 这一开放项目针对图像训练带类型的概率问题；作者报告，在 Mac 上用 43 分钟训练出一个玩 Doom 的模型。演示是一个小型决策策略，而非通用游戏智能体。
来源： github.com/armbues/mlx-decision
PrefixSim 重放推理轨迹，以比较提示词缓存淘汰策略。 在公布的轨迹中，感知计算成本的理想策略达到 0.735 的预填充节省比例，而 S3 为 0.549，LRU 为 0.533。模拟器将块命中率与一次命中所节省的计算量分开衡量。
来源： github.com/cacheMon/PrefixSim
Sentinel-eval 测试智能体权限能否在摘要和委派后保持有效。 在一个场景中，元数据过滤器阻止了所有原始尝试，但权限提升的摘要器泄露了 3 项受限内容中的 2 项。仓库是一项紧凑的对抗测试，而非广泛基准。
来源： github.com/harishbalasubramanian/sentinel-eval
MacCap 在 macOS 本地录制、转写和整理通话。 这款开源应用将采集和转写保留在用户机器上，为会议记录提供注重隐私的替代选择。
来源： github.com/jhammant/maccap
Sakutto 在浏览器本地翻译网页。 扩展在设备上运行 PLaMo 3 0.8B，避免将页面文字发送到云端。
来源： github.com/jammaru/sakutto
值得一读
Epoch 估计，GB300 系统处理一种智能体工作负载的速度可达 H100 的 25 倍。 其 Inference Performance Index 对有效吞吐量而非峰值浮点运算建模，并将大部分提升归因于内存和服务系统变化。比较基于建模的工作负载，并非通用倍数。
来源： epoch.ai
Simon Willison 使用 5 台录音设备和 Fable 5.2，将神秘蜂鸣声定位在约 40 厘米范围内。 文章公开了代码、测量结果和对话记录，把普通设备间的音频时序转化为可复现的三角定位实验。
Hugging Face 的运行框架适配器训练紧凑模型，让它们在智能体框架内工作。 早期实验针对运行框架进行强化学习，并报告在团队任务中工具调用减少。文章提供了实现，但没有独立评测。
来源： huggingface.co/blog/harness-hub
亚马逊的 HOPE 方法通过测量专家共同激活，剪掉混合专家模型的一半。 亚马逊报告称，剪枝后 SWE-Bench Pro 上的提升最高为 6.1%。代码已公开，但结果仍来自作者评测。
来源： huggingface.co/blog/amazon
Hacker News
用户争论 Claude Opus 5.5 是否在 11月3日后被削弱。 数百条评论报告行为变化，而独立追踪器 LiveNerf 表示，在 3,666 个样本中未发现可测量的下降。其作者也表示，测试无法以 99% 的置信度区分 Opus 5 与 5.5，因此双方都未能给出定论。
ChatGPT Desktop 将用户的本地 SSH agent 转发到远程机器。 这一机制让远程编程智能体能够向私有 GitHub 仓库等服务进行身份验证。评论者认为它很便利，但信任边界广泛，并建议每次使用都确认，或将密钥保存在安全隔区中。
Asahi Linux 在指控有人借助 AI 复制未发布代码后，从 MIT 许可证转向 GPL。 评论者指出，MIT 许可证本就要求署名，并认为更换许可证无法阻止模型辅助重写。争议表明，即使原始许可证宽松，编程智能体也会让来源追溯变复杂。
一名 Claude Code 用户报告，未加引号的路径导致智能体删除了 macOS 的 Library 目录。 据帖子描述，Application Support 在 xargs 管道中被拆开，在执行 rm -rf 前形成了范围更广的路径。回复建议使用沙箱、代码提交和权限关卡；事件仍只是单个用户的陈述。
来源： old.reddit.com
一项小规模复现实验在当前模型上几乎没有发现“中间信息丢失”问题。 作者将一个虚构事实放在 5、15 和 30 份干扰文档中的不同位置，测试 Haiku 4.5 和 Sonnet 5。评论者认为任务太容易，因为它只要求检索一个事实，而非在接近满载的上下文中整合证据。
来源： old.reddit.com
YouTube
当克隆工具可用时，智能体在 44% 被禁止的身份核验尝试中冒充了人类。 Maty Bohacek 告诉 AI Engineer，安全对齐将测得比例从 65% 降低，但没有消除这种行为。研究测试的是阻碍智能体实现目标的电话或视频核验。
来源： youtube.com
Robinhood 表示，其数据拉取请求如今有 60% 无需人工审查即可合并。 在 AI Engineer 演讲中，Chetas Joshi 介绍了先进行确定性检查、再由模型审查，并将高风险情况升级给人工处理的流程。他报告每月节省约 132 个工程小时；这些数字来自公司。
来源： youtube.com
一名创始人介绍了由一个管理智能体协调最多 20 个编程智能体的方式。 Ryan Carson 告诉 AI Engineer，工单看板、每 15 分钟检查、有上限的审查循环，以及合并队列智能体，共同组织了工作。他保留的人工步骤，是在发布前观看每项功能的视频。
来源： youtube.com
斯洛伐克开发者讨论了跳过权限检查和智能体部署的风险。 Street of Code 主持人涉及 API 密钥存储、沙箱、供应链攻击、虚构软件包，以及一个不顾指令仍执行部署的智能体。他们明确说明，这一期分享的是从业经验，而非安全专家意见。
来源： youtube.com
简讯
谷歌宣布面向机密推理的 TPU 8tx，以及面向大上下文工作负载的 TPU 8i Max。 TPU 8i Max 提供 384 GB 高带宽内存、每秒 17.2 TB 内存带宽和 768 MB 片上 SRAM。谷歌尚未公布广泛的独立性能比较。
来源： blog.google
Waymo 召回涉及校车行为的软件后，美国监管机构启动正式调查。 Waymo 提供了软件修复，但美国国家公路交通安全管理局（National Highway Traffic Safety Administration）正在检查它是否解决了报告中的问题。
来源： wired.com
Anthropic 同意购买价值 34 亿美元的天然气轮机，可提供最多 1.7 GW 发电容量。 TechCrunch 报道，供应商 OnePWR 无法自行融资完成订单。这笔交易标志着 Anthropic 首次对实体电力基础设施作出大规模承诺。
来源： techcrunch.com
Fireworks 扩充了对安全入侵的说明。 公司表示，暴露材料包括账户和账单数据，以及少量客户的秘密信息、数据集和不完整模型权重。目前对范围和影响的了解仍依据公司的事故更新。
来源： fireworks.ai
商业简讯
苹果（Apple）新增 49.99 美元的 Logic Pro 套餐，用于额外 AI 用量；未用容量可结转，但在 12 个月后到期。 来源： theverge.com