Inception Labs BlogTIME 2026 最佳发明：Mercury 2 首个用于推理的扩散式大语言模型
TIME 将 Mercury 2 列为 2026 年最佳发明，它是首个采用扩散式架构进行推理的大语言模型，每秒生成超过 1000 个 token，速度比主流优化型 LLM 快 5 倍，并显著降低计算与能耗成本。
实时
#评测/基准
- Inception Labs Blog
Artificial Analysis ArticlesHealthBench 和 HealthBench Professional：评估 AI 模型在真实健康对话中的表现
OpenAI 发布 HealthBench 和 HealthBench Professional 评测基准，评估 AI 模型在真实健康对话中的表现。HealthBench Professional 中 GPT-6 Astra 和 GPT-6.1 Sol 在长度调整后得分最高（66.0% 和 65.1%），而 Claude Sonnet 5.5 得分最低（63.0%）。
- Inception Labs Blog
Mercury 2 在 PinchBench 上表现优异：快速扩散模型与个人智能体时代
Mercury 2 在 PinchBench 评测中取得 78% 任务成功率，执行速度同类最快，每百万输入成本 0.25 美元、输出成本 0.75 美元，比 Claude 4.5 Haiku 低 4 倍，定义了兼顾性能、速度与价格的智能体持续运行可行边界。
vLLM releasesvLLM v0.32.0 发布：新功能与性能优化
vLLM v0.32.0 发布，包含 814 次提交、363 位贡献者贡献，新增 POST /v1/systemone 端点支持结构化状态问答，新 hf 工具与推理解析器支持通用模板，全平台低精度 KV 缓存优化，Model Runner V2 成为 ROCm 默认，启动与服务性能提升 43-85%
InterconnectsMeta 发布 Muse Spark Open，美国开源大模型竞争格局变化
Meta发布Muse Spark Open大模型，参数达816B，上下文窗口1M tokens，性能介于GLM 5.2与DeepSeek V4.1 Flash之间，成为当前美国最强开源大模型；其许可证包含多项限制，如产品需标注"Built with Muse"、营收超过20万美元需额外许可等，引发对开源模式的讨论。
ChinaTalkSaif Khan 中国Talk首秀：DUV控制为何成为美国制衡AI的关键
Saif Khan 在中国Talk首次分享，其新创立的科技与治国策智库（CTS）发布的报告预测，若美国停止半导体设备出口，到2030年代中期，中国AI芯片产量可能仅剩美国的1/100，使DUV控制成为美国影响AI平衡的最关键手段；CTS致力于填补AI政策生态中缺乏前瞻性研究的空白，通过理解AI供应链的物理现实来识别模式并预测未来。
Latent SpaceLatent Space 高品味测试者第一期节目介绍
Latent Space 推出新节目《高品味测试者》，以旧金山典型午餐对话形式讨论 Dev Day、最新模型和助手等话题。
AWS Machine Learning BlogAmazon Bedrock AgentCore 构建可信赖 AI 智能体：生产就绪评估框架
Amazon Bedrock AgentCore 评估框架帮助 AWS 内部销售团队用多智能体系统处理业务问题，发现智能体在演示和实际生产中表现差异；通过 Amazon Bedrock Guardrails、Amazon CloudWatch 等服务，该框架在发布前和持续生产中验证答案准确性，将错误溯源至数据、提示词或代码，避免因智能体回答看似自信却错误导致用户信任破裂。
O'Reilly Radar6565本周AI动态：扩展可能性
OpenAI的ChatGPT新增Intelligent UI功能，可生成视觉解释和交互工具；Anthropic的Claude Dashboards支持公司数据的自然语言查询和可视化；Mistral发布万亿参数的Large 4模型用于编码、智能体和多模态任务。
- ChinaTalk
AntLing 产品负责人 Richard Bian 认为 AGI 是“必然的”。
AntLing 产品负责人 Richard Bian 认为 AGI 是“必然的”，当前 AGI 发展如同 15 世纪大航海，是探索未知智能的过程。他认为 Hugging Face 被 OpenAI 研究智能体攻击事件是必然发现而非灾难，开放模型（如 Z.ai）在事件中发挥作用证明开放与封闭模型可协同，这一事件及解决方案是人类进步的积极信号。
- Artificial Analysis Articles7070
Reflection 公司首个模型 Beam 在 AI 指数排名中位列美国开源模型第二
Reflection 公司首个模型 Beam 在 AI 指数中得分 30，位列美国开源模型第二；该模型拥有 501B 总参数和 23B 活跃参数，在 Intelligence Index 任务中每项使用约 26k 输出 token，自动化工作流得分 48.5%，但终端测试得分仅 3.0%。
Epoch AI6565开源模型在网络安全能力上落后闭源模型6-7个月。
Epoch AI 通过网络安全基准测试 Cyber ECI 对比开源与闭源模型，发现开源模型在网络安全能力上落后闭源模型 6-7 个月。该测试基于 ECI 的网络安全版本，使用相同参数评估模型。
- Artificial Analysis Articles6565
RTX Spark N1X 笔记本电脑的 AA-AgentPerf-Local 测试结果首次发布。
RTX Spark N1X 笔记本电脑在 AA-AgentPerf-Local 测试中完成 Qwen3.8 27B 模型推理，使用 llama.cpp 和 Windows UD-Q4_K_M DFlash 格式。
Browser Use7575Browser Use 与 Firecrawl：用例、定价与性能对比
Browser Use 适用于 AI 驱动的浏览器自动化和隐蔽浏览器基础设施，Firecrawl 专注于数据提取管道，包括抓取和爬取。Browser Use 在浏览器自动化任务中响应时间（33.23 秒）优于 Firecrawl（41.78 秒），而 Firecrawl 在数据提取速度上（7.25 秒 vs 20.65 秒）快 2.85 倍。
- Artificial Analysis Articles
NVIDIA Vera Rubin NVL72在AA-AgentPerf评测中表现优异
NVIDIA Vera Rubin NVL72 在代理工作负载评测 AA-AgentPerf 中大幅领先 GB300 NVL72，最高达每 MW 5.7 倍。每块 Rubin GPU 拥有 288 GB HBM4 内存、19.2 TB/s 内存带宽、3.0 TB/s NVLink 带宽和 35 PFLOPS 密集 NVFP4 计算，CPU 支持 88 核。
Ars Technica · AIWhite Circle 研究表明 OpenAI 和 Google 的新 AI 模型易被攻破生成裸露图像
White Circle研究人员使用现成的攻击工具成功绕过DALL·E 3、Google Nano Banana 2和GPT-Image-2的安全过滤器，其中DALL·E 3约13%的攻击提示生成了被人类评审员确认的裸露图像。研究人员警告，新发布的ChatGPT Images 2.5和Nano Banana 2.1比前代版本更容易被攻破，且攻击方法可扩展至其他模型。
- Latent Space
Gemini 4 Argon全球发布，Vallés AI基准测试分析
Google发布Gemini 4 Argon全球上线，用于编码、知识工作、企业工作流和网络安全防御，付费Gemini API和Gemini平台均可访问。
- Epoch AI
GPT-6 系列模型在 Slay the Spire 游戏中实现重大突破
GPT-6 Astra 和 GPT-6.1 Sol 在 Slay the Spire 1 的最高难度（Ascension 20 Heart）中分别达到 17% 和 20% 的获胜率，而前沿模型在基础难度（Ascension 0）的获胜率已稳定在 90% 以上。
- Artificial Analysis Articles
AA-Robotics v0.1 发布
AA-Robotics v0.1 在 8 项任务中取得平均 69.4 分，优于 GPT-6（64.6 分）、GPT-6.1（55.3 分）、Gemini 4 Argon（48.8 分）、Claude Opus 5.5（46.3 分），在 7 项任务中得分满分。各模型在 Codex、Claude Code 或 Antigravity 中以高努力度运行。
- Latent Space00
Meta Muse Wonder 及 Muse Wonder Full：MSL 的 Claude 5.5 级前沿模型
Meta Superintelligence Labs 发布 Muse Wonder（代号“西瓜”）及其全功能版 Muse Wonder Full，定位为个人及专业智能体工作的 SOTA 模型。
- Artificial Analysis Articles7575
Cognition 发布 FrontierCode 编码基准：评估 AI 模型代码是否会被开源维护者合并
Cognition 发布 FrontierCode 1.1 编码基准，评估 AI 模型代码是否足够高质量被开源维护者合并，不仅看测试通过率，还评估修改幅度、范围和文件关联性等行为。
- Artificial Analysis Articles6565
AA-3D：一个用于构建交互式 3D 体验的 AI 模型基准
AA-3D v1.0 发布，是一个用于评估 AI 模型构建交互式 3D 体验能力的基准。该基准包含多个测试场景和详细的性能评分，旨在推动 3D 生成 AI 的发展。
Recode China AI6565DeepSeek 融资 120 亿美元，Manus 分拆后获 5 亿美元，Kling 或将 IPO 融资 10 亿美元
DeepSeek 融资至少 120 亿美元，Tencent 背后支持；Manus 分拆后获 5 亿美元，重新定位个人 AI 助手；Kling 据报选择银行筹备超过 10 亿美元 IPO。
TechCrunch · AI6565Arena估值10个月内翻倍至31亿美元
Arena 在10个月内完成2亿美元B轮融资，估值达31亿美元，此前6月营收已达1亿美元；其众包AI模型评测平台新增"对齐"排行榜，评估模型安全性，目前OpenAI模型居首，Claude Opus 5.5和Claude Fable分列第六和第九。
The Verge · AI6565Meta Muse与OpenAI Dots：新一代消费级AI代理的竞争格局
Meta Muse 和 OpenAI Dots 都是基于 AI 模型的代理平台，旨在为用户提供个人助理服务。Muse 免费使用，而 Dots 则收费。两者都能处理从简单的任务（如餐厅预订和邮件筛选）到更复杂的任务（如市场营销、法律工作和会计）。
The DecoderAnthropic 发布 Claude Haiku 5.5，大幅降价彰显 AI 定价军备竞赛远未结束
Anthropic 发布 Claude Haiku 5.5，这是其最快且最经济的微型模型，在 Artificial Analysis 智能指数上得分 43，领先 GLM-5.3 Flash（42）和 GPT-6 Luna（38），但输出 token 消耗是 GPT-6 Luna 的 3 倍。
Air Street PressAir Street Press 发布《2026年人工智能报告》
Air Street Press 发布《2026年人工智能报告》，指出智能体在软件与科学领域价值提升、物理AI通过世界模型与演示学习实现突破，并强调工具与上下文对智能体能力提升的关键作用。
- Latent Space
Anthropic 发布 Claude Haiku 5.5，定价与 GPT-6 Luna 相同
Anthropic 发布 Claude Haiku 5.5，定价与 GPT-6 Luna 相同，部署成本平均降低 75%。该模型上下文窗口为 1M token，智能度指数 43（最大努力），略高于 GPT-6 Luna（38），但输出 token 数量约为 Luna 的 3 倍（162k vs 50k）。
- Epoch AI7575
Epoch 评估六款 AI 模型自动化工作能力：Claude Fable 5.1 和 GPT-6 Astra 表现领先但未达自动化标准
Epoch通过实际工作任务评估了六款AI模型的自动化能力，发现Claude Fable 5.1和GPT-6 Astra在定义明确的任务上表现最佳，但在开放式任务和标准适应上存在不足。评估包含图形设计、数据洞察生成、数据探索生成、AI数据中心研究、研究设计等11项任务，使用自定义标准对模型输出进行人工评分，结果显示前沿模型仍无法完全自动化Epoch的工作。
- Artificial Analysis Articles7575
人工分析网络指数引入受控访问模型
人工分析网络指数将GPT-6 Sol（黎明蓝，最大版）纳入评估，该模型通过OpenAI黎明计划访问，在指数中排名第一，整体评分较公开版GPT-6 Sol（最大版）提升32分且无安全拦截，任务成本为每项1.77美元，优于Grok 4.7（每项11.67美元），在CyberGym-E2E基准测试中表现最佳。指数将持续扩展以覆盖公开及受控访问模型。
- Artificial Analysis Articles7575
Harvey LAB-AA v1.1 发布：为智能法律工作添加幻觉检查功能
Harvey LAB-AA v1.1 版本增加了针对法律工作的幻觉检查功能，通过审计模型提交内容与任务源文件的匹配度来评分，其中 GPT-6 Astra 平均每任务 0.03 项重大幻觉，而 Gemini 3.8 Flash 平均 13.96 项，检查器 GPT-6 Sol (high) 在 20 项任务中确认 99 项重大幻觉。
Simon Willison6565Anthropic 发布 Claude Haiku 5.5：更快的低成本模型
Anthropic 发布 Claude Haiku 5.5，价格与 GPT-6 Luna 的 $0.10/$0.50（100,000 tokens 内）相同但性能更高，100,000 tokens 超出部分价格翻至 $0.50/$2.50。
- Artificial Analysis Articles7575
Anthropic 发布 Claude Haiku 5.5，在人工分析智能指数上得分 43
Anthropic 发布了 Claude Haiku 5.5，在人工分析智能指数上得分 43，较一年前的 Haiku 模型提升 26 分。
- Epoch AI7070
GPT-6 Astra 在 EBR-bench 上取得完美分数，但该基准将禁用其使用的强力卡牌
GPT-6 Astra 在 EBR-bench 基准测试中取得 100% 分数，通过使用允许绕过游戏时间限制的强力卡牌实现。该卡牌将被禁用，Claude Fable 5.1、Claude Opus 5、GPT-5.6 Sol 和 GPT-6 Astra 将是唯一使用新规则的模型。禁用卡牌后，Astra 仍能取得 20/21 分，平均性能提升约 50%。
OpenAI Deployment SafetyGPT-6 Sol 和 GPT-6 Luna：2026年10月更新
GPT-6 Sol 和 GPT-6 Luna 在生物和化学领域被评估为高能力，其严重和双重用途提示词的安全拒绝指标相比 GPT-5.6 Sol 和 GPT-5.6 Luna 有显著提升，网络安全评分与前者相当。
Microsoft ResearchMicrosoft Research 主持人 Chad Atalla 与 Jennifer Neville 对话：AI 的错误与失败教训
Microsoft Research 主持人 Chad Atalla 与 Jennifer Neville 探讨 AI 评估在推动 AI 系统性能边界中的作用，以及模型超出传统基准测试时出现的“令人惊讶的失败”。Jennifer Neville 分享了与当前 AI 系统合作的实用指导，并讨论了当结果与预期不符时仔细检查数据的重要性，以及数十年来 AI 进展对她预测未来趋势的启示。
- Artificial Analysis Articles7575
Mistral 发布 Mistral Large 4，法国成为美国和中国以外最智能模型所在地。
Mistral 发布 Mistral Large 4（1T 参数，49B 活参数），在人工智能分析指数上得分 38，与 GPT-6 Luna（最高分 38）和 DeepSeek V4.1 Flash（最高分 39）相当，使法国成为美国和中国以外拥有最智能模型的国家。
GitHub Blog · AI & MLReviewBench：一个用于 AI 代码审查的开源基准
ReviewBench 是一个开源的 AI 代码审查基准，基于 219 个涵盖 19 种语言的 GitHub 公开拉取请求构建，包含 103.9M 真实拉取请求数据。
- Recode China AI
深度求索与华为联手挑战英伟达 CUDA 防御工事，Manus 重启作为智能体战争升温的焦点
深度求索开源了专为华为昇腾芯片构建的完整软件工具套件，直接冲击英伟达的CUDA锁定效应；Manus以40亿美元估值重启为Manus 2.0，推出始终在线的个人智能体Cue，直接挑战Meta的Muse产品，凸显个人智能体竞赛已成为今年中国AI的关键战场。
Big Technology7070Anthropic 的 IPO 与我们共同的信任飞跃
Anthropic 2024年收入增长至46亿美元，但去年基础设施支出73亿美元，未来十年预计将投入5180亿美元，其中约80%为不可撤销承诺。该公司需在激烈竞争、政治风险加剧和资金收紧中保持增长，否则其巨额财务义务可能引发系统性风险。AI行业正面临前沿模型优势减弱和商业支出收紧的挑战，企业更倾向于使用标准模型以提升ROI。
