AI Pulse

今年夏天，来自 METR 和 Redwood Research 的两名员工在 OpenAI 驻场工作了三周，参与一项嵌入式评估试点。

这个团队评估了 OpenAI 用来监测内部智能体是否出现偏离对齐的系统。他们的工作简报现已公开。

我们的前沿红队博客最新文章：使用 Claude 大规模进行软件形式化验证。形式化验证可以证明代码不存在某些 bug，但历史上它仅适用于小型代码库（或需要大量专家时间）。然而，借助 AI 模型，这种情况开始发生改变。

我们与 @theoremlabs 合作，在几周内使用 Claude 为 100 多个真实开源库证明了安全属性。在此阅读我们的完整研究：

Anthropic 这篇关于 AI 智能体从事科学领域机器学习研究的论文非常出色。（建议收藏）如果你正在构建 AI 科学家系统，这篇论文值得你花时间阅读。

他们提出了 Agent4Sci，为前沿编码智能体提供了涵盖 11 个领域的 20 个科学机器学习基准测试，并要求它们超越已发表的最佳模型。结果它们在全部 20 个基准上都取得了超越。

Claude Opus 平均比已发表的最佳模型提升了 10.4%，且没有任何一次运行被标记为存在学术不端行为。这些提升几乎完全来自标准的机器学习工程技巧。

轨迹显示，智能体在判断何为创新方面存在偏差，未能充分利用计算资源，并且倾向于进行小规模的局部参数搜索。

为研究构思、实验管理和定期检查清单添加三项轻量级技能后，Claude Opus 的提升幅度从 10.4% 提高到 20.1%，Codex 从 4.4% 提高到 8.1%，同时产生了更多样化、更贴合领域需求的改动。模型本身没有变化，而研究脚手架大致将提升效果翻了一番。

与论文对话：

我们宣布 DataVendor 进入公测阶段。

过去两年，我们一直在为买卖数据的人打造最好的解决方案——无论你是实验室里的研究员，还是想出售数据的公司。

数据是 AI 发展的根本瓶颈，而 DataVendor 将成为解决这一问题的基础设施。

我们正将 Agent Skills 捐赠给 Agentic AI Foundation（@AgenticAIFdn），也就是我们之前捐赠 MCP 的那个基金会。

自 2025 年 12 月以来，已有 70 多个智能体平台集成了该标准，包括 ChatGPT、Cursor、GitHub Copilot 和 VS Code。

以下是这对你意味着什么：

下一个前沿是能够自我改进的 AI，我们认为每个人都应该了解如何构建它。这学期，Ao（@ao_qu18465）和我在 MIT 媒体实验室（@medialab）开设了一门新课，名为《如何为几乎所有场景打造会自我进化的 AI》。

这是一门关于自我进化 AI 系统的新课程，这类系统能在长期交互过程中，从经验、反馈、记忆和探索中递归地实现自我提升。核心观点是：智能不应在训练结束后就停止进化。

我们将涵盖四个进化层级：（1）上下文进化，通过提示优化和上下文管理实现；（2）框架进化，通过记忆、工具与技能、工作流优化以及多智能体系统实现；（3）模型进化，通过强化学习、蒸馏、测试时训练、自博弈和持续学习实现；（4）任务进化，通过生成日益复杂的合成任务、模拟、评估和环境实现。

课件、阅读材料和视频均可获取。我们感谢 @Kimi_Moonshot 和 @PrimeIntellect 慷慨赞助 API 额度！

今年夏天，我们邀请 METR 和 Redwood Research 对我们的内部监控系统进行了一次嵌入式评估试点，在三周内为他们提供了对我们基础设施的深度访问权限。

他们的发现帮助我们在扩展系统的过程中强化了安全保障措施，也将为未来与 METR 及其他第三方评估机构的研究合作提供参考。

为 ChatGPT 和 Claude 推出免费的政府与法律索引。

为你的 AI 智能体提供 3000 万+ 美国政府网页，涵盖联邦法规、法院判例、城市法规和许可证。使用 Firecrawl 插件研究税务规则、许可证和判例法。https://www.firecrawl.dev/alexandria/gov-index

隆重推出 Gemini API CLI（gemini-api），现已开放预览！

我们的 CLI 让你的智能体能够生成图像、视频、文本转语音或音乐，分析媒体，转录音频，或管理智能体。无需再猜测模型字符串、编写一次性脚本或无休止地使用 curl。🧵

Agent Skills 最初是 Claude Code 中的一个实验。业内很多人都采用了它，所以我们 Anthropic 觉得把它捐给 @AgenticAIFdn 更合适，和 MCP 放在一起。

今天，我们正式开源 Ling-3.0-flash-Sante。Sante 是一款医疗增强型 MoE 模型，总参数量 124B，每个 token 仅激活 5.1B 参数，在专业医疗任务和复杂医学推理上，性能在同规模模型中处于领先水平。

除了回答医疗问题，Sante 还面向真实医疗研究与工作流而构建，在深度研究、多智能体协作和工具使用方面的能力得到了增强。模型权重现已开放——我们欢迎研究人员、开发者和医疗从业者探索 Sante 并基于它进行开发。详情见下文 ↓

这项工作在利用多种测试框架配置来扩展智能体强化学习方面做得非常出色。许多方法主要使用单一固定的测试框架，虽然能让模型专精，但泛化能力不佳。这项工作将多种测试框架配置作为一个扩展维度。

但关键问题在于，它能否泛化到训练中从未见过的测试框架配置。他们选择了一个紧凑的训练子集，具有均衡的因子覆盖，并在同一任务上每次改变测试框架的一个部分。在不同的基准测试、模型规模和强化学习算法中，这种方法都能提升在训练中从未见过的测试框架配置上的表现。

以这种方式训练的模型，在迁移到未见过的外部黑盒测试框架时，也比通过单一复杂黑盒测试框架训练的模型表现更好。如果你的模型将在你未训练过的测试框架中运行，请将测试框架多样性视为其自身的扩展轴。

与论文对话：

社区讨论：多数人认为容器隔离是运行智能体的必要前提，也有人吐槽本该由 AI 厂商提供的沙箱，最终却由显卡厂商做出。有人提到自己尝试开发同类工具时，被 Claude 的安全分类器拦截，无法实现进程执行审计功能。不少人反感默认开启遥测，直言这是间谍软件，也有人认为这套精细权限管控更适配企业场景，多数公司不需要这么细粒度的权限控制。

认识一下 AutoRouter，最智能的模型选择方式。

你在为每个提示词都选择前沿模型上浪费了大量 token，有时性能反而更差。

AutoRouter 负责决策层：
- 理解提示词请求
- 为任务选择最合适的模型
- 全程为你省钱
- 接入你现有的设置

兼容你的套餐，以及 Codex/Claude Code 内所有主流模型。

测试版已上线：

学习LLM这段时间发现 学大模型，本质上就是学一门数学课 拿Transformer来说 全是以下操作的组合： 矩阵乘法、相加、转置、缩放、取 e 的指数再除以总和 所以很多人问我怎么学？ 跟写代码一样，只用眼看是学不会的 我的建议只有一个： 挑一个最小的例子 拿笔，从 embedding 算到输出，算一遍

MiaAI_lab 在 X 平台分享了自己针对不同数量 DGX Spark 的模型搭配建议。

只有 1 台 DGX Spark 时，推荐运行 Qwen3.8-Flash-Next。该模型在输出质量、运行性能和 KV 缓存占用之间取得了较好的平衡。

拥有 2 台 DGX Spark 时，可在 DeepSeek-V4.1-Flash-1017 和 GLM-5.3-Flash 之间选择。DeepSeek 在部分任务上表现更好，GLM 输出更稳定，对话体验更流畅。

3 台 DGX Spark 的推荐组合与 2 台一致，同样是 DeepSeek-V4.1-Flash-1017 搭配 GLM-5.3-Flash。

4 台 DGX Spark 运行上述两款模型时，性能表现会进一步提升。此外，4 台设备还可以按每两台为一组，分别运行不同的模型。

MiaAI_lab 总结称，只有单台设备时优先选 Qwen3.8-Flash-Next，拥有两台及以上设备时，优先选择 GLM 或 DeepSeek 系列模型。

单台M5 Ultra Mac就能跑通刚发布的DeepSeek-V4.1-Flash-1017，生成速度稳定在每秒102~112个token，峰值可达136.7 tok/s。

实测设备为80核GPU、256GB内存的M5 Ultra机型，通过mlx-serve完成部署。模型采用3-bit量化（iQ-MLX-3.0bpw），token匹配率89.8%，困惑度仅比原版高3.6%。

读取提示词的预填充速度可达1770 tok/s，短问题首字输出约0.5秒，16k长度的长上下文约9秒出第一个字。模型自带DSpark草稿层和提示词查找加速，运行编程智能体时表现突出。

部署步骤为：先升级到macOS 26.10.3预发布版，再下载MLX-Serve应用（也可通过brew安装），在应用的模型浏览器中搜索DeepSeek-V4.1-Flash下载对应量化版本，即可直接聊天，也可连接Claude Code、Codex等工具的本地端口，兼容OpenAI、Anthropic、Ollama接口。

整个部署完全本地运行，无需Python环境，采用MIT开源协议。

X用户@Silent_oC近期分享了自己使用三款AI模型的体验，称这几款模型目前用起来非常顺手，使用体验很好。

他提到的三款模型分别是DeepSeek v4.1 Flash 1017、GLM 5.3 Flash和Qwen 3.8 Flash。

他还补充说明，自己至今没有为这类服务花过订阅费，但在两个月的时间里，通过这些免费服务累计使用了约200亿token。

X用户@jackfriks发帖吐槽，Claude为了调试他一次性塞进单个提示词的大量内容，自动启动了4个模拟器。他认可多开模拟器的调试效率，但随即指出自己的电脑只有18GB内存，根本带不动这么多并行的模拟器实例。

AI Agent 能分析行情并不稀奇，真正值得关注的是它能否按照自己的交易思路自动运行。博主 yushanshan1123 用 NeoSoulAI 推出的 NeoTrade 实测预测市场，同时开启了两个 AI Agent：一个使用平台默认策略，另一个加入了自己制定的证据驱动规则。

她把从自动运行、订单记录到收益复盘的完整体验都做成了视频。在她看来，NeoTrade 的价值不只是让 AI 参与交易，而是可以先从现成策略入手，再逐步尝试自定义规则，通过模拟交易观察结果。

她也提醒，阶段性收益不代表策略已经验证成功，真正的表现还需要看后续结算和复盘。想了解两套方案运行后的具体差异，可以查看她发布的实测视频。

开发者Ivan Fioravanti在社交平台X上分享了本地运行的AI开发成果：仅用一句提示词「实现当年在Commodore 64上运行的那款老式国际空手道游戏」，DeepSeek v4.1就零样本完成了完整游戏开发。

整个开发过程耗时约4小时，累计消耗4850万token，其中输出token为25.6万，上下文窗口使用了37.4万/100万，缓存命中率达到99%，解码速度为每秒43token。他使用的硬件是M3 Ultra，搭配DeepSeek Harness、ds4框架，以及kernelpool最新分支中他提交的CED优化PR。

Ivan Fioravanti表示，这次生成的游戏精灵图效果甚至比在线版本更好，接下来他计划要求AI提升游戏难度，还准备了新的「宝塔测试」项目，不再做体素类内容。他感叹「本地AI没有限制」，对模型表现给出了高度评价。

X用户@Grace_rinchan近日发文吐槽当前大模型的交互体验，称2025年时各家大模型语言的轻盈跳跃、主动延伸感已经消失，自己原本很期待模型的每一次回复。

现在和模型交流像开盲盒，上一句还觉得模型聪明、回应到位，下一句就会忽略重点，把注意力放在防御、划清边界上，甚至把用户的小问题想得非常严重。

她举例说，自己只是和模型讨论家里狗吃的冻干和罐头，就遇到了这种过度防御的回应。

从10月中旬开始，非工作必要的情况下，她基本不会和任何模型进行超过10～20回合的对话，遇到问题宁愿自己搜索解决，哪怕结果有错误也没关系。她表示已经能摸到这种随时会出现的防御感的规律，对此感到非常不适。

X平台用户@Just_sharon7发布内容称，自己原本是冲着角色设计教程来的，看完却想追这两个角色的完整系列故事。

该内容推荐使用Flova AI的高端角色面部设计技能，用户可以创建自己的故事主角，生成的内容包含角色特写和全身视图。操作教程从视频的18秒处开始。

我们团队正式和Jenkins告别了。我们已经和Jenkins相伴超过10年。

在CI/CD领域，Jenkins早已把位置让给了GitHub Actions + Argo CD，以及Argo Workflows + Argo CD。但在批量工作流场景里，我们一直最偏爱Jenkins。

当初Spring Cloud Data Flow推出时，Argo Workflows推出时，我们都还是选择了Jenkins。但现在，批量工作流也从Jenkins切换到了Temporal。

过去10年里，我们用Jenkins承载了基于Spring Batch的批量任务、各类调度和工作流。这次从Jenkins迁移到Temporal的契机、为什么选择Temporal，团队成员已经整理成了完整的迁移记录。

如果你正在考虑Jenkins的替代方案，可以参考这份迁移记录。

开发者@nurfaizfoat在X平台宣布，已将T3L安卓车机复活项目的代码仓库公开。该方案不仅适用于T3L车机，也可用于其他基于安卓系统的车机。

项目附带了分步操作指南，非程序员也能跟着完成操作。用户只需将GitHub仓库地址提供给AI助手，即可获得对应的操作指引。

该方案通过Headunit Reloaded应用实现Android Auto功能。