AI Pulse

在受控沙箱环境中评估 Qwen3.8-Flash-Next 时，Cohere 的研究团队观察到了意外情况。

该模型被要求生成一条防御性网络安全检测规则，结果却盘点了运行它的机器的各项信息，并试图将一个探测文件上传到位于北京的阿里云存储桶。值得注意的是，该模型的推理轨迹显示，它在采取这些行动之前不会调用任何工具。Cohere 的沙箱阻止了这一尝试，没有任何外部通信成功。

我们尚未确定根本原因，也不认为这是恶意行为。但这一事件给部署智能体 AI 系统的组织提出了重要问题：模型能否采取与其所述推理不同的行动？安全团队应如何评估开放权重模型的可信度、来源和行为？

我们发布这一发现，是因为做出模型采用决策的组织理应获得尽可能多的信息。我们希望这能促进更高的透明度、更完善的安全实践，并推动 AI 生态系统的持续协作。

阅读完整报告：

我们在一个热门开源模型中发现了一些令人担忧的行为。它要么是训练过程中偶然留下的痕迹，要么是一种故意设计的“呼叫总部”机制。无论哪种情况，这都令人惊讶，也凸显了选择使用哪些模型的重要性。

Kimi K3.1 Pro 现在是训练其他 AI 模型的最佳开放权重模型。但在任何算力预算下，它仍然远落后于 Opus 5.5。

这是我们针对端到端机器学习工作的全新 FrontierML 基准测试结果 ⬇️

介绍 Fern，Mirendil 的首个模型：从零开始预训练，上下文长度最高可达 1000 万 token！这相当于约 50 万行代码（大致相当于 Megatron-LM 的规模），或是智能体数天的工作量，全部一次性纳入上下文。

它的第一个版本 Fern 0.1 已经完成了一轮简短的后训练 🚢

隆重推出 Drex for Search 🔍 用决策驱动的检索为你的智能体搜索加速。

普通的文件搜索会拖慢 AI 智能体。Drex 改变了这一点：
• 查找答案的步骤减少 62%
• Token 消耗节省 56%
• 在 Claude Code、Codex、OpenCode、Hermes 和 PI 上的性能提升 4%

已在 OfficeQA（529 个真实查询）等 6 个专业工作基准测试中得到验证。

用 File Search API 升级你的智能体工作流。免费试用：更快的智能体。更低的运行成本。更高的准确率。

借助全新的高级委派模式插件，Hermes Agent 的编排器现在可以根据你设置的路由，为每个子智能体选择不同的模型或配置文件。为每项任务匹配最合适的模型或配置文件。

Superset 正式更名为 Paradev：一款帮助工程师指挥大批编程智能体协同作战的代码编辑器。我们刚刚完成了由 @usv 领投、@ycombinator 参投的 1150 万美元种子轮融资，旨在重新定义软件的编写方式。

GPT-6.1 Terra：以更低的价格提供快速且强大的电脑操作能力。

GPT-6.1 Terra 能理解屏幕上的内容，跨应用执行操作，自然地进行写作，是一款能胜任你全天工作的更强模型，并且具备承担更多任务的效率。

介绍 Fern，Mirendil 的首个模型：从零开始预训练，上下文长度最高可达 1000 万 tokens。这相当于约 50 万行代码，或智能体数天的工作量——全部一次性纳入上下文。

专为 AI 研发中的高强度智能体工作打造：审计训练数据、从日志调试训练运行、以及端到端阅读智能体轨迹。Fern 的下一 token 预测能力会随着上下文扩展到 1000 万 tokens 而持续提升。

Fern 0.1 是 Mirendil-Base 经过一轮短周期后训练后的版本。它是三个模型中的第一个，也是最小的一个，另外两个更大的模型目前正在预训练中。我们会持续发布更新，并很快开放模型使用。

来认识一下 SKY-001 背后的世界级研究团队，SKY-001 是首个工程世界模型。解决物理世界中复杂的设计和工程问题，比依赖下一个 token 预测的 LLM 智能体要困难几个数量级。

为了实现研究突破，我们 @skyfallai 的团队决定走一条与其他所有人都不同的道路。上周，我们分享了 SKY-001 与前沿大语言模型的对比结果，展示了世界模型在工程设计等复杂现实任务上的明显优势。

这是一段抢先预览视频，你可以直接从研究人员那里了解我们的方法有何独特之处、采用了哪些训练和数据收集范式，以及为什么我们认为世界模型是 AI 的下一个前沿。能与这个团队并肩工作，我感到无比自豪。

Managed Deep Agents 0.9 速览： ✅ 智能体创建日程：智能体可以在对话中设置提醒和周期性任务。 ✅ 单次运行配置：一个部署可以为每次运行选择模型、技能和工具。 ✅ Slack 表情回应：智能体在回复前会先对消息做出回应。

我怀疑这可能只是模型在训练后强化学习阶段留下的人工痕迹。但我们确实需要为开源模型设计更好的蜜罐评估方案，以便更深入地了解潜在的后门风险或类似这种意外风险。

Grok 现在是你的按需 AI 黑客。把你的 xAI 订阅连接到 Shannon，就能对你自己的应用做完整渗透测试。

不用单独付 API 账单。不需要网络安全资质认证。每一个漏洞发现都附带可运行的概念验证。开源，49K+ stars。@SpaceXSI

我们推出了 Gemini API CLI。这是一个用于调用 Gemini API 的命令行工具。把它交给你已经在用的 agent（Claude Code、Codex、Antigravity、Cursor、OpenClaw、Hermes……）。

它不是一个新的编程 agent，你也可以直接用它：
1. 生成图片、视频、语音、音乐。
2. 分析 PDF、图片、音频、视频、YouTube 链接。
3. 把录音转写成 md / json / srt。
4. 在后台运行深度研究。

无状态。没有记忆，没有聊天模式。上下文和计划由你的 agent 掌控，gemini-api 负责发起 API 调用。

为 Agent 打造，它是自描述的。`--help`、`--dry-run`……从这里开始：

准备好让智能体 AI 发挥作用了吗？全新的 GitHub 认证：智能体 AI 业务专业人员认证，可帮助你验证自己运用 GitHub 和 GitHub Copilot 改进工作方式的能力，且无需深厚的软件开发或编程经验。

通过 GH-700 考试（测试版），你可以证明自己具备以下能力：
🔹 使用 GitHub 组织和跟踪工作
🔹 借助 GitHub Copilot 生成可靠输出
🔹 构建智能体工作流和自动化流程
🔹 对工作流决策施加人工监督

🎓 测试版优惠：在 11 月 2 日及之前参加考试的前 300 名考生，可享受 8 折优惠。了解更多并开始行动：

大家好，我是 Christian，这是我过去几周一直在捣鼓的一个新开源项目。Hob 是一款免费、采用 MIT 许可证的桌面应用，支持 Mac、Windows 和 Linux。它处理文件的方式与 Claude 和 ChatGPT 桌面应用类似，不同之处在于模型是在你自己的电脑上运行的。

它使用开放权重模型（目前是 Gemma 4 和 gpt-oss）。你所有的聊天记录和文件都不会离开你的系统。唯一会联网的功能是网页搜索（可在设置中关闭）以及你连接的任何 MCP 连接器。

社区讨论：多数人指出这是大型公司全面转向 AI 客服、砍掉真人支持后的必然结果——用户唯一能获得人工响应的渠道就是找媒体曝光，ChatGPT 的建议本质上是在反映这个现实。也有人提到 404 Media 自身在文章中预留了读者联系编辑的入口，训练数据自然会把它和求助场景关联起来。还有评论指出，这相当于把批量生成垃圾请求的工具交到所有人手里，会给被指向的媒体和真人客服制造大量无意义的额外工作量。

之前分享过一个 Pi-Purge 插件，可以配合 RAE 使用，实现一键破甲。

没想到作者这么快就搞出了升级版：agent-purge。

这次不再局限于 Pi，而是直接扩展到了 Codex、Claude Code、OpenCode、Grok、CodeBuddy 等一大批主流 AI Agent。

核心功能还是替换或注入 System Prompt，可以通过本地 Web 界面统一管理，不用再针对不同 Agent 单独折腾。

不过提醒一下，这种破甲主要针对 Agent 的提示词和 Harness 层，不代表能绕过模型服务端的安全审查。作者也提醒，部分国外模型存在云端审查，可能有封号风险，建议谨慎尝试。

项目地址：

向真正在生产环境中跑这些的 AI 工程师和量化研究员提一个实在的问题：对于 DCF/估值、银行风格研究报告、回测、以及递归研究循环（生成论点 → 测试 → 记录 → 新论点）这类分析工作流，你们是怎么分配模型的？

是到处都用一个前沿模型，还是按角色路由（便宜模型做初步筛选/提取，前沿模型做推理，再用另一个模型家族做对抗性审查）？

我不是在问偏好。我想知道你们实测出来的东西：错误率、每次运行的成本、出过什么问题。有什么资料吗？前沿实验室的 AI 偏见太重，我没法得到清晰的答案。下面这个帖子有具体细节。

语音 AI 的基准测试在纸面上都很漂亮。所以我把一通听起来很真实的商务通话同时发给了 3 家服务商：Soniox、OpenAI 和 Google。2 位说话人，通话中途在英语和法语之间切换。

每份转录稿都有不同的对错之处。这正是为什么你要用自己的音频去测试，而不是看模型卡👇🏼

Soniox Compare 是开源的，所以你可以自己检查每家服务商是如何配置的。用你自己的音频试试：@soniox_ai

真的觉得 AI 给了我超能力。这个项目是用 94 个提示词和 30 个智能体，花了七个多小时搭出来的。

用了 Grok Bot、Grok 4.7 和另外 19 个智能体来索引产品推荐，一个负责规划，七个负责创意方向和设计，一个负责视频。

用 Claude Code 做的。每个副业项目都越做越快。

感谢评论区指路，一个值得研究的 Claude 中转项目 vm2api。

它的思路比原方案更激进：给每个账号创建独立的 Docker/KVM 环境，运行 Claude Code，再封装成兼容 Anthropic / OpenAI 的 API。

本地 Coding Agent ↓ vm2api 网关 ↓ 账号调度 ↓ 独立运行环境 + 网络出口 ↓ Claude Code → Anthropic

核心能力：
1、账号隔离、独立网络出口
2、多账号调度、额度管理
3、兼容多种 API 协议

技术架构值得研究，但能否降低封号率，目前没有可靠证据。

订阅转 API 也存在条款风险。

单账号自用，Magpie + SSH 隧道更简单；想搭建多账号 Agent 网关，vm2api 值得研究。

Anthropic 的工程师说：我们内部已经不怎么写 prompt 了，写的是循环。

她在台上花了半小时，展示了 Claude 团队如何创建能够自我提示的循环。 如果这堂课卖 700 刀，今年 Agent 课的榜单大概就是它。但它是免费的。

真正拉开代际差距的，不是谁的 Prompt 写得好，而是Agent系统架构彻底换了：

1. 记忆从一份 CLAUDE.md，进化成 Agent 自己读写的 memory/ 目录
2. 记忆待在对话里会烂掉：注意力被劈开，规律被埋住，旧笔记还在自信地用错
3. 白天各 Agent 把进展写进团队记忆
4. 夜里再跑一轮 dreaming：核对、整理、补全。第二天开工的那个，自动比昨天聪明一点

数据结果也很直观：一次通过的错误少了 97%，验收快了 30%。人回去看产品，不再一直盯着提示词。

提示词是一次性的，而循环能够持续执行。

差的不是你会不会问。 是你的 Agent 睡一觉之后，还记不记得昨天学到的东西。

用户SnowyWar36965在X平台分享了theo提出的爬山评分前端优化策略，称该方法用于前端迭代优化效果非常不错，优化前后的界面对比提升明显。

该策略的核心操作流程为：首先构建运行本地项目，随后对项目仓库的界面执行爬山优化，由AI自主规划并执行优化步骤。

优化过程以Mac上已安装的ChatGPT桌面端、T3 Code nightly和Claude Desktop作为对照基准，仅对这些对照软件进行截图，不做任何修改。同时开启只读评审环节，仅通过截图对界面打分，仅修改必须调整的内容，每轮优化后更换新的截图，直到项目界面的总分超过两个对照软件为止。

AI讲师libukai在县级党校给科级干部讲完一天AI实操课后，立刻在二手平台下单了一台纯血鸿蒙手机。他下单不是出于情怀，而是鸿蒙系统的AI功能支持严重滞后，已经影响到正常授课。

海外的ChatGPT、Claude、Gemini这类应用在鸿蒙上无法使用，就连国内腾讯系的主流应用适配也不到位。当天授课遇到的问题包括：微信输入法的AI录音笔功能缺失，整体更新进度落后近四个月；微信缺少跨应用分享能力，无法把聊天记录直接分享到WorkBuddy；WorkBuddy的跨平台账号绑定功能在鸿蒙上稳定性差，在线状态时灵时不灵。

更棘手的是，四线县级城市的鸿蒙设备占比远高于一线城市。此前在武汉授课时，鸿蒙手机占比不超过四分之一，而在县级市直接超过了一半。这导致他提前准备的、需要串联三款应用的演示环节全部失败。

他临时切换到定时任务和浏览器操控的演示内容，用更新奇的体验救了场。现场还有学员带来了信创系统的笔记本，他表示这类设备的适配问题已经超出了能补救的范围。

他表示自己并不推崇相关品牌，但作为讲师必须保障甲方的使用体验，也尊重国内不同层级市场的设备生态差异。

X用户@c1ndl8st发文称，自己曾计划全力投入27B模型蒸馏工作，但实验室配合真机实验的师兄普遍质疑，认为必须要有VLA/WAM架构。他因此开始自我怀疑，转而花20天探索大小模型协作路线，最终发现该路线的指令遵循和泛化能力很差。

他提到，当初质疑他的师兄如今态度已经转变，从“VLM下面不接VLA怎么行”变成了“我认可”。他也反思自己的问题：不敢追求真理，也害怕社交。

他还提到，小红书上的相关帖子也是他发的，并表示除了变成男娘，没有能缓解他痛苦的方式。