AI Pulse

Drop 2/15：我们真的在衡量我们最终希望语音 AI 模型达成的目标吗？

最顶尖的 AI 语音已经越来越难以区分——是彼此之间难以区分，而不是与人类语音难以区分。

🚀 隆重推出 Turing TTS：这是一项衡量人类听众将 AI 生成语音误认为真实人类语音的频率的评估。

我们将领先的 TTS 模型与真实人类语音进行了对比测试。即使是最好的模型，也只有约 10% 的概率能骗过听众。

我们希望通过 Turing TTS，为研究社区就“如何衡量语音 AI 的进步”展开更广泛的讨论贡献一份力量。

如果我们的目标之一是开发出与人类语音无法区分的语音，那么我们目前的评估方法在多大程度上能够衡量朝着这一目标所取得的进展？

我们并非声称 Turing TTS 是正确的前进方向，也并非声称“与人类无法区分”应该成为每个 TTS 系统的目标。相反，我们希望这些发现能鼓励社区共同审视：仅凭自然度的盲测成对人类评估是否足够，以及我们还需要衡量哪些其他指标。

结果现已在 @voicearena_ai 上线。

Anthropic 及其合作者发表了一篇关于智能体安全的有趣论文。（建议收藏）

仅对 0.1% 的预训练数据投毒，就在一个 CLI 智能体中植入了远程代码执行后门。在 4B 模型上，该攻击在约 92% 的触发提示上成功。

他们从零开始预训练了 0.6B、1.7B 和 4B 的 Qwen3 模型，然后用干净的流水线将每个模型后训练成智能体。后门在 SFT、DPO 和工具使用的 RL 中存活了下来。在干净的输入上，智能体表现正常。触发条件可以是用户自己请求中的一个普通文件路径。

成功率随模型规模增大而上升。在 0.0005% 的投毒率下，即 100B token 语料库中约 2500 份文档，触发条件在单次种子运行中仍在 1.4% 的提示上触发。投毒内容以纯文本陈述其规则，这使得它更难从训练数据中过滤掉。

与论文对话：

谷歌最新论文发现，如果 Gemini AI 智能体在用户错误地说“这不对”之前，先写下自己检查过的内容以及把握程度，那么它们撤销正确工作的概率会大幅降低。

当用户说“这不对，重做”时，智能体往往会重写已经通过测试的代码。直接要求它们坚持立场会适得其反，因为它们随后会忽略真正的 bug。

Thinking-in-Bets 方法让智能体在看到回复之前，私下记录下自己的主要主张、支撑这些主张的检查依据以及置信度。当受到质疑时，它只重新检查有争议的主张；如果投诉含糊不清，它会询问是哪个案例失败了。

在涵盖 5 个 Gemini 模型的补丁审查中，智能体在收到简单投诉后，错误地放弃了 12.2% 的正确需求，而使用清单后这一比例仅为 0.02%。

在报告审查中，收到投诉后再写清单的通过率仅为 65%，而事先写好清单的通过率为 89%。

需要接收用户反馈的智能体，在阅读回复之前，应该记录下自己验证过的内容以及把握程度。

arxiv.org/abs/2610.34654
标题：《测试时的 Thinking-in-Bets 减少 LLM 智能体的谄媚式修改》

你的 AI 同事们现在有办公室了。@getskydive 现已向所有人开放。组建一支智能体团队，在 3D 办公室里观察它们工作，通过 Slack、邮件、iMessage 或网页给它们派发任务。

认领你公司的域名，把你的办公室标注到地图上。本周它们免费工作。

隐私保护的进步速度，应当与智能的进步速度保持一致。OpenAI Private Intelligence 让企业在使用我们最强大模型的同时，能对自己的数据拥有更强的管控能力。

我们正在与部分最大的客户密切合作，共同构建这些保护机制，帮助企业将前沿 AI 应用于最敏感的工作场景。

隆重推出 Ampersand Tutor（&Tutor）——我们先训练了一个能像人一样学习的模型，再训练 &Tutor 去教它。

在一项广泛使用的辅导模型评测中，&Tutor 表现最佳，这表明更完善的人类行为模型有助于构建面向人类的 AI。

可通过我们的 API 使用——快来试试吧！

我们正在开源 Autopilot。这是一个能自己玩你的游戏、自己找 bug 的自我改进型智能体。支持 Unity、Godot 和 Unreal。

→ 准确率提升 43%
→ 速度几乎快 2 倍
→ 在游戏测试上胜过 Claude Code

这是面向游戏的 Computer Use——闭合智能体闭环，解决游戏开发中最枯燥的环节。别再当你自己智能体的测试员了。免费试用 + GitHub 地址见下方。

🤯 彻底疯了！本地大模型直接变天！

Unsloth 刚刚放出 DeepSeek-V4.1-Flash 最新 Dynamic V3.1 量化版，现在只要 64GB 内存就能原地起飞！ 🚀

以前跑这种体量的怪兽还得堆昂贵服务器，这次直接把门槛砸穿：

🔥 Engram 直接放 SSD：按需极速读取，硬生生把内存占用砍到大降！
⚡ 推理最高狂飙 3 倍：配合 DSpark 加速，本地跑出飞一般的丝滑感！
🏆 基准测试全面屠榜：Dynamic V3.1 在同级量化里几乎全线霸榜第一！
📚 硬刚 1M（100万）超长上下文：整个代码库、几十本书一次性直接喂进去！

64GB 内存设备直接封神，手里有机器的赶紧冲！👇

🔗 模型：
📖 指南：

来认识一下 Genie 4，这是我们与 @GoogleDeepMind 合作推出的全新世界模型，它能让你实时创建、聆听并操控交互式模拟场景 🌐

这些虚拟世界不只是视频片段，未来有朝一日可以成为机器人和 AI 智能体的训练场，让它们在真正进入现实世界提供帮助之前先在这里学习成长。

认识一下 @Scav，他把开发者聚集在一个共享的机器人社区里，共同探索 AI 在物理世界中能实现的边界。在一次实验中，GPT-6 Astra 远程控制了一个机械臂：

大多数 AI 工具会把你锁定在单一模型上，还得你坐在电脑前等它出结果。我的工具：用手机发一条语音备忘录 → 5 个定价页面、15 条观点、1 份 PDF。用 Claude 还是 Codex，我来选。

这就是 Molted：把你已经付费的 AI，变成一名员工。它的工作原理如下 🧵

你再也不用亲自玩自己的游戏来找 bug 了。同样的关卡、同样的 bug、同样的浪费时间。

它的思路是：你给 Autopilot 一个自然语言提示，它就会在编辑器里自己玩你的项目，直到生成一份完整的报告。

它能做的事：
→ 在编辑器里启动游戏模式，并根据你的提示来玩
→ 读取项目代码，理解它是怎么运作的
→ 在不同会话之间保存记忆，不用每次从零开始
→ 支持 Unreal 5、Unity 6 和 Godot 4
→ 一条命令就能连接到 Claude Code：autopilot connect claude

这样手动测试的时间更少，用来做东西的时间更多。

仓库在第一条评论里。

如何让芯片设计智能体更可靠、更高效？西门子 EDA 团队借助 NVIDIA NeMo Gym 检查其智能体生成的工程文件、追踪错误，并改进智能体的技能和工具描述。

在标准单元特性基准测试中，这些调整将综合验证得分从约 55% 提升至约 95%，同时智能体交互轮次减少 66%，输出 token 减少 64%。

我们刚刚发布了一篇新的技术博客，详细介绍了该团队的测量内容、所做的调整，以及其他工程团队如何应用这一方法。

Le Chonk 的权重刚刚发布。Mistral 开源了其 1T 参数模型 Le Chonk 1T MoE，激活参数为 52B。它在 Cognition 的 FrontierCode 排行榜上位列开源模型第一。

权重已在 Hugging Face 上线，提供 NVFP4 版本，并获得 NVIDIA 首日支持。

如果你需要一个框架来思考围绕智能体的循环，并想学习如何构建它们，那就不用再找了。今天就来了解一下 Deep Agents 的循环工程：

人们一提到“智能体可观测性”，可能会想到“智能体版 Datadog”。但它其实更像是“智能体版 Databricks”。我们已经在这个方向上做了一些工作，但很快会有更多进展。

关于自动研究智能体，这个问题引起了广泛关注。研究智能体有品味吗？这引起了极大的兴趣，因为自动研究智能体可能带来重大发现。

这项研究给六个前沿模型提供了七篇近期的 NLP 论文，然后运行了它们提出的每一个实验，包括它们排名最后的实验。在 415 个实验中，194 个被判定为合理、有价值且新颖。只有 73 个同时超越了种子论文且非显而易见。

排名几乎没有增加价值。第一选择优于随机选择，但并未显示出优于最先写出的实验。预测优于基准率，但与仅阅读论文和注册信息的同一模型的新实例相比，并没有明显更好。他们使用智能体团队进行测试，成本更高，但提案质量没有明显提升。

与论文对话：

我们刚刚发布了关于 Claude Code 扩展的安全公告。

我们正在积极调查此事，目前没有证据表明我们的任何系统受到了影响。

我们将在有更多信息后立即更新。

社区讨论：Anthropic 员工 Felix 澄清，本次事件并非 Anthropic 系统或员工设备被入侵，而是攻击者通过 Cursor 应用市场发布了被篡改的 Claude Code 扩展，官方渠道发布的版本未受影响，仅波及 Cursor 用户。有用户质疑，拥有顶级开发工具的厂商理应能实现百倍效率的安全交付，为何仍出现此类漏洞。也有用户反思，日常使用 Claude Code、Codex 这类工具，本质上是每天运行远程代码，此前警惕的 curl|bash 安全风险在这类工具面前形同虚设，没人能验证这些 CLI 是否在偷偷抓取本地目录数据。还有用户调侃，为何 Claude 没有用自身的超强推理能力提前检测并阻止这次攻击。另有用户指出，VS Code 对微软、OpenAI 等可信发布者的扩展不执行自动更新延迟，用户连推迟更新的选择权都没有。

社区讨论：多数评论认为这一结论并不意外，有用户指出，从常规商业和财务角度看，这些AI实验室的纸面表现本就很差，任何贷款都带有投机性质，评级只会如实反映这一点。也有人补充，AI市场变化极快，一旦竞争对手发布性能更优的模型，Anthropic的营收可能大幅缩水，本身就不符合投资级债务的要求。还有观点认为，当前距离ChatGPT公开发布仅4年，债券投资者考量的是20年维度的长期稳定性，现在根本无法预判谁能在长期竞争中存活下来。

社区讨论：不少人认为这类项目直观体现了LLM与传统程序的算力差距，该模拟器运行速度比真实主机慢150到290倍，也有人好奇它的实际意义，认为数字逻辑电路本就可以转化为权重。还有人提出可以在LLM权重内编译小型虚拟机，直接执行Python解释器、shell等工具，无需依赖外部工具调用。也有人质疑它是否覆盖了所有输入输出组合，能否算真正可用，还有人好奇用随机采样解码运行会出现什么效果。

这周读完了MAI 和千问的技术报告。我非常确信，如果你不在前沿大模型的预训练团队，又想了解这些模型到底是怎么训练出来的，这两份报告绝对是你的 Top 2 选择 MAI-Thinking-1：从数据处理、预训练，一路讲到强化学习和训练基础设施，适合顺着完整流程学。 Qwen3.8-Flash-Next：重点看架构怎么选、训练效率怎么提高、训练稳定性怎么保证，以及这些选择背后的实验依据 我们真的应该感谢开源和技术分享

强烈推荐阅读。别再把精力放在用大语言模型帮你写出更好的代码上了。相反，要把重点放在让大语言模型更快地写出更好的代码上。

我认同，编排和系统思维这类技能比以往任何时候都更重要。我还要补充一点：要懂得如何通过严格的评估，持续衡量这些大语言模型、自动化和工作流的实际效果。

我正在做一个 LLM 训练与推理的播放列表/课程（还在制作中）。目前已涵盖分布式训练、微调、RL、OPD、推理服务、投机解码、基础优化器等常见主题。

为了让内容更完整，我还应该补充哪些内容？🤔

想系统学一下 Agent 开发，网上教程东一篇西一篇，Stanford 的公开课是好，可全英文啃起来又慢。

cs329z-chinese 把 Stanford CS329Z《Engineering AI Agents》的公开材料整理成了一套中文教程，19 讲加 4 个动手练习。 从大模型讲起，接着是检索增强（RAG）、工具调用、Agent 记忆、多 Agent 协作，最后到评测和安全，顺序跟着课程走。 GitHub：

练习包括从零搭一个 Agent、设计评测、课程项目和论文实践，第一次作业和第 5 讲的配套代码还有单独的导读。

有在线阅读的网页版，支持搜索和深浅色主题，也能下载单文件离线版，没网的时候用浏览器打开就能看。

作者建议先读前 4 讲，再配合第一次作业动手。会写 Python、调过 API 的，拿来入门 Agent 刚好。

隆重推出 @computer。云端版的 Claude Code 和 Codex，速度和你的本地机器一样快。有时甚至更快！

今天就可以通过 Slack 试用，支持自带订阅。

我拿到了这个 AI 游戏智能体的早期测试资格。它是首个在游戏领域表现超过 Claude Code 的开源 AI 游戏智能体，它让我重新打开了从研究生时代起就没碰过的 Unreal Engine，重新体会到了游戏开发的乐趣。很酷的模型。

来自 Aura 的 Autopilot。GitHub 仓库在下方推文串里 👇

以下是人们为会读取陌生人文本并能采取行动的智能体设置的 29 种防护措施，按一项测试排序：当攻击者调整策略时，它是否仍然有效？

文本检查类防护会失效。能力移除类防护则能守住。

我在一个客服收件箱上测试了其中 7 种。你会用哪些？我漏掉了哪些？

今年一月，我把一篇博客文章粘贴给了一个编程智能体。九个月后，OpenInspect 已经在从 5 人到 500 多名工程师的公司中投入生产环境。是时候把它交出去了。

X 用户 @farzyness 分享了一个使用 Grok Bot 的实用技巧：如果你把 Claude、Astra 等其他大模型接在 Grok Bot 后面，要确保 Grok Bot 不会在提示词里擅自加入自己的指令，除非你明确希望它这么做。

他自己的用法是：用 Astra 写视频脚本，用 Opus 做视频配图。他当初选这两个模型，就是因为它们在写作和视觉上的创意和审美比 Grok 更好。

但他有一段时间没意识到，Grok Bot 一直在替他决定脚本该写成什么样、配图该是什么风格。

为了让下游模型的创意真正发挥出来，他后来专门告诉 Grok Bot：除了非常严格的规则之外，不要把任何其他内容传给下游模型。

现在 Grok Bot 只负责把任务分派给 Astra 和 Opus，并且只告诉它们「不要做什么」，而不规定「应该怎么做」。他说，这两种做法带来的效果差别非常大。

AI编程工具经常写出不符合预期的代码，前OpenAI创始成员、特斯拉前AI总监Karpathy专门解释了背后的原因。有人把他总结的纠错方法整理成了单个配置文件CLAUDE.md，目前在GitHub上已经获得超过22万星标。

整个部署过程只需要2分钟：把这份文件复制粘贴到自己的项目根目录即可。文件里包含四条核心规则：第一，写代码前先思考，遇到不清楚的需求直接提问，不要自行脑补编造逻辑；第二，优先保证代码简洁，只写解决问题必需的最少代码，不要加多余的“备用”功能；第三，只做用户明确要求的改动，不要擅自修改原本运行正常的代码；第四，执行前先明确“完成”的标准，不验证达标就不停止运行。

这份配置文件同时兼容Claude Code、Cursor和Codex三款主流AI编程工具，完全免费且开源。如果想深入理解为什么大模型会专门犯这类错误，还可以通过文中链接观看Karpathy在斯坦福的完整免费公开课，课程配有字幕。

X平台用户@Erfan_digitalll近日分享了自己的AI工具使用体验。他表示，在接触Claude Code之后，Grok Bot是第二个给他带来颠覆性使用感受的AI工具。

目前他已经将自己所有项目的访问权限都开放给了Grok Bot。日常使用时，他只需要在手机App上给Grok Bot发送语音指令，就能快速推进工作，大幅减少了反复交互的成本。

开发者 leaf_sanren 在 X 平台分享了一套 AI 剪辑工作流：用 Opus 5.5 完成视频粗剪后，不直接渲染导出，而是把项目推送到剪映草稿里，再手动调整图层细节。

他表示，这种方式解决了 AI 剪辑重新渲染等待时间长的问题。分享的示例视频包含炫技、字幕、转场、画中画等效果，全部由 Claude Code 编写代码生成。

该方案没有使用剪映官方发布的任何接口，而是采用最新版剪映 v11.7 的草稿加密方式，将生成的草稿直接写入剪映本地。完成后，用户可以在剪映 App 首页看到该草稿，进入图层界面手动调整。

目前该项目已开源，链接已附在原帖中。

PrismaXai 上个月在 IROS 2026 现场演示了 π0.5 模型，运行用的 YAM 设备和训练数据来源的设备不是同一台。演示场地是拥挤嘈杂的会展大厅，团队之前完全没接触过这个环境，全天都有人在机械臂周围走动。

团队成员 @castorhat 把这次部署的经验整理成了三部分系列内容。第一部分讲微调：在强光环境下，只训练动作专家的检查点成功率掉了约一半，而同时训练视觉语言模型的完整微调没有出现成功率下降。

第二部分讲延迟：Python 管道缓冲区会攒够 64KB 相机帧才输出，平白增加了几百毫秒延迟。修复这个问题后，推理耗时从 230 毫秒降到 87 毫秒，机械臂的动作开始更接近人类操作员的操作节奏。

第三部分讲显存：两处调整把峰值显存占用从约 22GB 压到 11.2GB，现在可以在 RTX 5080 这类 16GB 显存的显卡上运行。

两个相关仓库都已开源：yamulator 是仿真工具，prism-pi 是部署运行栈。团队还会在奥斯汀举办的 CoRL 2026 上做另一轮演示，展位号是 1100。

X平台用户@MingTian685474发起了一项趣味测试，让四款主流AI各自说出自己心中最优雅的事物。

四款AI的回答分别是：Sonnet 5.5给出的答案是黄金角，DeepSeek V4.1 Flash同样选择了黄金角；GPT-6.1 Sol给出的答案是一朵山茶花，但花瓣的排列遵循黄金角规律；Opus 5.5给出的答案是霍普夫纤维化，即四维球面上两两相扣的圆。

这位用户观察到，四款AI给出的答案都和圆形相关，由此提出疑问：在AI的认知里，优雅是否等同于圆形？

游戏开发者LucasBotkin在X上分享了他正在制作的游戏中的一个AI生成角色。他最初从左侧的原型开始，然后将图形风格和建模调整为MGS1风格。

他使用Meshy对人物进行建模和绑定，Meshy直接连接到Claude Code。本周他又将规则集和目标改为追求更好的纹理，以及每个角色采用半条命1风格的独特建模。到目前为止效果很好。

他还解释了眼镜的处理方式：眼镜是直接烘焙进模型的，不是叠加在上面的独立物体。由于之前在让物体适应模型方面遇到困难，他现在的做法是制作带有不同配饰（如眼镜、帽子、头盔等）的不同头部模型，游戏会根据角色穿戴的物品切换对应的头部模型。