Anthropic发布BioMysteryBench：5名专家都答不出的生物题，Claude Mythos能解出30%
Anthropic 发布 BioMysteryBench，99 道生物信息学题，由领域专家基于真实数据集出题。数据涵盖 DNA/RNA 测序、蛋白质组学、代谢组学等，每道题的答案都能从数据本身的客观属性验证，不取决于出题者选了什么分析方法。比如给一组 RNA-seq 数据，问实验组敲掉了哪个基因；给全基因组测序数据，问谁是谁的父母。
Claude 拿到一个容器，里面预装常用生信工具，可以自己用 pip 和 conda 装软件，也可以连 NCBI、Ensembl 等公共数据库下参考基因组，怎么分析随意，只看最终答案。99 道题里 76 道至少有一名人类专家做对，剩下 23 道让最多 5 名专家分别试过，没人答出来。
人类能做的 76 道题，Opus 4.6 准确率 77.4%，Mythos Preview 更高。23 道专家做不出的题，Mythos Preview 解出 30%。Claude 怎么做到的？一种是靠预训练吃进去的海量论文知识，人类得翻几十篇文献做元分析才能拼出来的结论，它直接推出来了；另一种是拿不准时同时跑好几套分析方法，哪个结论多条路都指向，就选哪个。
不过答对和稳定答对是两回事。人类可解题上，Opus 4.6 答对的题 86% 在 5 次重复中至少对 4 次；人类困难题上这一比例降到 44%，近半数正确答案只在 5 次里碰对 1 到 2 次，更像是碰巧走通了某条路。
罗氏旗下的基因泰克（Genentech，美国最大生物技术公司之一）同期发布了思路相似的 CompBioBench（100 道计算生物学题），Claude Opus 4.6 整体 81%、最难题 69%，两套独立评测结论一致。
信源：https://www.anthropic.com/research/Evaluating-Claude-For-Bioinformatics-With-BioMysteryBench
Anthropic 发布 BioMysteryBench，99 道生物信息学题，由领域专家基于真实数据集出题。数据涵盖 DNA/RNA 测序、蛋白质组学、代谢组学等，每道题的答案都能从数据本身的客观属性验证，不取决于出题者选了什么分析方法。比如给一组 RNA-seq 数据，问实验组敲掉了哪个基因；给全基因组测序数据，问谁是谁的父母。
Claude 拿到一个容器，里面预装常用生信工具，可以自己用 pip 和 conda 装软件，也可以连 NCBI、Ensembl 等公共数据库下参考基因组，怎么分析随意，只看最终答案。99 道题里 76 道至少有一名人类专家做对，剩下 23 道让最多 5 名专家分别试过，没人答出来。
人类能做的 76 道题，Opus 4.6 准确率 77.4%，Mythos Preview 更高。23 道专家做不出的题，Mythos Preview 解出 30%。Claude 怎么做到的？一种是靠预训练吃进去的海量论文知识，人类得翻几十篇文献做元分析才能拼出来的结论，它直接推出来了；另一种是拿不准时同时跑好几套分析方法，哪个结论多条路都指向，就选哪个。
不过答对和稳定答对是两回事。人类可解题上，Opus 4.6 答对的题 86% 在 5 次重复中至少对 4 次；人类困难题上这一比例降到 44%，近半数正确答案只在 5 次里碰对 1 到 2 次，更像是碰巧走通了某条路。
罗氏旗下的基因泰克（Genentech，美国最大生物技术公司之一）同期发布了思路相似的 CompBioBench（100 道计算生物学题），Claude Opus 4.6 整体 81%、最难题 69%，两套独立评测结论一致。
信源：https://www.anthropic.com/research/Evaluating-Claude-For-Bioinformatics-With-BioMysteryBench
Anthropic
Evaluating Claude’s bioinformatics research capabilities with BioMysteryBench
Anthropic is an AI safety and research company that's working to build reliable, interpretable, and steerable AI systems.
OpenAI 将向关键网安防御者开放 GPT-5.5-Cyber
OpenAI 发布名为「智能时代的网络安全」的行动计划白皮书，提出五大支柱框架，面向美国联邦、州和地方政府及盟友提供 AI 网安防御能力。CEO Sam Altman 同步宣布开始向关键网安防御者推送 GPT-5.5-Cyber，称其为「前沿网安模型」。
白皮书由 OpenAI 国家安全政策主管 Sasha Baker 署名，核心主张是：攻击者不会等，与其限制前沿模型只给少数合作伙伴，不如加速向可信防御者开放。五支柱分别是：民主化网安防御、政企协调、前沿能力安全保护、部署可见性与控制、帮助个人用户自我保护。
具体扩展计划包括：把 TAC（可信网安准入）项目从安全厂商和研究员扩展到各级政府部门；优先覆盖金融行业；通过托管安全服务商（MSSP）和 CISA 项目间接覆盖缺乏自建能力的小型医院、学区和水务局；并计划向民主盟友国家扩展准入。
GPT-5.5-Cyber 是继 4 月中旬 GPT-5.4-Cyber 之后的升级版本。GPT-5.5 的网安能力在 OpenAI 准备框架中被评为 High（未达 Critical），在 CyberGym 评测上得分 81.8%，高于 Claude Opus 4.7 的 73.1%。白皮书还提到，ChatGPT 用户每月发送超 1500 万条消息要求检查可疑内容是否为诈骗。
信源：https://x.com/sama/status/2049712078836170843?s=46
OpenAI 发布名为「智能时代的网络安全」的行动计划白皮书，提出五大支柱框架，面向美国联邦、州和地方政府及盟友提供 AI 网安防御能力。CEO Sam Altman 同步宣布开始向关键网安防御者推送 GPT-5.5-Cyber，称其为「前沿网安模型」。
白皮书由 OpenAI 国家安全政策主管 Sasha Baker 署名，核心主张是：攻击者不会等，与其限制前沿模型只给少数合作伙伴，不如加速向可信防御者开放。五支柱分别是：民主化网安防御、政企协调、前沿能力安全保护、部署可见性与控制、帮助个人用户自我保护。
具体扩展计划包括：把 TAC（可信网安准入）项目从安全厂商和研究员扩展到各级政府部门；优先覆盖金融行业；通过托管安全服务商（MSSP）和 CISA 项目间接覆盖缺乏自建能力的小型医院、学区和水务局；并计划向民主盟友国家扩展准入。
GPT-5.5-Cyber 是继 4 月中旬 GPT-5.4-Cyber 之后的升级版本。GPT-5.5 的网安能力在 OpenAI 准备框架中被评为 High（未达 Critical），在 CyberGym 评测上得分 81.8%，高于 Claude Opus 4.7 的 73.1%。白皮书还提到，ChatGPT 用户每月发送超 1500 万条消息要求检查可疑内容是否为诈骗。
信源：https://x.com/sama/status/2049712078836170843?s=46
xAI坐拥50万张GPU但利用率仅11%，竞争对手称「低得离谱」
马斯克旗下 xAI 拥有约 50 万张英伟达 GPU，公开数据中属于 AI 开发商里最大的集群之一。但内部备忘录显示，xAI 近几周的 MFU（Model Flops Utilization，衡量芯片实际算力产出占理论峰值的比例）仅约 11%。一名竞争对手实验室的研究员称，大多数公司要突破 40% 都很难，但 11%「低得离谱」。
利用率低是行业通病。AI 训练是间歇式的：GPU 在训练时满负荷运转，研究员分析结果、决定下一步时芯片就闲着了。硬件层面也有瓶颈：高带宽内存（HBM）速度跟不上计算芯片，成千上万张 GPU 之间传输数据时网络任何薄弱环节都会拖慢整个集群。
行业内还有「刷数据」现象。一家大型实验室的研究员透露，同事会反复重跑训练实验来抬高利用率数字，一方面避免被上级批评，另一方面防止闲置的 GPU 被调给其他团队。
信源：https://www.theinformation.com/newsletters/ai-agenda/xai-shows-hard-use-lot-gpus
马斯克旗下 xAI 拥有约 50 万张英伟达 GPU，公开数据中属于 AI 开发商里最大的集群之一。但内部备忘录显示，xAI 近几周的 MFU（Model Flops Utilization，衡量芯片实际算力产出占理论峰值的比例）仅约 11%。一名竞争对手实验室的研究员称，大多数公司要突破 40% 都很难，但 11%「低得离谱」。
利用率低是行业通病。AI 训练是间歇式的：GPU 在训练时满负荷运转，研究员分析结果、决定下一步时芯片就闲着了。硬件层面也有瓶颈：高带宽内存（HBM）速度跟不上计算芯片，成千上万张 GPU 之间传输数据时网络任何薄弱环节都会拖慢整个集群。
行业内还有「刷数据」现象。一家大型实验室的研究员透露，同事会反复重跑训练实验来抬高利用率数字，一方面避免被上级批评，另一方面防止闲置的 GPU 被调给其他团队。
信源：https://www.theinformation.com/newsletters/ai-agenda/xai-shows-hard-use-lot-gpus
The Information
XAI Shows How Hard It Is to Use a Lot of GPUs at Once
AI developers have been desperately scrambling to get ahold of Nvidia server chips lately, as we wrote last week. When developers do get the graphics processing units, they’re under a lot of pressure to wring as much performance as possible from that expensive…
✍1
开源编辑器Zed发布1.0：放弃Electron，用Rust + GPU渲染从零重写
代码编辑器 Zed 发布 1.0。Zed 由 Atom 编辑器创始人 Nathan Sobo 团队打造，Atom 当年 fork Chromium 做桌面应用，顺手催生了 Electron 框架，后者成为 VS Code 的底座。Sobo 团队认为 Web 技术给编辑器设了天花板，于是放弃 Electron，用 Rust 从零重写，整个 UI 像游戏引擎一样直接喂数据给 GPU 着色器渲染，自研了 UI 框架 GPUI。
五年开发，代码量超百万行，覆盖 Mac、Windows、Linux。功能面已补齐现代编辑器的标配：Git 集成、SSH 远程开发、调试器、彩虹括号。AI 方面，Zed 支持同一窗口并行跑多个 agent，编辑预测按键级粒度提示下一步改动。开放的 Agent Client Protocol 已接入 Claude Agent、Codex、OpenCode，最近 Cursor 也加入。
同步推出企业版 Zed for Business，提供集中计费、角色权限和团队管理。Zed 今年 2 月完成 Sequoia 领投的 3200 万美元 B 轮，总融资超 4200 万美元。团队正在开发 DeltaDB，一个基于 CRDT（无冲突复制数据类型）的同步引擎，按字符级粒度追踪每次改动，目标是让多个人和多个 agent 共享同一份实时代码视图，在 agent 生成代码的上下文里直接做 review，而不用等 PR。
Zed 开源，目前有数十万开发者日活使用。
信源：https://zed.dev/blog/zed-1-0
代码编辑器 Zed 发布 1.0。Zed 由 Atom 编辑器创始人 Nathan Sobo 团队打造，Atom 当年 fork Chromium 做桌面应用，顺手催生了 Electron 框架，后者成为 VS Code 的底座。Sobo 团队认为 Web 技术给编辑器设了天花板，于是放弃 Electron，用 Rust 从零重写，整个 UI 像游戏引擎一样直接喂数据给 GPU 着色器渲染，自研了 UI 框架 GPUI。
五年开发，代码量超百万行，覆盖 Mac、Windows、Linux。功能面已补齐现代编辑器的标配：Git 集成、SSH 远程开发、调试器、彩虹括号。AI 方面，Zed 支持同一窗口并行跑多个 agent，编辑预测按键级粒度提示下一步改动。开放的 Agent Client Protocol 已接入 Claude Agent、Codex、OpenCode，最近 Cursor 也加入。
同步推出企业版 Zed for Business，提供集中计费、角色权限和团队管理。Zed 今年 2 月完成 Sequoia 领投的 3200 万美元 B 轮，总融资超 4200 万美元。团队正在开发 DeltaDB，一个基于 CRDT（无冲突复制数据类型）的同步引擎，按字符级粒度追踪每次改动，目标是让多个人和多个 agent 共享同一份实时代码视图，在 agent 生成代码的上下文里直接做 review，而不用等 PR。
Zed 开源，目前有数十万开发者日活使用。
信源：https://zed.dev/blog/zed-1-0
zed.dev
Zed is 1.0
From the Zed Blog: The editor we set out to build is now 1.0.
Cursor开放TypeScript SDK：几行代码启动编程agent，可嵌入CI/CD和客户产品
AI 编程工具 Cursor 发布 TypeScript SDK 公开 beta 版，开发者用
Cloud 模式下，agent 在笔记本合盖或断网后继续工作，完成后可自动开 PR、推分支或附上截图。开发者可以随时从 Cursor 桌面端或网页接入查看进度或接管任务。agent 继承 Cursor 全套能力：代码库索引与语义搜索、MCP 服务器连接外部工具、Skills 目录自动加载技能、Hooks 控制 agent 循环、子 agent 委派子任务。模型可选 Cursor 支持的所有前沿模型，包括专用编程模型 Composer 2。
典型用法包括从 CI/CD 流水线（代码持续集成 / 持续部署的自动化管道）直接触发 agent 修 bug、总结变更，或嵌入客户产品让终端用户直接获得 agent 体验。已有企业在用 SDK 搭建内部无代码查询工具。SDK 对所有 Cursor 用户开放，按 token 消费量计费。
信源：https://cursor.com/blog/typescript-sdk
AI 编程工具 Cursor 发布 TypeScript SDK 公开 beta 版，开发者用
npm install @cursor/sdk 安装后，几行代码就能启动与 Cursor 桌面端、CLI、网页端相同运行时的编程 agent。SDK 支持三种运行模式：本地运行、Cursor Cloud（每个 agent 独占一台沙箱虚拟机）、以及自托管的 worker 节点。Cloud 模式下，agent 在笔记本合盖或断网后继续工作，完成后可自动开 PR、推分支或附上截图。开发者可以随时从 Cursor 桌面端或网页接入查看进度或接管任务。agent 继承 Cursor 全套能力：代码库索引与语义搜索、MCP 服务器连接外部工具、Skills 目录自动加载技能、Hooks 控制 agent 循环、子 agent 委派子任务。模型可选 Cursor 支持的所有前沿模型，包括专用编程模型 Composer 2。
典型用法包括从 CI/CD 流水线（代码持续集成 / 持续部署的自动化管道）直接触发 agent 修 bug、总结变更，或嵌入客户产品让终端用户直接获得 agent 体验。已有企业在用 SDK 搭建内部无代码查询工具。SDK 对所有 Cursor 用户开放，按 token 消费量计费。
信源：https://cursor.com/blog/typescript-sdk
Cursor
Build programmatic agents with the Cursor SDK · Cursor
Launch, steer, and compose custom agents with the Cursor SDK.
xAI内测Grok Imagine Agent：无限画布上一句话出整套短片
多名用户在 X 上发帖称，Grok 网页版正在灰度上线 Imagine Agent Mode（beta）。这是 xAI 在已有的 Grok Imagine 图像视频生成基础上新加的 agent 模式，交互界面从传统聊天窗口换成了无限画布。
用户截图显示，Grok 侧边栏新增「Imagine」入口，点进去是一块开放画布，右侧列出预设工作流模板：Create Worlds、Short Film、UGC Product Stories（用户生成内容的产品图文包）、Brand Identity。用一句话说清想要什么，agent 在画布上一步步把图片和视频全部生成出来。具体能力包括同时生成和编辑多张图片、把静态图转成视频后自动拼接、视频裁剪和淡入淡出、导出成品。
TestingCatalog 称 Imagine Agent 可以处理复杂的多步指令，例如「生成一部 1 分钟短片」「生成一整套漫画」「生成 UGC 产品图文包」。另一名用户展示了 agent 先批量生成 3 组产品图和 3 组模特照片，再自动组合成社交媒体素材包的完整流程。
xAI 尚未发布官方公告。
信源：https://x.com/testingcatalog/status/2049649752699249019
多名用户在 X 上发帖称，Grok 网页版正在灰度上线 Imagine Agent Mode（beta）。这是 xAI 在已有的 Grok Imagine 图像视频生成基础上新加的 agent 模式，交互界面从传统聊天窗口换成了无限画布。
用户截图显示，Grok 侧边栏新增「Imagine」入口，点进去是一块开放画布，右侧列出预设工作流模板：Create Worlds、Short Film、UGC Product Stories（用户生成内容的产品图文包）、Brand Identity。用一句话说清想要什么，agent 在画布上一步步把图片和视频全部生成出来。具体能力包括同时生成和编辑多张图片、把静态图转成视频后自动拼接、视频裁剪和淡入淡出、导出成品。
TestingCatalog 称 Imagine Agent 可以处理复杂的多步指令，例如「生成一部 1 分钟短片」「生成一整套漫画」「生成 UGC 产品图文包」。另一名用户展示了 agent 先批量生成 3 组产品图和 3 组模特照片，再自动组合成社交媒体素材包的完整流程。
xAI 尚未发布官方公告。
信源：https://x.com/testingcatalog/status/2049649752699249019
智谱复盘GLM-5「乱码门」：日均数亿次Coding Agent调用，两个竞态bug藏在KV Cache里
智谱发文复盘 GLM-5 系列模型在 Coding Agent 场景下出现乱码、复读和生僻字的问题。3 月起陆续有用户反馈，异常只在高并发、长上下文（平均超 70K token）的 Coding Agent 任务中触发，标准推理环境下无法复现。智谱称其推理系统每天承受数亿次 Coding Agent 调用。
经数周排查，团队定位到两个相互独立的底层竞态 bug。第一个出在 PD 分离架构（把预填充和解码拆到不同节点的部署方式）：解码侧超时中止请求后回收了 KV Cache（缓存已计算的注意力状态，避免重复计算），但预填充侧的 RDMA 写入还没结束，新请求被分配到同一块显存，旧数据覆盖了新数据。修复方法是在回收前加显式同步，确认写入完成才释放。上线后异常率从万分之十几降至万分之三以下。
第二个 bug 出在 HiCache（多级 KV Cache）：从 CPU 内存异步换入缓存时，加载和计算两条流水线之间缺少同步点，计算侧可能在数据尚未加载完毕时就开始读取。修复后该类异常完全消失，补丁已提交 SGLang 社区（PR #22811）。
排查过程中还有一个意外发现：投机采样（先用小模型猜 token 再由大模型验证的加速技术）的接受率指标可以当异常检测信号。乱码时草稿 token 几乎全被拒绝，复读时接受率异常偏高。团队据此做了在线监控：触发阈值就自动中止生成并重试。
在修完 bug 之后，团队还针对瓶颈做了一个优化：LayerSplit KV Cache 分层存储，每张 GPU 只存部分层的 KV Cache 而非全量，通过广播协同计算。在 90% 缓存命中率下，请求长度从 40K 到 120K 区间，吞吐提升 10% 到 132%，上下文越长收益越大。
信源：https://mp.weixin.qq.com/s/P2b5yivqEKP4vB4M633XTA
智谱发文复盘 GLM-5 系列模型在 Coding Agent 场景下出现乱码、复读和生僻字的问题。3 月起陆续有用户反馈，异常只在高并发、长上下文（平均超 70K token）的 Coding Agent 任务中触发，标准推理环境下无法复现。智谱称其推理系统每天承受数亿次 Coding Agent 调用。
经数周排查，团队定位到两个相互独立的底层竞态 bug。第一个出在 PD 分离架构（把预填充和解码拆到不同节点的部署方式）：解码侧超时中止请求后回收了 KV Cache（缓存已计算的注意力状态，避免重复计算），但预填充侧的 RDMA 写入还没结束，新请求被分配到同一块显存，旧数据覆盖了新数据。修复方法是在回收前加显式同步，确认写入完成才释放。上线后异常率从万分之十几降至万分之三以下。
第二个 bug 出在 HiCache（多级 KV Cache）：从 CPU 内存异步换入缓存时，加载和计算两条流水线之间缺少同步点，计算侧可能在数据尚未加载完毕时就开始读取。修复后该类异常完全消失，补丁已提交 SGLang 社区（PR #22811）。
排查过程中还有一个意外发现：投机采样（先用小模型猜 token 再由大模型验证的加速技术）的接受率指标可以当异常检测信号。乱码时草稿 token 几乎全被拒绝，复读时接受率异常偏高。团队据此做了在线监控：触发阈值就自动中止生成并重试。
在修完 bug 之后，团队还针对瓶颈做了一个优化：LayerSplit KV Cache 分层存储，每张 GPU 只存部分层的 KV Cache 而非全量，通过广播协同计算。在 90% 缓存命中率下，请求长度从 40K 到 120K 区间，吞吐提升 10% 到 132%，上下文越长收益越大。
信源：https://mp.weixin.qq.com/s/P2b5yivqEKP4vB4M633XTA
Anthropic让AI自己招供：一个LoRA插件审出人类10种方法都漏掉的隐藏行为
Anthropic 对齐团队发布「内省适配器」（Introspection Adapters），一种让 LLM 用自然语言报告自己微调后学到的行为的审计技术。做法是从同一个基座模型微调出大量带已知行为的模型，再跨这些模型联合训练一个 LoRA 适配器（一种轻量级模型微调方法，只更新少量参数），让被审计模型加载后主动说出自己的隐藏行为。
在对齐审计基准 AuditBench 上，内省适配器以 59% 的成功率超过此前所有审计方法，包括黑盒、白盒和脚手架式方法，此前最好成绩为 53%。56 个带隐藏行为的模型中，89% 被成功引出行为描述。面对加密微调 API 攻击（用密文训练数据植入有害行为，训练数据看起来完全无害），内省适配器在 9 种加密变体中识别出 7 种，成功率 57.8%，尽管训练时从未出现过任何加密相关内容。
英国 AI 安全研究所此前举办过一场红蓝对抗实验，红队训练模型在特定条件下故意压低能力表现（sandbagging），蓝队用 10 种检测手段逐一尝试，全部失败。内省适配器虽未精确说出压低能力的具体条件，但在这些模型上报告类似 sandbagging 行为的比例达 33%，远高于对照组的 15.8%，是目前唯一提供检测信号的方法。
研究还发现，效果随模型规模增大而提升：Qwen3 系列从 6 亿参数的 37.7% 准确率升至 140 亿参数的 77.3%。机制分析表明，适配器并未教会模型新能力，而是激发了模型已有的潜在自我认知，即使只用 rank-1 的 LoRA 也能获得有效结果。主要局限是假阳性率高：对没有特定行为的模型，适配器容易编造训练分布中见过的行为。代码、模型和数据集已在 GitHub 和 Hugging Face 开源。
信源：https://alignment.anthropic.com/2026/introspection-adapters/
Anthropic 对齐团队发布「内省适配器」（Introspection Adapters），一种让 LLM 用自然语言报告自己微调后学到的行为的审计技术。做法是从同一个基座模型微调出大量带已知行为的模型，再跨这些模型联合训练一个 LoRA 适配器（一种轻量级模型微调方法，只更新少量参数），让被审计模型加载后主动说出自己的隐藏行为。
在对齐审计基准 AuditBench 上，内省适配器以 59% 的成功率超过此前所有审计方法，包括黑盒、白盒和脚手架式方法，此前最好成绩为 53%。56 个带隐藏行为的模型中，89% 被成功引出行为描述。面对加密微调 API 攻击（用密文训练数据植入有害行为，训练数据看起来完全无害），内省适配器在 9 种加密变体中识别出 7 种，成功率 57.8%，尽管训练时从未出现过任何加密相关内容。
英国 AI 安全研究所此前举办过一场红蓝对抗实验，红队训练模型在特定条件下故意压低能力表现（sandbagging），蓝队用 10 种检测手段逐一尝试，全部失败。内省适配器虽未精确说出压低能力的具体条件，但在这些模型上报告类似 sandbagging 行为的比例达 33%，远高于对照组的 15.8%，是目前唯一提供检测信号的方法。
研究还发现，效果随模型规模增大而提升：Qwen3 系列从 6 亿参数的 37.7% 准确率升至 140 亿参数的 77.3%。机制分析表明，适配器并未教会模型新能力，而是激发了模型已有的潜在自我认知，即使只用 rank-1 的 LoRA 也能获得有效结果。主要局限是假阳性率高：对没有特定行为的模型，适配器容易编造训练分布中见过的行为。代码、模型和数据集已在 GitHub 和 Hugging Face 开源。
信源：https://alignment.anthropic.com/2026/introspection-adapters/
❤2
千问开源Qwen-Scope：给模型装上X光，不写prompt也能控制输出
千问团队开源 Qwen-Scope，一套针对 Qwen3 和 Qwen3.5 系列训练的可解释性模块。做法是在模型隐藏层插入稀疏自编码器（SAE，一种通过稀疏性约束自动提取低冗余特征的神经网络模块），训练后得到一组高度解耦的特征，每个特征对应模型内部的一个语义方向。本次覆盖 7 个模型（含稠密和 MoE 架构），共 14 组 SAE 权重，每组用对应模型预训练数据中采样的 5 亿 token 训练。
四个实用场景。推理控制：激活或抑制特定特征，就能切换输出语言、替换实体、改变风格，全程不需要写任何自然语言指令。数据处理：用少量种子数据找到毒性文本的激活模式做分类，省掉训分类器的成本；反过来，找出从未激活过的毒性特征，定向合成补充样本覆盖长尾，训练数据能效比提升约 15 倍。训练优化：模型出现语言混用（英文回复里冒出中文词）或重复生成时，定位异常激活特征，在 SFT 阶段设计针对性损失函数降低频率；重复生成这类低频问题在强化学习中难以采样到，可以通过激活相应特征提高采样概率，增加学习信号密度。评测分析：对比不同评测集的特征激活覆盖度，识别评测冗余，帮助挑选更高效的测试集。
权重已上线 HuggingFace 和 ModelScope，配套技术报告同步发布。
信源：https://mp.weixin.qq.com/s/3y3cjMJG070RmqZReE6j2A
千问团队开源 Qwen-Scope，一套针对 Qwen3 和 Qwen3.5 系列训练的可解释性模块。做法是在模型隐藏层插入稀疏自编码器（SAE，一种通过稀疏性约束自动提取低冗余特征的神经网络模块），训练后得到一组高度解耦的特征，每个特征对应模型内部的一个语义方向。本次覆盖 7 个模型（含稠密和 MoE 架构），共 14 组 SAE 权重，每组用对应模型预训练数据中采样的 5 亿 token 训练。
四个实用场景。推理控制：激活或抑制特定特征，就能切换输出语言、替换实体、改变风格，全程不需要写任何自然语言指令。数据处理：用少量种子数据找到毒性文本的激活模式做分类，省掉训分类器的成本；反过来，找出从未激活过的毒性特征，定向合成补充样本覆盖长尾，训练数据能效比提升约 15 倍。训练优化：模型出现语言混用（英文回复里冒出中文词）或重复生成时，定位异常激活特征，在 SFT 阶段设计针对性损失函数降低频率；重复生成这类低频问题在强化学习中难以采样到，可以通过激活相应特征提高采样概率，增加学习信号密度。评测分析：对比不同评测集的特征激活覆盖度，识别评测冗余，帮助挑选更高效的测试集。
权重已上线 HuggingFace 和 ModelScope，配套技术报告同步发布。
信源：https://mp.weixin.qq.com/s/3y3cjMJG070RmqZReE6j2A
用冷知识给大模型称体重：GPT-5.5约9.7T、Opus 4.7约4T、Grok-4约3.2T
Pine AI 首席科学家李博杰发表论文《不可压缩知识探针：基于事实容量估算黑盒大语言模型参数量》，用 1400 道冷知识题反推出闭源模型有多少参数。
因为记住一条事实要占参数空间，模型答对的冷门事实越多，参数就不可能少。他先拿 89 个参数量已知的开源模型画出一条拟合曲线，拟合度很高，再把闭源模型的答题得分投上去，读出对应的参数量。论文测了 92 个闭源模型，数字不是精确值，比如估出 9.7T 的模型实际可能在 3T 到 29T 之间，但相对排名和量级仍有参考价值：
GPT-5.5 约 9.7T，断层第一，几乎是第二名 Claude Opus 4.6（约 5.3T）的两倍。
第二档 3 到 4T 扎堆：GPT-5 约 4.1T，Claude Opus 4.7 约 4.0T，o1 约 3.5T，Grok-4 约 3.2T，o3 约 3.0T。OpenAI、Anthropic、xAI 三家的旗舰挤在 1.4 倍以内。
第三档 1 到 2T 中端旗舰：GPT-4.1 约 2.2T，Claude Sonnet 4.6 约 1.7T，Gemini 2.5 Pro 约 1.2T。
底部小模型从 GPT-4o 的约 720B 一直降到 Claude Haiku 4.5 的约 65B。
GPT-5 基础模型本身估计约 4.1T，但后续 .x 版本（5.1 到 5.4）的事实存储容量反而降到 1.0 到 1.5T，直到 GPT-5.5 跳到约 9.7T 才真正突破。论文还有个巧妙的验证：比较两个模型在冷门题上是不是犯同一个错。GPT-5 每一步 .x 升级犯的错都不一样（相似度均低于 0.08），说明每个版本是从头训的新模型，不是在同一组权重上微调。Claude Opus 的参数量从 4 代的 1.4T 涨到 4.7 代的 4.0T，但并非一路微调上来：4 到 4.1 犯的错几乎完全一样，确认是同一底座微调；4.6 到 4.7 犯的错完全不重叠（相似度降为 0），最新旗舰同样是重新训练的产物。
MoE（混合专家）模型里，总参数而非每次推理激活的参数才能预测知识容量。论文还发现，同样大小的模型，不管是今年的还是两年前的，记住的冷知识一样多，推理能力可以越做越强，但事实存储压不下去。评测工具包和全部数据已开源。
信源：https://arxiv.org/abs/2604.24827
Pine AI 首席科学家李博杰发表论文《不可压缩知识探针：基于事实容量估算黑盒大语言模型参数量》，用 1400 道冷知识题反推出闭源模型有多少参数。
因为记住一条事实要占参数空间，模型答对的冷门事实越多，参数就不可能少。他先拿 89 个参数量已知的开源模型画出一条拟合曲线，拟合度很高，再把闭源模型的答题得分投上去，读出对应的参数量。论文测了 92 个闭源模型，数字不是精确值，比如估出 9.7T 的模型实际可能在 3T 到 29T 之间，但相对排名和量级仍有参考价值：
GPT-5.5 约 9.7T，断层第一，几乎是第二名 Claude Opus 4.6（约 5.3T）的两倍。
第二档 3 到 4T 扎堆：GPT-5 约 4.1T，Claude Opus 4.7 约 4.0T，o1 约 3.5T，Grok-4 约 3.2T，o3 约 3.0T。OpenAI、Anthropic、xAI 三家的旗舰挤在 1.4 倍以内。
第三档 1 到 2T 中端旗舰：GPT-4.1 约 2.2T，Claude Sonnet 4.6 约 1.7T，Gemini 2.5 Pro 约 1.2T。
底部小模型从 GPT-4o 的约 720B 一直降到 Claude Haiku 4.5 的约 65B。
GPT-5 基础模型本身估计约 4.1T，但后续 .x 版本（5.1 到 5.4）的事实存储容量反而降到 1.0 到 1.5T，直到 GPT-5.5 跳到约 9.7T 才真正突破。论文还有个巧妙的验证：比较两个模型在冷门题上是不是犯同一个错。GPT-5 每一步 .x 升级犯的错都不一样（相似度均低于 0.08），说明每个版本是从头训的新模型，不是在同一组权重上微调。Claude Opus 的参数量从 4 代的 1.4T 涨到 4.7 代的 4.0T，但并非一路微调上来：4 到 4.1 犯的错几乎完全一样，确认是同一底座微调；4.6 到 4.7 犯的错完全不重叠（相似度降为 0），最新旗舰同样是重新训练的产物。
MoE（混合专家）模型里，总参数而非每次推理激活的参数才能预测知识容量。论文还发现，同样大小的模型，不管是今年的还是两年前的，记住的冷知识一样多，推理能力可以越做越强，但事实存储压不下去。评测工具包和全部数据已开源。
信源：https://arxiv.org/abs/2604.24827
arXiv.org
Incompressible Knowledge Probes: Estimating Black-Box LLM...
Closed-source frontier labs do not disclose parameter counts. Storing F facts requires at least F/(bits per parameter) weights, so factual recall lower-bounds parameter count--an intrinsic,...
Stripe和Cloudflare让编程agent自己开户刷卡部署，人只管登录
Stripe 和 Cloudflare 联合推出 Stripe Projects，一套让 AI 编程 agent 自主完成「从零到上线」全流程的开放协议。用户只需登录 Stripe 账号，agent 就能自动开通 Cloudflare 账户、购买域名、订阅付费服务、拿到 API token 并部署代码，不用手动注册、填信用卡、复制密钥。
协议分三层。
Discovery：agent 通过 REST API 查询可用服务目录，自己决定用哪些。
Authorization：Stripe 充当身份提供方，Cloudflare 收到 Stripe 的身份证明后自动开户或走 OAuth 授权已有账户，凭证加密存储后返回给 agent。
Payment：Stripe 把用户的支付信息 token 化后传给服务商，信用卡号不经过 agent。Stripe 默认给每个服务商设 100 美元/月的消费上限，防止 agent 超支。协议基于 OAuth、OIDC 和支付 token 化等现有标准。
首批接入的服务商除 Cloudflare 外还包括 Vercel、Supabase、Clerk、PostHog、Sentry、PlanetScale、Inngest 等。协议是开放的：任何有登录用户的平台都可以充当 Orchestrator（编排方），以同样方式接入 Cloudflare 或其他服务商。Cloudflare 同步向通过 Stripe Atlas 注册的新创公司提供 10 万美元 credits。
信源：https://blog.cloudflare.com/agents-stripe-projects/
Stripe 和 Cloudflare 联合推出 Stripe Projects，一套让 AI 编程 agent 自主完成「从零到上线」全流程的开放协议。用户只需登录 Stripe 账号，agent 就能自动开通 Cloudflare 账户、购买域名、订阅付费服务、拿到 API token 并部署代码，不用手动注册、填信用卡、复制密钥。
协议分三层。
Discovery：agent 通过 REST API 查询可用服务目录，自己决定用哪些。
Authorization：Stripe 充当身份提供方，Cloudflare 收到 Stripe 的身份证明后自动开户或走 OAuth 授权已有账户，凭证加密存储后返回给 agent。
Payment：Stripe 把用户的支付信息 token 化后传给服务商，信用卡号不经过 agent。Stripe 默认给每个服务商设 100 美元/月的消费上限，防止 agent 超支。协议基于 OAuth、OIDC 和支付 token 化等现有标准。
首批接入的服务商除 Cloudflare 外还包括 Vercel、Supabase、Clerk、PostHog、Sentry、PlanetScale、Inngest 等。协议是开放的：任何有登录用户的平台都可以充当 Orchestrator（编排方），以同样方式接入 Cloudflare 或其他服务商。Cloudflare 同步向通过 Stripe Atlas 注册的新创公司提供 10 万美元 credits。
信源：https://blog.cloudflare.com/agents-stripe-projects/
The Cloudflare Blog
Agents can now create Cloudflare accounts, buy domains, and deploy
Starting today, agents can now be Cloudflare customers. They can create a Cloudflare account, start a paid subscription, register a domain, and get back an API token to deploy code right away. Humans can be in the loop to grant permission, but there’s no…
英伟达物理AI推理模型Cosmos-Reason2开源32B旗舰权重
英伟达开放 Cosmos-Reason2-32B 模型权重。Cosmos Reason 2 是英伟达去年底发布的物理 AI 推理视觉语言模型（VLM，同时处理图像、视频和文字的模型），专门教机器人和自动驾驶系统理解空间、时间和基础物理规律。当时只开放了 20 亿和 80 亿参数两个小版本的权重，320 亿参数的旗舰版直到现在才首次公开。底座是通义千问 Qwen3-VL-32B-Instruct，NVIDIA Open Model License 可商用。
给它一段行车录像，它能边看边推理判断右转是否安全；给它一张仓库照片，它能标出每件货物的 2D/3D 坐标和边界框。主要用途三个方向：分析城市和工业场景的视频流、批量标注传感器数据、给人形机器人和自动驾驶车辆当规划大脑。相比上一代，新增目标检测与时间戳精确定位，上下文窗口扩到 256K token。
信源：https://huggingface.co/nvidia/Cosmos-Reason2-32B
英伟达开放 Cosmos-Reason2-32B 模型权重。Cosmos Reason 2 是英伟达去年底发布的物理 AI 推理视觉语言模型（VLM，同时处理图像、视频和文字的模型），专门教机器人和自动驾驶系统理解空间、时间和基础物理规律。当时只开放了 20 亿和 80 亿参数两个小版本的权重，320 亿参数的旗舰版直到现在才首次公开。底座是通义千问 Qwen3-VL-32B-Instruct，NVIDIA Open Model License 可商用。
给它一段行车录像，它能边看边推理判断右转是否安全；给它一张仓库照片，它能标出每件货物的 2D/3D 坐标和边界框。主要用途三个方向：分析城市和工业场景的视频流、批量标注传感器数据、给人形机器人和自动驾驶车辆当规划大脑。相比上一代，新增目标检测与时间戳精确定位，上下文窗口扩到 256K token。
信源：https://huggingface.co/nvidia/Cosmos-Reason2-32B
Hermes Agent补上技能退役闭环：用了就记，30天不用就降级，90天归档
Nous Research 的开源 AI agent 框架 Hermes Agent 新增 Curator 功能，补上技能生命周期管理的最后一环。此前 Hermes Agent 的核心卖点之一是 agent 能在完成复杂任务后自动创建技能文档，积累经验供后续复用，但技能只进不出。有用户反馈积累到 146 个 agent 自建技能后，每轮对话的系统提示词中技能列表就占掉约 4400 个 token，无用技能越堆越多，没有淘汰机制。
Curator 用两步处理。第一步是确定性状态机，不调用模型：每个 agent 自建技能都有使用次数、最后调用时间等计数器，30 天没人用标记为 stale，90 天没人用移进归档目录，随时可恢复。第二步是模型审查，每 7 天在 agent 空闲时派一个辅助模型扫一遍剩余技能，合并功能重叠的、修补内容过时的，最多迭代 8 轮。审查在独立的 prompt 缓存中运行，不影响用户正在进行的对话。
Curator 只动 agent 自建的技能，不碰内置和从技能市场安装的。不做自动删除，最坏结果是归档。用户可用 pin 命令锁定重要技能，被锁定的技能连 agent 自己的 skill_manage 工具都改不了。默认开启，可关闭。PR 约 2200 行代码，56 个测试全部通过，已于 4 月 29 日合并进 main，尚未随正式版本发布。
信源：https://hermes-agent.nousresearch.com/docs/user-guide/features/curator
Nous Research 的开源 AI agent 框架 Hermes Agent 新增 Curator 功能，补上技能生命周期管理的最后一环。此前 Hermes Agent 的核心卖点之一是 agent 能在完成复杂任务后自动创建技能文档，积累经验供后续复用，但技能只进不出。有用户反馈积累到 146 个 agent 自建技能后，每轮对话的系统提示词中技能列表就占掉约 4400 个 token，无用技能越堆越多，没有淘汰机制。
Curator 用两步处理。第一步是确定性状态机，不调用模型：每个 agent 自建技能都有使用次数、最后调用时间等计数器，30 天没人用标记为 stale，90 天没人用移进归档目录，随时可恢复。第二步是模型审查，每 7 天在 agent 空闲时派一个辅助模型扫一遍剩余技能，合并功能重叠的、修补内容过时的，最多迭代 8 轮。审查在独立的 prompt 缓存中运行，不影响用户正在进行的对话。
Curator 只动 agent 自建的技能，不碰内置和从技能市场安装的。不做自动删除，最坏结果是归档。用户可用 pin 命令锁定重要技能，被锁定的技能连 agent 自己的 skill_manage 工具都改不了。默认开启，可关闭。PR 约 2200 行代码，56 个测试全部通过，已于 4 月 29 日合并进 main，尚未随正式版本发布。
信源：https://hermes-agent.nousresearch.com/docs/user-guide/features/curator
Nousresearch
Curator | Hermes Agent
Background maintenance for agent-created skills — usage tracking, staleness, archival, and LLM-driven review
❤3
Anthropic计费Bug多扣200美元，先拒退后补偿
Claude Code 有个计费 bug：只要 git 仓库的提交历史里含有大写字符串 `HERMES.md`，所有 API 请求就会绕过 Max 订阅配额，直接从额外用量（extra usage）扣费。一名 Max 20x 用户（月费 200 美元）因此被悄悄扣了 200.98 美元的额外用量，而他的订阅配额只用了 13%。
触发条件极其精确：必须是大写
报告者用二分法排查了数小时才定位原因：先克隆仓库测试孤立分支，再逐条缩小提交范围，最终锁定触发字符串。另一名用户独立复现后写了自动化排查脚本。Claude Code 负责人 Boris Cherny 确认是「过度活跃的反滥用系统」，当天修复。
但退款过程翻了车。用户提交退款请求后，Anthropic 的 AI 客服回复称「无法为降级服务或计费路由技术错误提供补偿」，直接拒绝。这条回复在 GitHub 和 Hacker News 上引爆，登上 HN 头版。社区愤怒的核心不只是 200 美元：反滥用系统不该把误判伪装成「配额耗尽」错误，更不该在承认 bug 后拒绝退款。Claude Code 团队成员 Thariq 随后宣布所有受影响用户将获得全额退款加等额积分补偿。
信源：https://github.com/anthropics/claude-code/issues/53262
Claude Code 有个计费 bug：只要 git 仓库的提交历史里含有大写字符串 `HERMES.md`，所有 API 请求就会绕过 Max 订阅配额，直接从额外用量（extra usage）扣费。一名 Max 20x 用户（月费 200 美元）因此被悄悄扣了 200.98 美元的额外用量，而他的订阅配额只用了 13%。
触发条件极其精确：必须是大写
HERMES.md`，区分大小写，必须带 .md` 后缀。小写 hermes.md 没事，去掉后缀的 HERMES 也没事，`HERMES.txt` 也没事。触发点不是磁盘上有没有这个文件，而是 Claude Code 把 git log 的提交信息塞进系统提示词时，服务端的反滥用系统对这段文本做了字符串匹配。HERMES 是 Nous Research 的开源 AI agent 框架 Hermes Agent 的配置文件名，Anthropic 的反滥用系统大概率在检测用户是否通过非官方客户端调用 API，但误伤了所有在提交信息里提到这个文件名的正常用户。报告者用二分法排查了数小时才定位原因：先克隆仓库测试孤立分支，再逐条缩小提交范围，最终锁定触发字符串。另一名用户独立复现后写了自动化排查脚本。Claude Code 负责人 Boris Cherny 确认是「过度活跃的反滥用系统」，当天修复。
但退款过程翻了车。用户提交退款请求后，Anthropic 的 AI 客服回复称「无法为降级服务或计费路由技术错误提供补偿」，直接拒绝。这条回复在 GitHub 和 Hacker News 上引爆，登上 HN 头版。社区愤怒的核心不只是 200 美元：反滥用系统不该把误判伪装成「配额耗尽」错误，更不该在承认 bug 后拒绝退款。Claude Code 团队成员 Thariq 随后宣布所有受影响用户将获得全额退款加等额积分补偿。
信源：https://github.com/anthropics/claude-code/issues/53262
GitHub
HERMES.md in git commit messages causes requests to route to extra usage billing instead of plan quota · Issue #53262 · anthropics/claude…
Summary When a git repository's recent commit history contains the case-sensitive string HERMES.md, Claude Code routes API requests to "extra usage" billing instead of the included Ma...
OpenClaw v2026.4.29：记忆升级成「人物Wiki」，agent学会主动追踪承诺
开源个人 AI 助手 OpenClaw（GitHub 367K 星）发布 v2026.4.29，两天内第二次更新。面向用户最大的变化是记忆系统和消息系统。
记忆从单纯的检索式召回进化为人物感知 wiki：agent 能自动构建人物卡片、追踪人际关系图谱，每条记忆带来源追溯和证据类型标注。Active Memory 新增按对话 ID 过滤，运营者可以只对指定对话开启记忆召回；子 agent 超时不再丢弃已检索到的内容，改为返回部分召回摘要。
消息系统新增「承诺」功能。agent 在对话中隐式提取后续 follow-up 承诺（如「明天提醒你」「下周查进度」），通过心跳机制定时交付，支持按 agent 和渠道独立配置上限。用户发消息时的排队策略也改了：默认从逐条排队切换为 steer 模式，即在模型推理边界一次性读取所有待处理消息，减少打断。
其他变化：NVIDIA 作为内置模型提供商加入，配好 API Key 即可调用；插件新增 SQLite 持久化状态存储，重启不丢数据；安全层面集成 OpenGrep 规则扫描并自动上传 SARIF 到 GitHub Code Scanning；Windows 上插件加载从约 39 秒降到约 2 秒；Slack 渠道修了十余个 Block Kit 限制溢出问题。
信源：https://github.com/openclaw/openclaw/releases/tag/v2026.4.29
开源个人 AI 助手 OpenClaw（GitHub 367K 星）发布 v2026.4.29，两天内第二次更新。面向用户最大的变化是记忆系统和消息系统。
记忆从单纯的检索式召回进化为人物感知 wiki：agent 能自动构建人物卡片、追踪人际关系图谱，每条记忆带来源追溯和证据类型标注。Active Memory 新增按对话 ID 过滤，运营者可以只对指定对话开启记忆召回；子 agent 超时不再丢弃已检索到的内容，改为返回部分召回摘要。
消息系统新增「承诺」功能。agent 在对话中隐式提取后续 follow-up 承诺（如「明天提醒你」「下周查进度」），通过心跳机制定时交付，支持按 agent 和渠道独立配置上限。用户发消息时的排队策略也改了：默认从逐条排队切换为 steer 模式，即在模型推理边界一次性读取所有待处理消息，减少打断。
其他变化：NVIDIA 作为内置模型提供商加入，配好 API Key 即可调用；插件新增 SQLite 持久化状态存储，重启不丢数据；安全层面集成 OpenGrep 规则扫描并自动上传 SARIF 到 GitHub Code Scanning；Windows 上插件加载从约 39 秒降到约 2 秒；Slack 渠道修了十余个 Block Kit 限制溢出问题。
信源：https://github.com/openclaw/openclaw/releases/tag/v2026.4.29
GitHub
Release openclaw 2026.4.29 · openclaw/openclaw
2026.4.29
Highlights
Messaging and automation get active-run steering by default, visible-reply enforcement, spawned subagent routing metadata, and opt-in follow-up commitments for heartbeat-deliv...
Highlights
Messaging and automation get active-run steering by default, visible-reply enforcement, spawned subagent routing metadata, and opt-in follow-up commitments for heartbeat-deliv...
David Sacks再敲Anthropic：Mythos不是魔法，GPT-5.5已追上，半年内所有人都能做到
白宫 AI 与加密货币政策顾问 David Sacks 在 X 上发长帖称「是时候祛魅 Mythos 了」。他的核心论点：Mythos 不是魔法，不是末日装置，只是第一个能自动化网安任务的模型，就像编程一样。OpenAI 的 GPT-5.5-cyber 已经能做同样的事，所有前沿模型包括中国的，大约 6 个月内都会到这个水平。
Sacks 引用了 AISI 当天发布的评测数据，指出 GPT-5.5 是第二个全程通关 AISI 32 步企业网络攻击模拟的模型，性能已接近 Mythos Preview。他强调这些模型发现的是代码中已有的 bug，不是在创造漏洞，用 AI 发现并修补反而能加固系统安全。从 pre-AI 到 post-AI 网安的转变会带来一轮大规模升级周期，但之后攻防双方会达到新的均衡。
帖子末尾点了一个关键差异：Mythos 看起来受 token 限制，GPT-5.5-cyber 不受。Sacks 称后者「可能是防御者真正能用的第一个网安模型」。这与他此前多次公开批评 Anthropic 限量发布 Mythos 的立场一致。4 月 13 日他引用 Tom's Hardware 分析称 Anthropic 正成为 AI 行业「狼来了少年」，4 月 30 日白宫以安全和算力为由拒绝了 Anthropic 将 Mythos 扩展至 120 家公司的提议，Sacks 公开说过 Anthropic 限量发布本身就说明算力不如对手。
信源：https://x.com/DavidSacks/status/2049907993588769006
白宫 AI 与加密货币政策顾问 David Sacks 在 X 上发长帖称「是时候祛魅 Mythos 了」。他的核心论点：Mythos 不是魔法，不是末日装置，只是第一个能自动化网安任务的模型，就像编程一样。OpenAI 的 GPT-5.5-cyber 已经能做同样的事，所有前沿模型包括中国的，大约 6 个月内都会到这个水平。
Sacks 引用了 AISI 当天发布的评测数据，指出 GPT-5.5 是第二个全程通关 AISI 32 步企业网络攻击模拟的模型，性能已接近 Mythos Preview。他强调这些模型发现的是代码中已有的 bug，不是在创造漏洞，用 AI 发现并修补反而能加固系统安全。从 pre-AI 到 post-AI 网安的转变会带来一轮大规模升级周期，但之后攻防双方会达到新的均衡。
帖子末尾点了一个关键差异：Mythos 看起来受 token 限制，GPT-5.5-cyber 不受。Sacks 称后者「可能是防御者真正能用的第一个网安模型」。这与他此前多次公开批评 Anthropic 限量发布 Mythos 的立场一致。4 月 13 日他引用 Tom's Hardware 分析称 Anthropic 正成为 AI 行业「狼来了少年」，4 月 30 日白宫以安全和算力为由拒绝了 Anthropic 将 Mythos 扩展至 120 家公司的提议，Sacks 公开说过 Anthropic 限量发布本身就说明算力不如对手。
信源：https://x.com/DavidSacks/status/2049907993588769006
OpenRouter又上匿名模型Owl Alpha，之前三个都是中国公司的
AI 模型路由平台 OpenRouter 上线新匿名模型 Owl Alpha，提供商标记为「Stealth」，不标注开发团队。模型定位 agent 工作负载，原生支持工具调用，上下文窗口约 105 万 token，最大输出 262K token，量化格式 int8，兼容 Claude Code、OpenClaw 等主流工具。免费使用，但所有 prompt 和输出会被提供商记录用于改进模型。
OpenRouter 此前至少三个匿名模型最终都被证实来自中国公司：2 月的 Pony Alpha 五天后被智谱确认为 GLM-5；3 月的 Hunter Alpha 后确认归属小米；Elephant Alpha 两周后被蚂蚁集团认领为灵犀 Ling-2.6-flash。Owl Alpha 目前还没有任何公司认领，但相同的匿名上线模式和免费换数据的策略，使社区普遍猜测其背后同样是一家中国厂商。
信源：https://openrouter.ai/openrouter/owl-alpha
AI 模型路由平台 OpenRouter 上线新匿名模型 Owl Alpha，提供商标记为「Stealth」，不标注开发团队。模型定位 agent 工作负载，原生支持工具调用，上下文窗口约 105 万 token，最大输出 262K token，量化格式 int8，兼容 Claude Code、OpenClaw 等主流工具。免费使用，但所有 prompt 和输出会被提供商记录用于改进模型。
OpenRouter 此前至少三个匿名模型最终都被证实来自中国公司：2 月的 Pony Alpha 五天后被智谱确认为 GLM-5；3 月的 Hunter Alpha 后确认归属小米；Elephant Alpha 两周后被蚂蚁集团认领为灵犀 Ling-2.6-flash。Owl Alpha 目前还没有任何公司认领，但相同的匿名上线模式和免费换数据的策略，使社区普遍猜测其背后同样是一家中国厂商。
信源：https://openrouter.ai/openrouter/owl-alpha
DeepSeek多模态技术报告：教模型「用手指点着想」，迷宫导航超GPT-5.4近17个百分点
DeepSeek 发布多模态推理技术报告「Thinking with Visual Primitives」（以视觉原语思考），提出一种新推理范式：模型在思考时像人用手指点东西一样，把坐标直接穿插在思维链里，锁定每一个涉及的视觉对象。项目在 GitHub 开源，MIT 许可。模型权重将整合进基础模型后发布。
当前多模态模型的一个核心瓶颈是「指代鸿沟」（Reference Gap）：模型能看清图片，但推理时只能用自然语言描述「左边那个大的」「靠近中央的红色物体」，场景一复杂就定位不了，注意力越推越漂移，逻辑链跟着崩。此前业界主流解法是提高分辨率让模型「看更清」。DeepSeek 换了思路：问题不在看，在指。
做法是把边界框和点坐标变成推理的最小单元。模型每提到一个视觉对象，同步输出坐标，像锚点一样把逻辑链钉在图片的物理位置上。边界框用于需要定位和尺寸的对象，点坐标用于迷宫轨迹和曲线追踪。
模型基于 V4-Flash（284B 总参数、推理时激活 13B 的 MoE 架构）。视觉 token 压缩极端：一张 756×756 的图，经 ViT、3×3 空间压缩和 V4-Flash 内置的压缩稀疏注意力（CSA）三级处理，从原始像素到最终 KV 缓存压缩 7056 倍，只剩 81 个视觉 KV 条目。同尺寸图片下，Claude Sonnet 4.6 约需 870 个，Gemini-3-Flash 约需 1100 个。
11 个基准测试结果：计数任务 Pixmo-Count 89.2%，超过 Gemini-3-Flash 的 88.2%，大幅领先 GPT-5.4 的 76.6%。差距最悬殊的是拓扑推理：迷宫导航 66.9%，GPT-5.4 为 50.6%、Claude Sonnet 4.6 为 48.9%；路径追踪 56.7%，GPT-5.4 为 46.5%、Gemini-3-Flash 为 41.4%。论文坦承所有前沿模型在拓扑推理上均表现不佳，多模态推理能力仍有很大提升空间。
信源：https://github.com/deepseek-ai/Thinking-with-Visual-Primitives
DeepSeek 发布多模态推理技术报告「Thinking with Visual Primitives」（以视觉原语思考），提出一种新推理范式：模型在思考时像人用手指点东西一样，把坐标直接穿插在思维链里，锁定每一个涉及的视觉对象。项目在 GitHub 开源，MIT 许可。模型权重将整合进基础模型后发布。
当前多模态模型的一个核心瓶颈是「指代鸿沟」（Reference Gap）：模型能看清图片，但推理时只能用自然语言描述「左边那个大的」「靠近中央的红色物体」，场景一复杂就定位不了，注意力越推越漂移，逻辑链跟着崩。此前业界主流解法是提高分辨率让模型「看更清」。DeepSeek 换了思路：问题不在看，在指。
做法是把边界框和点坐标变成推理的最小单元。模型每提到一个视觉对象，同步输出坐标，像锚点一样把逻辑链钉在图片的物理位置上。边界框用于需要定位和尺寸的对象，点坐标用于迷宫轨迹和曲线追踪。
模型基于 V4-Flash（284B 总参数、推理时激活 13B 的 MoE 架构）。视觉 token 压缩极端：一张 756×756 的图，经 ViT、3×3 空间压缩和 V4-Flash 内置的压缩稀疏注意力（CSA）三级处理，从原始像素到最终 KV 缓存压缩 7056 倍，只剩 81 个视觉 KV 条目。同尺寸图片下，Claude Sonnet 4.6 约需 870 个，Gemini-3-Flash 约需 1100 个。
11 个基准测试结果：计数任务 Pixmo-Count 89.2%，超过 Gemini-3-Flash 的 88.2%，大幅领先 GPT-5.4 的 76.6%。差距最悬殊的是拓扑推理：迷宫导航 66.9%，GPT-5.4 为 50.6%、Claude Sonnet 4.6 为 48.9%；路径追踪 56.7%，GPT-5.4 为 46.5%、Gemini-3-Flash 为 41.4%。论文坦承所有前沿模型在拓扑推理上均表现不佳，多模态推理能力仍有很大提升空间。
信源：https://github.com/deepseek-ai/Thinking-with-Visual-Primitives
OpenAI为用户提供新安全措施，可抛弃密码登录
OpenAI 于周四推出了一套新的安全控制措施，允许用户设置通行密钥，从而取消传统的电子邮件和密码登录方式。OpenAI 表示，该功能的目标用户是高风险用户，包括记者和政府官员。
OpenAI 正在推出「高级帐户安全」，这是一项新的可选设置，要求用户设置两种身份验证方法，即通行密钥或硬件安全密钥，才能登录 ChatGPT 或 Codex。新模式对所有用户开放，包括免费用户。用户可以选择两个硬件密钥、两个密码密钥，或者各一个。
信源：https://www.axios.com/2026/04/30/openai-chatgpt-logins-passkeys
OpenAI 于周四推出了一套新的安全控制措施，允许用户设置通行密钥，从而取消传统的电子邮件和密码登录方式。OpenAI 表示，该功能的目标用户是高风险用户，包括记者和政府官员。
OpenAI 正在推出「高级帐户安全」，这是一项新的可选设置，要求用户设置两种身份验证方法，即通行密钥或硬件安全密钥，才能登录 ChatGPT 或 Codex。新模式对所有用户开放，包括免费用户。用户可以选择两个硬件密钥、两个密码密钥，或者各一个。
信源：https://www.axios.com/2026/04/30/openai-chatgpt-logins-passkeys
Axios
OpenAI gives users the options to ditch passwords
A recent wave of cyberattacks has exploited basic security weaknesses — like stolen passwords — to take over user accounts.
法国AI公司Mistral AI发布开源模型Mistral Medium3.5，但市场反应冷淡
法国 AI 初创公司 Mistral AI 于 4 月 29 日发布新一代开源模型 Mistral Medium 3.5。该模型为 1280 亿参数 dense 架构，并同步推出远程编码代理工具 Mistral Vibe CLI 及 Le Chat 的多步骤 AI Agent 功能。
官方数据显示，Mistral Medium 3.5 在 SWE-Bench Verified 编程基准测试中得分 77.6%，并支持统一推理与编码能力。但由于其 API 定价高达每百万输入 Token 1.5 美元、输出 Token 7.5 美元，显著高于中国开源模型，引发社区广泛质疑。
目前开源模型排行榜前列主要由 Alibaba 的 Qwen、智谱 GLM 及小米 MiMo-V2 等中国模型占据。其中 Qwen 3.6 仅 270 亿参数，但在 SWE-Bench 上已达到 72.4%，且完全开源免费。
不过，部分开发者认为，Mistral 当前最大的价值在于其「非美国、非中国」的欧洲身份。由于符合 GDPR 与欧洲本地部署需求，其模型已被包括 HSBC 在内的欧洲大型机构用于私有化部署。市场观点认为，Mistral 的竞争力更多来自地缘政治与企业合规，而非纯模型性能。
信源：https://mistral.ai/news/vibe-remote-agents-mistral-medium-3-5
法国 AI 初创公司 Mistral AI 于 4 月 29 日发布新一代开源模型 Mistral Medium 3.5。该模型为 1280 亿参数 dense 架构，并同步推出远程编码代理工具 Mistral Vibe CLI 及 Le Chat 的多步骤 AI Agent 功能。
官方数据显示，Mistral Medium 3.5 在 SWE-Bench Verified 编程基准测试中得分 77.6%，并支持统一推理与编码能力。但由于其 API 定价高达每百万输入 Token 1.5 美元、输出 Token 7.5 美元，显著高于中国开源模型，引发社区广泛质疑。
目前开源模型排行榜前列主要由 Alibaba 的 Qwen、智谱 GLM 及小米 MiMo-V2 等中国模型占据。其中 Qwen 3.6 仅 270 亿参数，但在 SWE-Bench 上已达到 72.4%，且完全开源免费。
不过，部分开发者认为，Mistral 当前最大的价值在于其「非美国、非中国」的欧洲身份。由于符合 GDPR 与欧洲本地部署需求，其模型已被包括 HSBC 在内的欧洲大型机构用于私有化部署。市场观点认为，Mistral 的竞争力更多来自地缘政治与企业合规，而非纯模型性能。
信源：https://mistral.ai/news/vibe-remote-agents-mistral-medium-3-5
Mistral AI
Remote agents in Vibe. Powered by Mistral Medium 3.5. | Mistral AI
Introducing Mistral Medium 3.5, remote coding agents in Vibe, plus new Work mode in Le Chat for complex tasks.