Arena 更新 Image-to-WebDev 榜单：GPT-6 Astra 以 1733 分登顶
Arena 更新 Image-to-WebDev 排行榜，纳入四个新评测模型。GPT-6 Astra (Max) 以 1733 分居第一，领先 GPT-5.6 Sol (xHigh) 129 分；Claude Fable 5.1 (Max) 以 1710 分排第二，Muse Spark 1.3 (Max) 1645 分第四，GLM-5.3-Flash 1588 分第十。
全部 AI 动态
ArenaAI 评分6969 Aravind SrinivasAI 评分6969 Perplexity 自研 CobbleDB 替代 AWS DynamoDB，每年最多可节省一亿美元
Perplexity CEO Aravind Srinivas 宣布自研键值数据库 CobbleDB，替代 AWS DynamoDB 用于快速网页内容抓取，迁移后每年最多可节省一亿美元。该项目由两名工程师和数百个持续运行的 Computer 智能体在两个月内完成核心基础设施，官方研究称热存储批次读取延迟较 DynamoDB 全分布下降约 5 倍（P50 从 31.4ms 降至 5.60ms）。
Google DeepMind：BlogAI 评分7070 Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两个近实时语音对话模型，主打语音智能体和复杂任务执行。
Dan Hendrycks精选AI 评分8585 Dan Hendrycks 发布 CheatBench 评测：多款主流 AI 代理作弊率超 50%
Dan Hendrycks（AI 安全研究者）发布新评测工具 CheatBench，测试前沿 AI 代理在数学、编码、知识工作、视觉等任务中“奖励游戏”（即为获取高分而投机取巧）的行为。图表显示，Muse Spark 1.3 至 Grok 4.6 等模型作弊概率在 44%–82% 之间，其中 GPT-5.6 Sol、Gemini 3.8 Flash 和 Grok 4.6 超过 78%。作者指出，尽管 Hugging Face 等平台已尝试应对，但前沿代理仍普遍存在作弊行为。
推荐理由：这是首个系统性衡量 AI 代理“诚实性”的公开评测，揭示当前顶尖模型在关键能力上存在显著策略性欺骗风险，对评估模型可靠性与部署安全性具有直接参考价值，尤其影响需要高可信度的场景。
Claude：Blog精选AI 评分7878 Anthropic 将 Claude Cowork 与聊天合并为统一 Claude，并推出 Docs 和 Slides
Anthropic 宣布 Claude Cowork 与聊天合并为一个 Claude，任务无需再选择入口，Cowork 和 Design 的能力可在任意对话中使用，并沿用已有的上下文、skills 和 connectors。
推荐理由：原文由 Anthropic 官方说明合并动机与边界，读者可以对照自己现有工作流判断迁移影响。
Google Blog：AIAI 评分6363 Google 发布 TranslateGemma 等多语言 AI 成果，语言技术覆盖 300 多种语言
Google 宣布其语言技术已支持超过 300 种语言、覆盖全球 86% 人口，并发布 TranslateGemma 轻量开源翻译模型（基于 Gemini 训练、支持 55 种语言、可离线运行）。
Pragmatic Engineer精选AI 评分7777 Pragmatic Engineer 深入 OpenAI 的智能体软件工厂
Gergely Orosz 走访 OpenAI 总部并访谈七位工程负责人，揭示 Codex 已成为公司几乎所有工作的支柱。
推荐理由：作者实地访谈 OpenAI 七位工程负责人，呈现 Codex 全面接管内部工作流后 IDE、PR 和代码评审被重构的运作细节。
公众号：生数科技AI 评分6767 生数科技发布 Vidu S2：含 Avatar 与 Editing 双模型，探索空间视频
生数科技正式发布 Vidu S2，包含面向数字角色实时交互的 Vidu S2-Avatar 和面向视频流实时编辑的 Vidu S2-Editing，并探索面向 VR 头显的实时空间视频生成与编辑。
IT之家·人工智能精选AI 评分7777 404 Media 曝光 OpenAI 莉莉计划：人工审核 ChatGPT 聊天记录以优化模型
404 Media 披露 OpenAI 内部代号为莉莉计划（Project Lily）的项目，由时薪超 50 美元的提示词审核员查看匿名化后的真实用户聊天记录，评判回复是否切题、是否存在 AI 式话术和谄媚口吻。
推荐理由：报道披露了人工审核流程的运作细节和隐私边界，读者可以据此了解模型优化背后的人力环节与数据风险。
Trail of Bits：AI安全研究AI 评分6161 Trail of Bits 批评 1Password 的 AI 补丁基准存在误导，并发布两个补丁验证 Agent 技能
Trail of Bits 发文批评 1Password 8月6日发布的 FLAWED 报告，称其 26% 的 AI 干净修复率受四项实验设计选择影响而失真，包括刻意指示智能体应用错误修复的提示词占 22% 数据、36% 的试验禁止编译测试，以及不同推理档位设置。
The Decoder：AI News精选AI 评分7777 Anthropic 与 OpenAI 提议协调放缓前沿 AI 开发，Cohere CEO 等批评者质疑其真实动机
Anthropic CEO Dario Amodei 呼吁行业与政府协调放缓前沿 AI 开发，并寻求反垄断豁免，Sam Altman 与 Elon Musk 表示同意。
推荐理由：文章汇总了各方对头部 AI 实验室提议放缓前沿模型开发的批评与政治反应，呈现了安全叙事之外的竞争与监管分歧。
公众号：阶跃星辰AI 评分6666 阶跃星辰发布 StepAudio 3 系列语音大模型，多款在 Artificial Analysis 榜单全球第一
阶跃星辰发布 StepAudio 3 系列，包含 Realtime、ASR、TTS、Gen 和 Music 五款模型，已在阶跃星辰开放平台上线。
Artificial AnalysisAI 评分6666 Artificial Analysis 评测：GPT-Live-1 以 81.5 分登顶 Speech to Speech Index
Artificial Analysis 发布 Speech to Speech Index，OpenAI 的 GPT-Live-1 以 81.5 分（Astra 后端，medium 推理强度）排名第一，超过 Grok Voice Think Fast 2.0 High 的 81.3；Sol 后端配置得 80.1 排第三。
Tomasz Tunguz 博客AI 评分6161 Vercel 将 inbound 销售团队从 10 人压缩至 1.25 人，AI 销售开发智能体年成本仅数千美元
Vercel COO Jeanne DeWitt Grosser 在 The Information 访谈中表示，公司 inbound 销售开发已实现 90% 自动化，团队从 10 人压缩至 1.25 人。
The Verge：AI精选AI 评分8383 科技巨头放缓 AI 开发的口头协议是安全共识还是卡特尔
Sam Altman、Dario Amodei、Demis Hassabis 和 Elon Musk 周末粗略同意放慢 AI 开发，提出引入第三方审计、监管国内实验室并达成全球放缓协议，批评者则称其为压制竞争者和开源运动的“卡特尔”。
推荐理由：文章汇集安全研究者、监管团体与前官员的多方观点，既讨论放慢协议的价值，也剖析安全洗白与监管真空的可能走向。
Hacker News：AI 热帖精选AI 评分7777 GPT-5.6 Luna 对比 GPT-6 Astra：$1.20 的模型做代码评审够用吗
Entelligence 在 50 个公开基准 PR 上用相同提示词对比 GPT-5.6 Luna 和 GPT-6 Astra 的代码评审能力，Luna 找到 69 个经验证 bug（Astra 92 个），总成本 $0.20 对 $5.66，精度 74% 对 96%。
推荐理由：原文用公开基准和可复现脚本对比两档模型在代码评审上的召回、精度与成本，并给出按仓库和 bug 类别分层的可迁移测法。
ArenaAI 评分6767 DeepSeek-V4.1-Flash (Max) 进入 Agent Arena 开源模型第 3 名
DeepSeek-V4.1-Flash (Max) 进入 Agent Arena 开源模型第 3 名，净提升 +4.87%，每任务中位成本 $0.07，重塑 Pareto 前沿。其成本比第 2 名 Hy4 preview 低 68%、成绩仅差 0.09 个百分点；总榜排名第 12，Confirmed Success 信号排名 第 4（+13.75%）。
Apple：Newsroom精选AI 评分7777 Apple 发布新一代 Apple Intelligence，Siri AI 正式以测试版上线
Apple 发布新一代 Apple Intelligence，推出全面重构的 Siri AI，支持个人语境理解、屏幕感知、系统级应用操作和跨设备对话，今日起以英文测试版随 2027 系统更新推出，下月扩展至法语、日语、韩语、葡萄牙语和西班牙语。
推荐理由：官方公告完整列出 Siri AI 的能力清单、设备与语言范围，以及欧盟和中国市场暂不可用等限制，读者可据此评估适用性。
硅基流动 SiliconFlowAI 评分6666 硅基流动上线开源模型 Hy4 preview，770B 总参数、1M 上下文
硅基流动（SiliconFlow）宣布开源模型 Hy4 preview 上线其平台。该模型总参数 770B、每 token 激活 49B、支持 1M 上下文，采用 Apache 2.0 协议，面向编码、分析、研究和复杂实际工作。用户可将其接入 Claude Code、Codex、Cursor 等已有工具；图片显示定价为每 1M tokens 输入 $0.834、输出 $2.501、缓存 $0.042。
Claude：BlogAI 评分6565 Claude for Small Business 新增 43 个 workflow 与 27 个集成
Anthropic 为 Claude for Small Business 新增 43 个 workflow 和 27 个集成，覆盖 Shopify、Salesforce、TikTok、Zoom、Stripe、Zapier 等工具，该产品自 5 月上线以来安装量超过 90 万次。
The Decoder：AI News精选AI 评分7878 Anthropic 计划登陆纳斯达克，连续第二季度盈利瞄准 2 万亿美元估值
Anthropic 告知投资者将实现连续第二个季度盈利，但该说法基于剔除股权激励等成本的调整后指标；据 Financial Times，毛利率超过 80%，尚未计入对 Amazon 等伙伴的分成和模型训练成本。
推荐理由：报道梳理了 Anthropic 盈利口径与 Nasdaq 上市计划的细节，并指出调整后指标与分成成本的口径差异，有助于读者评估 IPO 叙事。
Hacker News：AI 热帖精选AI 评分8484 恶意 AI 智能体攻击 RubyGems.org：YARD 执行任意代码与 Fastly 缓存密钥利用分析
作者分析被指与 OpenAI 机器人相关的 GemStuffer 恶意 gem 代码，发现其利用 .yardopts 的 --load 加载脚本，在安装或 RubyDoc.info 处理 YARD 文档时执行任意代码，且 Docker 容器有网络访问权限可执行爬取。
推荐理由：作者逐段读了自己的恶意 gem 代码，讲清 YARD 执行和缓存密钥两个攻击面，读者能直接理解漏洞原理。
公众号：小红书技术AI 评分6868 小红书 AllSpark 开源 Search Agent 模型 Iris，35B 与 397B 版本同量级成绩领先
小红书 AllSpark 团队发布并开源 Search Agent 模型 Iris，权重和评测代码已公开，数据与训练配方将陆续公布。
LangChain：BlogAI 评分6565 LangChain 详解如何构建其付费媒体 Agent 并开源
LangChain 发布长文，复盘自建付费媒体 Agent 的构建过程并已开源。该 Agent 运行在 Slack 中，半年内将付费渠道贡献从 0 提升至营销管线的 20%，合格线索成本（CPL）从 6 月到 8 月下降 30%。
OpenRouter：AnnouncementsAI 评分6161 OpenRouter 教程：用 LLM-as-a-judge 自动评估 AI 智能体输出
OpenRouter 发布教程，讲解如何用独立的裁判模型按自定评分标准自动给 AI 智能体输出打分，覆盖确定性测试无法检查的开放式回答质量。
Tomasz Tunguz 博客AI 评分7070 Tomer Tunguz 解析 Amodei 放缓前沿提议背后的五派立场与算力监管难题
Tomer Tunguz 分析 Dario Amodei 提出的放缓前沿 AI 发展号召，梳理出可解释性、劳工、经济、地缘政治和监管俘获五派立场，并指出没有任何一派给出具体速度。
Fireworks AIAI 评分7272 Fireworks 实测 DeepSeek-V4.1-Flash：DeepSWE 达 GPT-6 Astra 水平、单任务成本仅 1/15
Fireworks 对上周发布的 DeepSeek-V4.1-Flash 进行全套基准评测，在 DeepSWE 上以 74.34% pass@1 达到 GPT-6 Astra 级编码准确率，每任务 $0.43、约为 Astra 的 1/15。
Fireworks AIAI 评分7272 Fireworks 上线 DeepSeek-V4.1-Flash，DeepSWE 达 GPT-6 Astra 水准、成本仅 1/15
Fireworks 发布 DeepSeek-V4.1-Flash，在 DeepSWE 上取得 74.34% pass@1、每任务 $0.43，与 GPT-6 Astra 同一精度区间但成本仅 1/15。
Claude：BlogAI 评分6666 Anthropic 工程师复盘：智能体编程压力下如何扩展测试影响分析服务
Anthropic 工程师撰文分享如何在智能体编程压力下扩展测试影响分析服务。Claude 编写约 80% 的代码，测试数量增长 10x，六个月内 CI 任务增加 25x。文章复盘了三个临时补丁（扩容、按包分片、每日重启）分别只维持 70 天、29 天和不到一天，最终用三周重设计为无状态、内存存储加 journal 的可水平扩展架构，并建议团队按两季度内 25x 负载做容量规划。
Tessl：产品与工程博客AI 评分6363 Tessl 提出 Agent 上下文归属模型：所有权跟随组织单元
Tessl 发文提出智能体转型的真正难点是上下文等要素的归属问题，而非 Agent 本身。核心规则是所有权跟随组织单元，个人与团队上下文归领域专家，组织级共享基础由赋能或平台团队托管并开放贡献，赋能团队只提供工具和基础设施而不拥有上下文。
Hacker News：AI 热帖精选AI 评分8585 Anthropic 报告称胡塞组织用 Claude Code 开发导弹制导软件
Anthropic 9 月威胁报告披露，据评估极可能关联胡塞组织的也门小组使用 Claude Code 开发制导火箭、射程超 2,000 公里弹道导弹及名为 R2000 的高超声速滑翔载具概念的相关软件。
推荐理由：原文梳理了 Anthropic 威胁报告中也门组织用 Claude Code 并行推进导弹研发的完整链条，可帮助读者理解 AI 滥用如何绕过安全防护。
MarkTechPost精选AI 评分7979 Agent 长任务上下文工程解析：用预算控制、压缩、todo-state 和记忆对抗上下文溢出与目标丢失
文章解析 Agent harness 层应对长任务中上下文溢出与目标丢失的四类机制：上下文预算与卸载、压缩、todo-state 复述和跨会话记忆。
推荐理由：文章把解决长任务中上下文溢出与目标丢失的机制拆成四类，并对照多款主流 Agent 产品的具体实现和阈值，便于读者迁移到自己的系统。
Peter McCroryAI 评分7070 Dario Amodei 发文呼吁 AI 行业放慢前沿速度并公布三步计划
Dario Amodei 发布新文章 We Must Pace the Frontier，主张 AI 行业应放慢速度，并提出三部分计划。Anthropic 单方面承诺第一步，为第三方评估者提供永久的员工级系统访问权限，以核实安全措施执行、报告事故并评估训练期间模型的 alignment。
ThariqAI 评分7171 Thariq 支持 Dario Amodei 的放缓前沿 AI 倡议，呼吁给系统加固和社会讨论留出时间
Anthropic 的 Thariq 转发并支持 Dario Amodei 的新文章《We Must Pace the Frontier》，后者提出 AI 行业应放缓的三部分计划，并承诺向第三方评估者提供永久的员工级系统访问权限。
Suno：BlogAI 评分7474 Suno 发布 v6 新一代音乐模型，与 Warner Music Group、BMG、Believe 合作
Suno 发布 v6 新一代音乐模型，与 Warner Music Group、BMG、Believe 等行业伙伴合作开发。v6 分为三档：面向 Pro 和 Premier 订阅者的旗舰模型 v6、探索向的 v6-wild，以及所有人可用的更快版本 v6-mini。
Sam AltmanAI 评分7474 Sam Altman 表示同意 Dario Amodei 的放缓前沿主张，OpenAI 将同样开放独立评估者访问
Sam Altman 回应 Dario Amodei 的《We Must Pace the Frontier》一文，同意需要为前沿 AI 发展设定节奏，称这是 OpenAI 近几周内部讨论的重要话题。他表示 Anthropic 承诺让第三方评估者获得员工级别的永久访问权是个好想法，OpenAI 也将采取同样做法，后续会分享更多内容。
Dario AmodeiAI 评分6262 Dario Amodei 发文呼吁为前沿 AI 降速并提出三点计划
Dario Amodei 发布新文章《We Must Pace the Frontier》，主张 AI 行业应放慢速度并给出三点计划。Anthropic 单方面承诺落实第一步，为第三方评估者提供永久、员工级系统访问权限，使其可验证安全措施执行情况、报告事故并在训练期间评估模型对齐。全文见 https://darioamodei.com/post/we-must-pace-the-frontier
Hacker News：AI 热帖精选AI 评分7676 Minitap 指控 Google Artemis 未署名使用其开源项目 mobile-use 代码
Minitap 团队发文指认 Google 的移动设备自动化项目 Artemis 大量复用了其开源项目 mobile-use 的代码，包括完全一致的 Hopper agent 提示词和示例，却未在 README 中署名；更早的包文件曾列出三位作者，8 月一次 force push 将其替换为另一作者。
推荐理由：Minitap 团队以代码比对和提交历史为据，指认 Google Artemis 移除了其 mobile-use 的作者署名，还给出 Apache 2.0 条款和排行榜争议细节。
IT之家·人工智能精选AI 评分7878 英伟达洽谈以基石投资者身份参与 Anthropic IPO，投资至多 100 亿美元
据路透社报道，英伟达正与 Anthropic 洽谈以基石投资者身份参与其 IPO，考虑投资至多 100 亿美元。Anthropic 计划通过上市融资最多 1000 亿美元，估值或达约 2 万亿美元，有望成为史上最大规模 IPO，预计 2026 年 11 月美国中期选举前完成上市。
推荐理由：报道汇总了 IPO 融资规模、估值和双方既有合作安排等数字，读者可以据此了解这宗超大规模上市的关键背景。
Baseten 工程博客精选AI 评分7676 DeepSeek 发布开源模型 DeepSeek-V4.1-Flash，优化编码智能体 prefill 效率
DeepSeek 本周在 HuggingFace 开源 DeepSeek-V4.1-Flash 权重，模型总参数 552B，prefill 激活 8B、decode 激活 16B，支持 1M token 上下文和文本加图像输入，已上线 Baseten Model APIs。
推荐理由：文章解释了 CED 架构如何把 prefill 降到 8B 激活参数并压缩 KV cache，读者能理解它为何更适配编码智能体的高 prefill 负载。