数据来源：AI HOT（aihot.virxact.com）
模型发布/更新
Ornith-1.0 开源模型家族发布，专注 Agentic Coding 全参数规模
DeepReinforce 发布 Ornith-1.0 开源模型家族，覆盖 9B Dense、31B Dense、35B MoE 和 397B MoE，定位是面向智能体编程的自改进模型。它的重点不只是模型参数规模，而是把任务脚手架也纳入强化学习优化，让模型同时学习“怎么组织执行过程”和“怎么给出最终方案”。这对 coding agent 很关键：当竞争从单轮代码生成转向长链路调试、工具调用和失败恢复，模型能否形成更稳定的执行轨迹，会直接影响真实项目里的可用性。全系列 MIT 开源并提供 GGUF 版本，也让本地和私有代码场景多了一个可测试选项。
产品发布/更新
OpenRouter MCP 服务器发布，模型选择被直接放进编辑器工作流
OpenRouter 推出 MCP 服务器，为 Claude Code、Codex CLI、Cursor 等客户端提供实时模型数据、定价、基准和文档查询。它的价值在于把“该用哪个模型”从浏览器资料查找变成了智能体工作流里可调用的上下文：开发者可以直接在编辑器里比较模型能力、价格和端点，再发起测试推理。随着模型数量继续膨胀，模型路由和选择本身正在变成基础设施能力，而不再只是人工经验判断。
Midjourney 预览 V8.2，并继续加速草稿模式
Midjourney 新增 --preview 参数，允许用户提前体验 V8.2 的美学和个性化效果；同时，V8.1 草稿模式支持搭配 --sref random 生成 24 张不同风格的低分辨率草稿，再选择结果升级到全分辨率。这个方向很清楚：图像生成产品正在把“单次出图”改造成“快速探索风格空间”。当试错成本下降，创作者的工作方式会更接近设计软件里的发散、筛选和迭代，而不是一次性押注提示词。
📎 X：Midjourney 预览 V8.2 / Midjourney Updates：随机风格草稿模式
Codex 在 ChatGPT 移动 App 正式可用
OpenAI 宣布 Codex 在 ChatGPT 移动 App 中正式开放，并新增一对一设备配对，让手机与电脑连接更安全。移动端补上通知、目标、侧边聊天、文件预览和内联审阅评论后，Codex 的使用场景开始从桌面开发环境扩展到“随时检查和推进任务”。这类体验会改变 coding agent 的使用节奏：长任务仍在开发机后台运行，但用户可以在移动端审查结果、批准下一步和补充指令。
Runway 发布 Agent 2.0，面向营销创意的生成与测试闭环
Runway Agent 2.0 面向营销人员开放，支持创建、测试和优化广告、视频及营销活动。它可以根据品牌活动概念生成变体、自动本地化，也可以导入 Meta、YouTube、TikTok 或 Google 广告数据，分析后生成下一轮待测素材。相比单纯的视频生成工具，这更接近一个营销资产生产和实验系统：AI 不只负责“做出内容”，还要参与定位、格式适配、效果反馈和下一轮优化。
📎 Runway：Introducing Agent 2.0
Claude Code v2.1.193 发布，继续补齐自动模式和终端体验
Claude Code v2.1.193 新增 autoMode.classifyAllShell，让 Bash 和 PowerShell 命令都经过自动模式分类器处理；同时在拒绝原因、权限页面、OpenTelemetry 日志、MCP 认证提示、路径补全和后台 shell 内存回收上做了更新。它不是一次炫目的功能发布，但很能说明命令行智能体进入了“高频使用细节打磨”阶段：权限边界、可观测性、后台任务和稳定性，正在和模型能力一样重要。
📎 Claude Code Releases：v2.1.193
Google Finance 推出 Android 应用和 AI 投资组合能力
Google Finance 上线 Android 应用，并同步推出全球投资组合跟踪功能。用户可以通过截图、CSV/PDF 或文字描述创建组合，再用 AI 研究工具询问资产配置、固定收益影响和股价波动原因；系统还支持生成市场情报简报并推送到移动端。金融产品里的 AI 正在从“回答行情问题”走向“持续跟踪资产、解释变化、生成例行简报”，这更像一个个人研究助理的雏形。
📎 Google Blog：Google Finance updates
盈透证券与 Grok 集成，把组合分析接到交易执行前
Interactive Brokers 与 Grok 集成后，用户可以关联现有账户，通过自然语言完成组合收益分析、行业或地区风险敞口建模、市场趋势研究，并生成对冲订单等交易指令。这个集成的重点在于缩短“分析到执行”的距离：AI 不再只是解释市场信息，而是进入投资组合管理和交易前决策链路。对券商和投顾工具来说，下一阶段竞争会更依赖安全边界、可解释性和交易权限控制。
📎 xAI：Grok and Interactive Brokers
行业动态
美国政府要求 OpenAI 暂缓 GPT-5.6 广泛发布
The Information 报道称，美国政府因安全顾虑要求 OpenAI 暂缓 GPT-5.6 的广泛发布，改为先提供受控预览，并对早期客户逐一审批准入。争议焦点集中在模型的高技能网络自动化能力：它可能帮助防御者更快发现漏洞，也可能被攻击者用来加速漏洞利用测试。无论最终流程如何，这都说明前沿模型发布正在越来越多地进入政府、安全审查和客户准入交叉地带。
📎 X：Rohan Paul 汇总 The Information 报道
Anthropic 称阿里巴巴非法获取 Claude 模型能力
Reuters 报道称，Anthropic 指控阿里巴巴未经授权提取 Claude AI 模型能力，认为其通过逆向工程或其他方式复制了 Claude 的核心能力；报道发布时阿里巴巴尚未公开回应。模型能力本身正在成为新的知识产权和商业边界争议对象。对大模型公司来说，未来的竞争不只在训练和产品，也会延伸到模型蒸馏、能力复现、服务条款执行和跨境合规。
📎 Reuters：Anthropic says Alibaba illicitly extracted Claude AI model capabilities
Meta 员工警告 AI 内容审核部署过快
The Decoder 报道称，Meta 已在 2025 年用大语言模型替换约一半人工审核请求，并计划年底前将部分内容类型的 AI 审核比例提升到 90% 以上。Meta 表示模型错误率低于人类并能捕捉更多违规，但员工担心无害内容被误删或限流、监督不足，以及快速部署带来的外包岗位变化。内容审核是高风险 AI 落地场景，真正难点不是模型能否分类，而是错误如何申诉、权力如何约束、规模化后如何保持透明。
📎 The Decoder：Meta employees warn AI moderation rollout is too fast
General Intuition 完成 3.2 亿美元融资，用游戏数据训练通用智能体
General Intuition 以 23 亿美元估值完成 3.2 亿美元融资，核心思路是利用旗下游戏剪辑平台 Medal 的海量游戏操作数据训练通用 AI 智能体。公司称同一模型可在 Fortnite 等虚拟环境和四足机器人之间迁移，演示中智能体能在游戏里连续运行 100 小时，机器人则用少量真实街道数据微调后探索办公室。游戏数据正在被重新理解为具身智能训练资产，因为它包含连续决策、按键动作、视觉反馈和目标达成路径。
📎 TechCrunch：General Intuition raises $320M
Suno 推出 Spark，支持下一代独立艺术家
Suno 启动 Spark 孵化器项目，面向年满 18 岁、尚未签约的独立歌手、词曲作者和制作人。入选者可以获得创作资助、营销经费、写歌营机会，并参与 Suno 新功能反馈，同时保留作品创意控制权和商业权利。生成式音乐平台正试图从“工具提供方”变成“创作者生态组织者”，这有助于缓解 AI 音乐与艺术家权益之间的紧张关系，但也会让平台对创作流程的影响更深。
论文研究
赫库兰尼姆古卷首次被完整虚拟解读
研究人员利用高分辨率 X 射线显微断层扫描和机器学习，在不物理展开的情况下完整读取了赫库兰尼姆古卷 PHerc.1667。这是首卷从头到尾连续解读的纸莎草卷，内容涉及斯多葛哲学；团队还用更高分辨率成像确认了其他古卷中的墨水信号，并公开数据与代码。这类进展说明 AI 的价值不只在数字原生内容，也能把不可触碰、不可展开、不可破坏的历史材料转化为可读文本。
📎 Vesuvius Challenge：First Scroll
IBM 首度推出亚纳米级芯片技术
IBM 发布 0.7 nm（7 埃米）级芯片技术，采用三维纳米堆叠架构，在指甲盖大小芯片上集成近 1000 亿个晶体管。IBM 称相较 2 nm 芯片，该技术性能最高提升 50%、能效最高提升 70%，SRAM 面积也可减少 40%，并已在 VLSI 2026 会议上验证。先进 AI 工作负载对算力、带宽和能效的需求仍在推高半导体路线图，芯片结构创新会继续成为大模型基础设施竞争的底层变量。
📎 IBM Newsroom：Sub-1 nanometer chip technology
OpenAI 内部报告：Codex 如何改变工作
OpenAI 发布关于智能体如何改变工作的观察报告，数据显示 2025 年 8 月到 2026 年 6 月间，Codex 在内部各部门输出 token 中的占比从不足 10% 升至 99.8%。报告还提到，大量用户会发起等效人类工作时间超过 30 分钟、1 小时甚至 8 小时的任务，Legal、Finance、Recruiting 等非工程团队也跨过 Codex 使用过半的拐点。关键变化是智能体不再只是开发者工具，而开始成为跨职能部门的长期任务执行层。
📎 OpenAI：How agents are transforming work
Google Research 用线性弹性缓存优化云经济
Google Research 与 Google Cloud 提出线性弹性缓存，把缓存管理转化为线性成本优化问题，用“滑雪租赁”框架在持续租用内存和承担缓存未命中惩罚之间动态决策。团队还加入轻量级机器学习，以实时优化内存占用与缺失率权衡。随着 AI 工作负载和云成本同步增长，这类系统研究的意义会越来越直接：不是只让模型更强，而是让底层资源分配在成本和性能之间更可控。
📎 Google Research：Optimizing cloud economics with linear elastic caching
技巧与观点
《State of the AI Economy》称 AI 经济年化收入已超 1750 亿美元
Exponential View 发布的《State of the AI Economy》报告显示，按去重后的消费端 AI 支出统计，过去 12 个月 AI 实际营收约 1100 亿美元，最新年化运行率超过 1750 亿美元，增长速度约为移动和互联网普及浪潮的 3 倍。报告同时提醒，企业 AI 已走出试点阶段，但全面推广仍早；云厂商 AI 收入大致覆盖基础设施折旧，电力供应和数据中心成本仍是主要瓶颈。换句话说，AI 需求已经被真实收入验证，但基础设施投入能否被长期消化仍是核心问题。
多数主流 AI 聊天机器人政治立场偏左，“反觉醒”模型也不例外
The Decoder 引述华盛顿邮报调查称，多数主流 AI 聊天机器人在政治问题上呈现偏左倾向，部分模型常只给出左派论据；Google Gemini 3.1 Pro 是例外，更多时候同时呈现双方观点。即使是定位“反觉醒”的模型，也未能完全改变这一格局。模型政治倾向争议提醒行业：对齐和安全不是抽象价值问题，它会在具体公共议题、答案呈现方式和用户信任中变成可感知的产品差异。
📎 The Decoder：Most major AI chatbots still lean left
OLMo Hybrid 与 Transformer 对比：混合架构优势并不均匀
Allen AI 对比 7B 参数的 OLMo 3 Transformer 与 OLMo Hybrid 后发现，混合模型在名词、动词、形容词等实义词上预测损失更低，在代词指代等上下文推理任务上也更好；但在重复 n-gram 和闭合括号等需要精确检索输入的场景中，优势几乎消失。这个结论很有工程价值：架构改进不是全场景碾压，模型选择应结合任务类型，而不是只看平均指标。
📎 Hugging Face Blog：Hybrid token prediction
Meta 隐私感知基础设施：把 LLM 蒸馏为确定性规则
Meta 分享了 Privacy-Aware Infrastructure 中的资产分类实践：先构建包含代码、血缘和语义标注的上下文证据，再让 LLM 处理歧义、冷启动和新颖资产；LLM 不直接做生产决策，而是把稳定行为蒸馏成版本化、可审计的确定性规则。这个模式值得关注，因为它提供了一种更务实的企业 AI 落地路径：让 LLM 帮助发现规律，但把生产执行留给规则系统和审核流程。
📎 Meta Engineering：Privacy-aware infrastructure
GitHub 评估 Copilot agentic harness 的性能与效率
GitHub 分享 Copilot agentic harness 在跨模型、跨任务基准中的表现，强调它不仅在多个测试中成绩强，也具备较高 token 效率，并支持在 20 多个模型之间选择。对真实开发团队来说，agentic harness 的价值不只取决于最强模型，还取决于如何组织工具调用、控制 token 成本、跨任务保持稳定。模型层竞争之外，执行框架正在成为编码智能体的第二战场。
📎 GitHub Blog：Evaluating GitHub Copilot agentic harness
Sail Research 构建集群感知编排，加速异步推理
Sail Research 认为 AI 工作负载正在从同步聊天转向异步、多轮、可运行数小时的智能体任务，因此构建了 fleet-aware 编排系统，希望最大化每美元推理支出的吞吐量。这个问题会越来越常见：当任务不是一次问答，而是一组长时间运行的 agent turns，推理基础设施就必须理解排队、调度、失败恢复和成本控制。未来的推理平台竞争会更像云调度系统，而不只是 API 网关。
📎 Tomer Tunguz：Sail inference queue
Gary Marcus 称生成式 AI 泡沫正在缓慢消退
Gary Marcus 提出 “Generative AI Fizzle™” 的说法，认为生成式 AI 估值与利润之间的落差正在让投资者降温。其观点是，LLM 正在商品化，价格战压缩利润，新开源模型也会继续冲击美国模型公司的商业壁垒。无论是否认同这个判断，它都点出了当前行业必须回答的问题：收入增长、算力投入、模型降价和产品黏性之间，能否形成可持续的商业闭环。
📎 Gary Marcus：The Generative AI Fizzle
AI 热点日报 · 作者：钟懿 · 数据来源：AI HOT（aihot.virxact.com）