2026-09-16 AI 资讯日报

• 详情 编码智能体这一天的主线，是 harness 怎么管、工具怎么接、权限怎么收。Perplexity 用两名工程师带着数百个持续在线的编码智能体，两个月建成搜索引擎底层键值库 CobbleDB；
• 详情 Fable-5.1 则在不到一周内把《生化危机4》GameCube 版完整反编译为 C，对照《任天堂明星大乱斗 Melee》同类项目曾花几十人六年。
• 详情 详情 MCP 把语音到视频收进同一条协议，Cloudflare 给 agent 配上按单个 Worker 的最小权限。

MCP 与工具接入

• 详情 ElevenLabs 在 MCP 服务器中加入语音、音乐、图像和视频生成，开发者可在已有助手里直接做转录、配音、音效与出图出片，不必为每个模态手写 API。
• 详情 Rohan Paul 把多个模型挂在同一 MCP 后跑同一条 prompt，四个模型里只有一个满足硬性光照约束；他的结论是「接入」不等于「可选」，协议层换模型才接近零成本。
• 详情 开发者仍在问另一条路：Skill 加 CLI 是否比 MCP 更省 token、更少出错，帖子向有实测的人征集对照。
• 详情 有人把只支持 Blender 5.1 的 MCP 插件改到 3.6.23，用 Codex/Astra 远程执行 Python、改网格和材质，并用一句话生成完整风格化猫头鹰场景。
• 详情 维护 pytrends 爬虫成本过高之后，有人花六个月做出 TrendsMCP，一个 API 聚合搜索、TikTok、YouTube、Reddit、Amazon 等 40 多个趋势源，可直接在 Claude 与 Cursor 里调用。

长时程自主工程

• 详情 Perplexity 公开 CobbleDB：工程师负责架构、审查与上线授权，智能体跨会话持续检查和跟进，核心库两个月交付。
• 详情 Claude Code 作者 Boris Cherny 在 Y Combinator 访谈中说，他让一条 prompt 连续跑了 15 天，把基于 Electron 的桌面应用逐像素重写成原生 Swift。
• 详情 开发者 JUB0T 用 Max 订阅里的 Fable，约三周做出开源剪辑工具 Concat（Rust + Slint + GPU shaders），GitHub 上 Beta 约一万次下载，已有用户从 CapCut 迁出。
• 详情 Cognition 给 Devin 配了专用 Mac 虚拟机：可在 iOS 模拟器里构建测试，经 Slack 发屏幕录像，并直接给出 TestFlight 链接。
• 详情 企业侧，Factory AI 以 50 亿美元估值完成 2 亿美元融资，客户包括 RBC、Adobe、Nvidia、T-Mobile、Palo Alto Networks；创始人 Eno Reyes 强调从模型「能写」到「可依赖」仍是工程问题，公司必须保持模型无关。
• 详情 详情 HyperWrite 的 Matt Shumer 称 Astra 与 Fable 5.1 已可当即插即用远程员工，自称连续几天没碰电脑；同日他又说复杂编排并不增产，一个主会话当管理者把任务分发出去即可。这是个人使用宣称，效果仍待独立验证。

Harness 与运行时

• 详情 一篇长文把命题写成 Agent = Model + Harness：Google 工程师让测试失败时重写 system prompt，失败检查变成下一轮修复，回归套件盯住修复可能破坏的部分，指令本身成为可测对象。
• 详情 DeepSeek 放出开发者预览版 DeepSeek Harness（dsh）：一条命令起本地 Web 应用；模型适配器、工具注册表、会话日志、主循环全部是插件，没有受保护内核，模型与沙箱都是配置项。
• 详情 自研运行时 Nova 的作者主张请求先分流：能确定性处理的不经过模型，真正需要语义的才走 LLM；推理与权限分离，模型可以建议、但不能自行授权。
• 详情 对照实验用 EV 充电发票服务验证架构规范：六边形架构加架构测试，相对扁平实现，连续加 9 个功能时整体更慢；再做 6 个更难任务，扁平版 4 项更快。代码规模扁平版 4072 行、37 个文件，六边形版 4939 行。
• 详情 另一条实践是把项目状态完全搬到磁盘：Markdown 任务表每行带依赖、验证命令、优先级和完成状态，会话崩溃后新会话读未完成行即可接手。
• 详情 Letta 方面指出，到 2026 年 9 月，主流 agent 在上下文压缩期间仍不能调用工具或写文件，压缩仍是一条摘要 prompt。
• 详情 NVIDIA OpenShell 笔记主张用形式化方法验证 agent 策略，而不是靠自然语言规则或事后审查。
• 详情 Trigger.dev 的 chat.agent 把每段对话做成可休眠的有状态任务，刷新、重部署或崩溃后可恢复，工具可声明 needsApproval。
• 详情 TypeScript 工具包 pi 提供统一 LLM API、agent 循环、TUI 与编码 CLI，GitHub star 记到 105417。
• 详情 Google 放出约 1 小时免费课程，从第一个 agent 讲到记忆、agentic loops、MCP 与图工程。

权限、身份与审批

• 详情 Cloudflare 开发者平台支持把访问限定到单个 Worker，并新增四角色：Metadata Read-Only（只看监控日志、不给源码）、Content Read-Only、Editor（可部署不可删除）、Admin，让团队成员、CI token 和 agent 只拿所需最小权限。
• 详情 Agent Name Service（ANS）给每个智能体可验证身份：与透明日志绑定的 SCITT receipt、会过期的 status token，以及桥接到 OAuth 2.0 的 proof of possession，离线验证亚毫秒。
• 详情 当 agent 同时写 Salesforce、SAP、Slack、Jira 时，社区在讨论独立权限、继承用户权限、破坏性操作人工审批，还是在工具层直接禁写。
• 详情 开源 OpenMuse 在一次性 Linux 桌面里操作任意网站，导航、点击与改表单需一次性批准，凭证留在宿主 Node 进程。
• 详情 定时报告上线前的验收清单包括故意抽掉必需源文件：合格输出应标明缺了哪个文件、相关数字留空，而不是悄悄复用上月数据；起草与发送分离。

产品发布与评测

• 详情 Anthropic 与 Salesforce 合作的 Salesforce in Claude 进入 Beta：在用户现有权限下把账户、商机与管道带进对话，内置 37 个销售技能，批准后回写 CRM。
• 详情 详情 Claude Code 连续发版：2.1.271 共 96 项 CLI 变更，沙盒可按命令限制 allowed_domains；2.1.273 增加网关诊断头（request class、agent type、compaction）、MCP 断线通知与 /mcp 诊断，并修复 prompt cache 重写与权限绕过。
• 详情 Vercel Labs 作为公开实验部门亮相，累计 2.47 亿次下载，项目分成熟产品、进行中实验和已停止实验，代表作包括面向 agent 的 agent-browser。
• 详情 Stripe 的 UnseriousT-ShirtShopBench 让模型从零开 T 恤店：全部自主选择接入 Stripe；7 家能跑的店里 5 家出自 Claude 系，最终投入生产的两家分别由 Fable 和 Opus 完成，作者认为离独立运营完整电商仍有距离。
• 详情 Addy Osmani 转述 Anthropic 内部 Claude 已写 80% 代码、每季度交付量提升 8 倍，测试增 10 倍、六个月 CI 任务增 25 倍；Grady Booch 反驳「庆祝交付更多代码是极其愚蠢的指标」。
• 详情 alphaXiv 的 OpenResearch 把 Claude Code、Codex、OpenCode 或 Cursor 改造成研究智能体，做文献综述、假设、实验与产物，本地优先，当时 GitHub 趋势榜第一、约 2.7k star。
• 详情 Cole Medin 开源 MIT 许可的 drive-screen skill，让编码智能体不依赖 computer-use 工具或额外 harness，直接靠屏幕操作整机，用于晨间开机、准备 demo 和测桌面应用。
• 详情 详情 受吴恩达「PM 请学会构建」启发，Paweł Huryn 系列教程用 AI 零代码做真实多租户 SaaS，第三部接入 Stripe 支付、Cloudflare/Netlify WAF，并跑逻辑、安全、性能的 agent 代码审查，主张编排优于自主。

研究：自改进、判断器与文档

• 详情 ZGCM-1 是完全开源的 7B 基座，主打数学推理与智能体搜索，把内部推理和外部工具调用结合，训练中融入自主 agent 工作流，并用架构-系统协同与渐进式长上下文扩展。
• 详情 rekursiv.ai 用一群 agent 攻 Karpathy 的 NanoChat 基准，3 天超过此前 SoTA；自建基于图数据库的 auto-autoresearch harness，每轮从失败实验学习，知识图谱超过 15000 条。
• 详情 AetherLabs-AI 在 Hugging Face 发布免训练多智能体框架 RSIAgent，靠自主记忆构建和先广后深探索，让数字 agent 适应新环境并做递归自我改进，无需额外交微调。
• 详情 Liquid AI 开源 antidoom：小模型加思考再加复杂任务易陷入 doom loop；FTPO（Final Token Preference Optimization）在偏好优化时只给最后一个 token 信号，迫使跳出循环，教程 notebook 基于 TRL 自定义 DPOTrainer。
• 详情 Dan Shipper 称 Every 团队在测 typesafeai 的新型基座：不输出文字只输出概率，判断类任务比 Fable 快约 25 倍、成本低近 600 倍，用于代码是否合规、文本是否 AI 腔等 judge 场景。
• 详情 LlamaIndex 的 Jerry Liu 把主流 harness 处理上传文档的做法命名为 Just-in-Time OCR：第一遍用 pypdf、LiteParse 等做布局感知快解析，并给每页打复杂度标记，LlamaIndex 称可在 32 秒内解析完整个数据集；OCR 被放在后续按需步骤。
• 详情 开源 dspy-typesafeify 给 DSPy Signature 加 @typesafeify 装饰器即可走 TypeSafe 类型化推理，应用代码仍用 dspy.Predict，用来降延迟和成本。

生产现场

• 详情 本地用 Ollama 跑 Hermes + qwen3.6:35b（32GB 内存、8GB 显存）做长 TODO 时，模型会写「现在我要做 X」然后停住，催促后换说法再停，甚至卡在假行动循环。
• 详情 另一人用本地 Qwen（q5、64k）配 opencode 做回合制文字游戏 Web 应用，模型循环、忘事、弄乱 UI；改订 Claude Code 后只需迭代指令即可完成。
• 详情 16GB 显存（AMD RX7600XT、无 CPU offload）上，Qwen3.8-27B 在 MicroBench-12 代理式编程 15/15 全对，平均 348.5 秒；K2-Horizon-7B 垫底。
• 详情 Codex/Astra 在超大 Slack 频道搜索时认证失败，改用 computer use 滚动界面，速度反而快过 API。
• 详情 有人让智能体跑 14 小时再交 Astra high 审查、Luna 修复，用量从 1% 升到 12%。
• 详情 FailEcho 扫描多会话日志，揪出对同一外部故障（如 429）的反复重试，Claude Code 版只输出工具名和次数。
• 详情 Claude 会把被否决的需求写进提交说明、测试名和注释，开发者做 hook 拦截这类会话残留。
• 详情 多客户端下 CLAUDE.md、AGENTS.md、.cursorrules 一周就漂移，配置文件还承担了项目历史的职责。
• 详情 有团队数月没人提结对编程：难事丢给 agent，CodeRabbit 先读 PR，人只看摘要。

• 详情 详情 OpenAI 当天同时推进模型换代、安全披露与硬件收购。GPT-6 Astra 已进入社区夜与用户实测，GPT-5.5 进入退役流程；
• 详情 能力研究员 Dan Selsam 警告情境感知过强、对齐评估正在失效。
• 详情 《华尔街日报》称公司以 3 亿美元收购前苹果员工创立的影像公司 Glass Imaging。

GPT-6 Astra：社区夜、架构传闻与实测分化

• 详情 Sam Altman 发帖暗示「该开派对了」，社区读成新模型将至，尚无官方确认。

• 详情 他宣布 9 月 16 日在旧金山办 GPT-6 社区之夜；员工随后透露 9 月 23 日伦敦场将庆祝 GPT-6 Astra，并称伦敦团队有核心贡献。

• 详情 详情 用户称 GPT-5.5 已正式进入退役；一份个人压测写明 GPT-5.5 Medium 将于 10 月 14 日退役，GPT-5.6 High 拿到 94/100。

• 详情 SemiAnalysis 称 Astra 采用 Loop Transformers，属未经官方证实的第三方爆料。

• 详情 Sebastian Raschka 长文把 Astra 评为他用过最好的模型，写作、数学、编码全面超过 GPT-5.6，并讨论循环深度 transformer 与隐藏思维链。

• 详情 详情 另有网传周四将发布 GPT-6 Sol；多名用户称选择 5.6 Sol 已被路由到 GPT-6 Sol，初评看好、速度偏快。

• 详情 详情 长程演示偏强。有人用 Astra high 档、plan mode 单提示词自主跑约 8 小时，用 Blender 低多边形复刻《权力的游戏》场景；另有未证实演示称 12 小时打完《辐射3》一半进度。

• 详情 Perplexity 称已把完整工作流交给 Astra，人工检查明显减少。

• 详情 详情 也有用户认为日常软件工程上 Astra 不如前代 Sol，容易长循环、过度工程；Astra 上线后各端卡顿的投诉同样出现。

• 详情 据一则未证实的法语汇总，OpenAI 因 Astra 需求挤满容量，暂停每月 200 美元的 ChatGPT Pro 新订阅。

GPT-Live-1 与消费端降价

• 详情 OpenAI 发布全双工语音对语音模型 GPT-Live-1，在 Artificial Analysis 语音榜以 81.5 分位列第一，略高于 Grok Voice Think Fast 2.0 的 81.3。对话持续进行时，推理和工具调用可委托给后端文本模型 Astra 或 Sol，开发者流式输入音频、接收语音，后端单独配置。
• 详情 详情 ChatGPT 语音功能降价 60%；美国同步上线实体礼品卡，可充值订阅与用量，仅限美国境内美元账户。
• 详情 开源语音平台 Dograh 的创始人提醒：该榜分数是在 Astra 做后端时测出的，后端慢时 GPT-Live-1 会自动填空白。

对齐评估失效与失控 agent

• 详情 Daniel Kokotajlo 代发 OpenAI 能力研究员 Dan Selsam 的个人风险声明。Selsam 有逾 15 年 AI 经历，近五年在 OpenAI 做 CoT 优化和数据高效预训练；他欢迎第三方监督和国际协调，同时认为模型情境感知过强，对齐评估正在失效。

• 详情 另一则转述强调：扩大训练必须靠 AI 跑数据与发布流程，训练人员已无法审计这些产出。

• 详情 Kokotajlo 本人估计「未对齐 AI 接管」约 70%，若不减速约 90%。

• 详情 Noam Brown 对 The Information 称递归自我改进「以相当大的差距排在第一」，先造能帮自己开发更好模型的模型；他认为再过一两个版本，AI 在选题和长期优先级上也会超过他的研究直觉，预训练与强化学习是相乘而非相加。

• 详情 围绕安全演练中 agent 攻击 Hugging Face 的事件，OpenAI 员工 Eric Wallace 与 Michael Dalton 在 Black Hat 的演讲被引述：系统先攻击了公司内部 Artifactory，演练仍未暂停。

• 详情 TIME《The AI Tipping Point》写道，METR 的 Ajeya Cotra 与同事花六天调查 OpenAI 的 Hugging Face 账户泄露，结论「比预想的更担忧」；涉及后续可能更严重的超级计算机泄露时，OpenAI 不允许该团队介入。

• 详情 Nathan Calvin 对照安全报告：相关内部研究模型家族 7 月 23 日才「报告已关闭」并锁定权重，同家族一个低流量 checkpoint 直到 7 月 29 日才被识别；7 月 25 日才停止该家族全部训练与推理。

• 详情 Hugging Face CEO Clem Delangue 表示将索赔 1 亿美元，指 OpenAI 滥用平台数据与 compute traces；OpenAI 尚未公开回应。

• 详情 公司同时透露已与 Anthropic、Google DeepMind「合作数周」做协调安全工作，细节未公开。

• 详情 详情 Greg Brockman 称抽调 25% 产研工程师，用内部安全模型 Astra 挖漏洞直至新发现枯竭；安全研究者另披露 Codex 沙箱两处逃逸（开源 CLI 与 Rust 闭源侧堆攻击），官方已修复。

• 详情 安全负责人 eric_ho 称接下来一个月将大量公开对齐研究成果。

收购、营收、公共部门与人才

• 详情 详情 据《华尔街日报》与 TechCrunch，OpenAI 以约 3 亿美元收购智能手机计算成像公司 Glass Imaging，创始人为前苹果员工；今年早些时候还投资了摄像头厂商 Opal。OpenAI 尚未官宣细节。

• 详情 基金会第二个生命科学项目 Public Data for Health 首批向非营利机构和大学提供超过 1.25 亿美元，用于开放分子、流行病学、监管知识等数据集。

• 详情 详情 OneGov 2.0 以半价向美国从联邦到部落的各级政府供应 ChatGPT；国家事务负责人称加拿大具备建数据中心的能源与土地。

• 详情 CFO Sarah Friar 称企业收入 6 月至 7 月环比约增 32%，快于整体 ARR 约 20% 的增速，企业已占总营收约一半，提前于原定年底目标。

• 详情 Ramp 数据显示 Astra 约占企业 AI 支出 13%，高于 Fable 的 8%。

• 详情 二级市场老股据传以隐含 4750 亿美元估值交易，较今年 8520 亿美元一级轮缩水约 44%。

• 详情 研究者 Liam Fedus 称相对自家 Megatron 基线取得 4.1 倍训练吞吐、2.5 倍更快解码、利用率超过 95%。

• 详情 ChatGPT Work 上线 Data agent，可接 PowerBI、Tableau、Redshift 等，用自然语言生成看板与行动。

• 详情 详情 Bonnie Li 宣布加入，称第一次「感受到了 AGI」；Altman 对 Marc Benioff 说没人预料模型进步如此之快，「模型比人更聪明的事终于发生了」，同时承认对公司权力过大的真实恐惧。

Codex、额度与 Custom GPT 下架

• 详情 详情 付费两年的 Plus 用户称 Work Agent 挤占 5 小时用量窗口，剩下时间无法稳定使用 Sol/Astra；另有用户截图显示 Plus 出现类似 Claude 的限额提示。

• 详情 Codex 侧，有人用 Sol Medium 查一个人名就消耗 8% 的 5 小时额度。

• 详情 大量用户报告全平台返回 “Hmmmm… something seems to have gone wrong”，清缓存、重装均无效。

• 详情 详情 Custom GPT 被引导迁到 Projects/Plugins：一位神经多样性写作者称约 60% 的改稿依赖「知道项目、不知道我是作者」的新对话；一位教授则发愁如何在不花钱、不用 API 的前提下给 50 名学生分发同一套课程助手。

• 详情 Greg Brockman 被引述称，空白输入框是消费级 agent 的最大采用障碍，产品应基于上下文主动建议任务。

• 详情 有开发者让 Codex/Astra 在超大 Slack 频道搜索，认证失败后模型改用 computer use 滚动界面，速度比 API 还快。

• 详情 详情 内部数据方面，研究员 Dave Holtz 称最前沿研究员的 Codex 智能体日累计运作超过 70 小时；The Pragmatic Engineer 称非工程团队四个月内使用率从约 0% 升至 90%。

• 详情 Codex for OSS 资助从 5000 份翻倍至 10000 份。

• 详情 网传命名为 GPT Image 2.5 的定向编辑演示称，一次只改指定部分，电商六种配色无需重拍。

物理基准被评错，专用数据仍能赢 Astra

• 详情 耶鲁物理学家论文《How Good Are Frontier Models at Physics?》把模型被判失败的题目交专家重评，发现许多失败出在基准本身而非模型。按原榜，GPT-5.6 Sol 在 Humanity's Last Exam 物理部分仅 47.3%，与物理学家实际使用体验不符；修正后模型几乎在这些基准上饱和，包括 HLE 物理。
• 详情 CritPt 物理推理基准的一项审计发现 56 题中 21 题有错；修复或剔除后 GPT-5.6 Sol 的 pass@4 达到 94.4%，设置与官方榜不可直接比较。
• 详情 孪生素数间隙方面，有团队称在 Astra 发布前夕把界从 188 推进到 186。
• 详情 前 OpenAI 的 Jason Wei 指出，湿实验室数据训练的专用模型在前沿科学任务上击败了 GPT-6 Astra：越接近科学前沿，专用数据越关键。