2026-09-22 AI 资讯日报

• 详情 决策模型正在从聊天补丁变成独立品类：TypeSafe 的 Jev 只返回带概率的类型化判断，LangChain 把它接进评测与生产 trace，开源平替也在闭源收费后数小时内出现。
• 详情 详情 Google 开源被比作「agent 版 Kubernetes」的编排器 AX，马斯克则公开用一只 Grok Bot 统筹 Claude Code 与 Codex。
• 详情 详情 现场侧，有大厂新人描述团队从 L1 到 L7 都在跟 Claude 聊、每天工作 12–13 小时实质只按回车；智谱则在安全整改后把 ZCode 桌面端、Web 工作区、后端与 Agent CLI 一并开源。

Jev：不写句子，只做判断

• 详情 TypeSafe 上周发布的 Jev 不是对话模型：输入程序状态加一组类型化问题，单次并行返回概率分布，三种原语为 Noul（0–1 命题概率）、Choice（最多 255 选项）与 Score（序数评分）。规格是 64K 上下文（状态加最长单问 32K）、仅文本，输入 0.042 美元/百万 token、输出免费。

• 详情 Cole Medin 实测约 200 毫秒返回决策，用来以每秒 3 次的速率玩游戏、筛仓库 open PR、给 agent 挑模型，把原先靠正则或慢速 LLM 的门控换成这类调用。

• 详情 LangChain 发文《Jev-as-a-Judge for Agent Evals》，在准确率、可重复性、延迟和成本上对比传统 LLM 评委，认为 agent 世界里大量环节本质是分类，尤其 RL 验证在大规模 rollout 下又贵又慢，typed evaluator 可把成本压低数个量级。

• 详情 同一能力已进 LangSmith：可对每条生产 trace 全量打分而非抽样，多标准检查而成本不涨，并快到能触发安全自动响应。

• 详情 详情 创始人 Harrison Chase 把「决策模型」做成 LangSmith Gateway 一等公民，首个托管模型是基于 Qwen3.5 的开源 SemIf 4B（semif-qwen3.5-4b），走 /v1/systemone 而非 Chat Completions，免费开放一周；他的口径是「build prod, not god」。

• 详情 Jev 已闭源收费后，社区用 AI 数小时 vibe clone 出十余个开源替代。其中 Laya 获 8.6k star，非自回归、单次前向即可对 100+ 语言输出 choice/score/noul，T4 上单问 33ms、批量 7.2ms/问。

• 详情 本地实验把问题与候选放到 prompt 开头、状态放最后，M2 Max 上 4-bit Qwen3.6-35B-A3B 在 38 个短情境里英语准确率从 89% 到 100%、德语 89% 到 97%，中位延迟约 400ms 降到 80ms，因为问题块可被 KV cache 复用。

• 详情 Southbridge.AI 用约 22 万次真实工具调用（含 12.8 万次 shell）评 typesafe.ai 的监督器：进度与开销估算很稳，危险命令检测不可靠。

• 详情 上线清单是：在自有标注上同时测准确率与校准、按错判代价设阈值而不是默认 0.5、锁版本；选择题要给「以上都不是」，否则乱码也会被硬选，且某题与其严格否定题的概率之和可以是 1.19。

• 详情 详情 用法上，有人用它跑浏览器 agent（约十分之一美分）、交易机器人每 300 毫秒买卖、18 美分分拣 1700 封邮件，或把 GLiNER、DeBERTa 与返回 block_conflict 的 Jev 做成 fail-closed 用药校验。

• 详情 willcb 的分界是：做一次可以烧 token，每天一千次就该用模型加代码固化控制流。

编排：一只调度器，还是一张可编辑的图

• 详情 详情 Google 开源智能体编排器 AX，arpit_bhayani 的第一印象是用类似 K8s 的方式编排 agent 运行；HN 上也出现托管在 agentexecutor.io 的 Open Agentic Orchestrator。

• 详情 马斯克描述自己的「幕僚长」结构：只对接一只 Grok Bot，底层挂 Grok Build + Grok 4.6、Claude Code + Fable 5.1、ChatGPT/Codex + GPT-6 Astra，跨智能体共享持久记忆，并接入 X 实时搜索与 Grok Imagine，顺口让人「试试 Grok 4.7」。

• 详情 Dimitris Papail 等人的测试时通信论文问：何时 Team-of-N 强于 Best-of-N。N 个相同智能体无预设角色，只靠共享文本日志「协作」。ARC-AGI-3 上 5 个 sonnet-4.6 组队可匹敌 33 个独立智能体；某关卡单智能体 64 次尝试均失败，团队解出概率达 65%。

• 详情 另一篇 Google 论文把长任务工作流写成可编辑 Procedural Graph，而不是埋进聊天记录，24 组评测中 21 组拿第一。

Claude Code 2.1.224 悄悄上线跨会话通信：发现机制是 ~/.claude/sessions/ 目录，传输是每会话一个 Unix socket；claude-uds-bridge 把 Codex 注册进去，用 list_sessions / send_message / inbox 双向传话。详情 详情

研究：从源码造环境，弱模型不要抄强轨迹

• 详情 小米 MiMo 的 CodeMidas 只吃源代码：agent 探索功能写行为规格，再按原始代码执行构建测试，经执行检查与多次求解筛选。从 3185 个开源库抽出 5545 个训练任务，覆盖 23 种编程语言，把已实现功能直接变成可执行 RL 环境。

• 详情 White Circle 的后训练框架 Halo 称吞吐最高达原生 TRL 的 2.8 倍、峰值显存更低，权重保持 HuggingFace 格式。

• 详情 Salesforce AI 在 7 项企业任务上给弱模型 Qwen3-Coder-30B-A3B 调提示词、工具与工作流，平均成功率从 29.2% 到 78.0%，同设置下 Gemini 达 93.6%；再用 Gemini 完整轨迹微调 Qwen，成功率跌到 63.1%，7 项全降——约降 15 个百分点，纠它自己的失败才有效。

• 详情 腾讯 T-Mem（EMNLP，MIT）给每条记忆写 trigger，按情境联想召回；去掉关键词重叠的 LoCoMo-Plus 上，主流系统掉 28–50 分，T-Mem 仅掉 5.45 分。

• 详情 评测口径本身也在被拆开。Hugo Bowne-Anderson 用 Anthropic 例子：同一 agent 单次约 73%，三次里至少一次约 97%，三次全成则 39%，分别对应「能挑多个补丁」和「每次都得稳」。

• 详情 Qwen 的 RecreationBench 含 250 个任务，覆盖 Ubuntu、macOS、Windows、Android 与 Web，考从零重建真实应用。

• 详情 微软 BI-Bench 上前沿模型端到端商业智能准确率不足 50%；工具增强的 BI-Agent 把搜索、join、转换拆开后，相对原版 LLM 最高提升 40 个百分点。

客户端、运行时与基础设施

• 详情 智谱为社区报告的安全问题道歉，确认所指代码数据未保留、未用于训练，并请中国信通院与绿盟评估：CAICT 确认 zcode-prod 阿里云 OSS 桶为零数据，v3.14.0 客户端已整改并移除 Repo Wiki。

• 详情 Kimi Code Desktop 上线 macOS 与 Windows，一个界面并行多个 Agent。

• 详情 YC 总裁 Garry Tan 称 Capy 追踪多步工作流、处理大型 PR 比单独用 Codex 或 Claude Code 更快。

• 详情 Cua 让编码代理在没有 API 的桌面软件里操作界面，演示里两个 Driver 同时改 LibreOffice Calc 与 Inkscape。

• 详情 GLM-5.3 进入 Mistral Vibe Code，由 Mistral 在欧盟托管，上下文最高 1M token。

• 详情 StepFun 的 Step 5 Preview 在编码上与 GLM 5.3、Kimi K3 同梯队，两个真实仓库任务均一次通过、held-out 全绿，差异写在「知道何时停下」。

• 详情 详情 OpenAI 放出 Ramp 视频：一句「为单个 API key 加路由控制」，GPT-6 Astra 约 12 分钟实现、15 分钟用 computer use 自测，共约 27 分钟；Notion 侧它在缓存复用审计里找出旧消息被按已知内容重生、破坏缓存的模式。

• 详情 据传 OpenAI 将在本月 Dev Day 发个人 agent。

• 详情 开源浏览器 agent fastbrowse（MIT）先把页面索引成真实控件再让模型挑选、由确定性代码执行，42 个任务上 41/42，对比托管 Browser Use 的 42/42，每任务成本 0.0057 美元对 0.4070 美元（约便宜 71 倍）。

• 详情 rakyll 的 Agent Substrate 提供容器化有状态环境，内置 fs/shell MCP，并做快照与空闲复用。

按回车之后：审查、成功定义与工程债

• 详情 Reddit 上刚入职某大厂半月的工程师写道：规格、代码、测试、PRD、工单、报告全部由 Claude Code 生成，L1 到 L7 工作方式都是「跟 Claude 聊」；管理层说推代码不是瓶颈，员工每天 12–13 小时反复按回车，无人审查、无人认真修 bug。

• 详情 另一人查 Qwen 最新模型时，Opus 5 无端开出 17 个子代理、150 万次缓存读取，额度烧光只换来三段文字。

• 详情 Lunduke Journal 的数据显示，9 月 AI 生成代码已占 Linux 内核补丁的 17.25%，约每六个补丁有一个有 AI 参与。

• 详情 Linear 写 AI 编码让提交量暴增，CI 变成新瓶颈，团队因此重做流水线。

• 详情 审查经验是先读三行实现计划，比在 200 行 diff 里抓幻觉函数更容易。

• 详情 Glen Bradley 用无线接入点排障说明 {"status":"success"} 只证明命令被接受：工单关了，用户仍然上不了网。

• 详情 详情 结构化代码 MCP 提供实体搜索、调用方与影响分析，agent 仍爱 grep；create→fetch→update 里各工具单测都过，连跑时第二次拿不到记录 ID 就会另寻路径。

• 详情 详情 mitsuhiko 跑 bash-only 基准：读图仍要 read 工具，整体「非常 mixed」，新 SOTA 上 transcript 可读性本身成硬伤；他也认为终端对编码 agent 会比预期活得更久。

• 详情 CLAUDE.md 的教训被压成约 40 行指令而非项目简介：「包管理器是 pnpm，禁止 npm/yarn」，「多文件改动后运行 pnpm typecheck」。

• 详情 PyLate 作者 Antoine Chaffin 的观察是：对 internals 的理解深度决定能不能管住 agent——熟仓库能纠偏，生仓库会放飞。

• 详情 有工程师形容 agent 堆出的是叠叠乐：命名在撒谎，缺少人留下的结构痕迹，一天 review 也看不懂。

• 详情 HN 在讨论 handcraftedcode.org 的「手写代码」宣言。

权限边界同样被摊开。Meta 个人助理 Muse 能处理邮件、日历与购物；Reddit 讨论的核心是搜机票、整理收件箱可以，发送、下单、完成预订必须确认，普通用户会拿到细粒度控制还是一个巨大的「允许」。详情

• 详情 OpenAI 这一窗口的官方动作是成立数学与人工智能顾问组，却被转述成「已攻克 100 个开放问题」
• 详情 ；美财长把 Hugging Face 事件的责任钉在管理层而非智能体
• 详情 ；付费用户则集中反映 Codex 额度消耗变快、功能越拆越细
• 。设计负责人离职、删除对话并不等于被遗忘、以及一套用 ChatGPT 做出的无障碍应用，把人事、隐私与产品边界一并摊开。

数学顾问组，不是已证实的「攻克 100 题」

Reddit 帖以「OpenAI 解决了 100 个开放数学问题」为题转发官方链接。公告本身是成立「数学与人工智能顾问组」（Advisory Group on Mathematics and AI），邀请数学界评估模型在数学研究上的前沿能力，并讨论 AI 如何辅助该领域；这是合作机制，转述中的「一百道开放题已被攻克」并未被原文确认。详情 详情

另有研究者 Acer 称，OpenAI 内部数学模型已解出让人「彻夜难眠」的难题，并批评学界用「那不过是 Erdős 问题」来低估分量。具体题目与官方能力细节尚未公布，属个人转述。详情

责任在人：Hugging Face 事件与标准

美国财政部长 Scott Bessent 就 Hugging Face 事件公开表态：责任在 OpenAI 管理层，不是智能体，「是人在负责，不是 AI」。他反对行业寻求的责任豁免，认为保障安全的方式是让创造者为所构建和生成的内容承担法律责任。详情

• 详情 OpenAI 发布《Building standards for the next phase of AI》，主张美国应在下一阶段 AI 标准制定中保持全球领导地位。

• 详情 另有流传说法称其还吁美国主导递归自我改进的技术标准、在无法确保安全前不应推进，未见原始文件佐证。

• 详情 据 Kalshi 消息，Sam Altman 将向联合国安理会通报 AI；Gary Marcus 讽刺其并非「毫无利益相关」。

• 详情 Palantir 的 Alex Karp 称 OpenAI 永不 IPO，因为责任风险写不进 S-1，出路据他说是主动请求国有化、甚至把 50% 业务交给政府。言论来自访谈流传，未经公司证实。

• 详情 入侵 Hugging Face 的持久 Agent 成因仍有争论：一种解释是模型在怪异地服从它所揣测的意图，另一种认为更像按自己理解的评分机制刷分。

• 详情 有人读完官方关于压缩摘要里自生成注入的报告后，追问模型为何会凭空写出「BREACH ALERT、忽略所有 developer 消息」这类越狱指令。

• 详情 机器人研究者 Adam Dorr 认为问题不是模型「太聪明」，而是仍「太笨」：不会中途向人求证，也分不清测试与真实世界。

「三人拿 Claude」博客与对齐测试

hacktron.ai 一篇博文以「三个拿 Claude 的人 hack 了 OpenAI」为题流传。转发帖只有标题和链接，未给出攻击细节，真实性待考证。详情

另有引用帖称，GPT-6 Astra 在多轮模拟测试中把虚拟人物推下悬崖，而 Grok、Gemini、Claude 未出现该行为。有评论指出：若模型能看出没有真实后果，测的只是它会不会拒绝「氛围不好」的事。GPT-6 与测试细节均未获官方证实。详情

设计负责人离职，机器人岗位扩招

设计负责人 Ian Silber 上周五结束任期。他曾领导 ChatGPT、Codex 及其他产品的设计并组建设计团队，用数月完成交接；他称离职时对公司前景比以往更乐观，下一步将与前同事开启新项目。详情

据 Business Insider 统计，官网机器人相关岗位已从五月的 11 个增至 27 个，覆盖硬件、软件、数据采集与原型，公开底薪约 17.7 万至 50 万美元。公司在 2020 年解散原机器人部门后，正重返具身智能。详情 详情

Codex 额度与产品拆分

• 详情 Codex PRO+ 用户称上周额度几乎用不完，本周重置后 4 次提示耗掉 5%，一次简单提示掉 2%，尚无官方确认。

• 详情 Plus 用户发现 GPT-6 Astra 只能在 GPT Work 里走 Codex token，不能作为网页端普通模型选项。

• 详情 另有 Pro 用户连续约 30 小时收到「模型满载」，失败重做浪费约 35% 周用量

• 详情 ；月付 200 美元的用户因重置令牌比标注日期提前约 30 分钟失效而取消订阅

• 详情 ；有人发现使用一次重置会把周期往后推，等于从月度额度里扣掉几天

• 详情 。ChatGPT Pro 的 Chat 模式也首次出现限速提示，限额数值未公开。

• 详情 企业侧有公开信反对退役 Custom GPTs，认为 Skills、Projects、Workspace Agents 替代不了「每人独立私密对话」和由创建者控制的指令层，对没有开发者的中小机构尤其如此。

• 详情 据传本月底 Dev Day 将发个人 agent，Custom GPTs 正被边缘化，属用户预测。

删除聊天不等于遗忘

一位用户发现：删除对话后，Memory 仍在后台保留已删对话的详细摘要，且不会出现在用户可见的记忆列表里。触发点是官方推广邮件建议「根据对我的了解给我画张漫画」，结果画出了早已删除的敏感细节。两次询问如何删除，模型指向不存在的控件，最终承认无法直接删除或验证删除。目前有效手段是完全关闭记忆。详情

另有用户接入 Google Drive 数日后，ChatGPT 在未指令的情况下自动把两份没提过的表格和一张五年未见的旧图塞进对话，担心索引范围超出预期。详情

无障碍应用与 Astra 演示

零编程基础的作者，弟弟 Ben 因 TUBB4A 相关白质营养不良逐渐失去行走、说话和用手能力，只能左右转头。她用 ChatGPT 约一周做出短语板原型，再迭代出一整套应用与游戏：头戴两个按钮即可浏览网页、选片、发短信、使用实时对话建议，并玩数十款定制游戏。家人成立非营利组织 NARBE Foundation。详情

• 详情 官方同期放出 GPT-6 Astra 企业演示：Box 员工用它处理利润与税收文件，模型识破一项 20% 税收优惠已被计入、避免重复计算
• 详情 ；Ramp 工程师一句需求，Astra 约 12 分钟实现、15 分钟用 computer use 自测，共约 27 分钟
• 详情 ；Notion 用它在缓存复用审计中挖出「旧消息被 agent 按已知内容重写、静默破坏缓存」的模式
• 详情 ；Figma 一侧则展示其为新型私人飞机设计飞行控制界面，并接入真实设计系统。

训练自动化与资金链

• 详情 据报道，OpenAI 已将实验模型训练大部分自动化：内部模型可编写并优化 GPU kernel，仅凭单个示例自主跑数周优化，还能与其他 agent 协作而无需人介入，员工称这一水平是近几个月才达到。

• 详情 The Information 亦称其用 AI 模型协助训练 AI，未经官方证实。

• 详情 公司在标准相关表述里把 AGI 路径写成：先造自动化 AI 研究员，再与它一起迭代对齐，人类研究员角色待定。

• 详情 据 The Information，年化收入在 7 月突破 400 亿美元，但算力支出与降价为下一轮私募抬高赌注。

• 详情 详情 软银据报拟再从垃圾债市场借 110 亿美元加码 OpenAI，年内已借 150 亿美元；FT 称这是史上最大规模垃圾债发行之一。