AI 编程实时动态与要闻

半导体与 AI 研究机构 SemiAnalysis 11 月 2 日发布 GDPx，用来衡量前沿模型在芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进（RSI）、硬件设计、材料科学、对齐和软件工程 11 个领域的智能体能力，共 206 道任务，由 14 家专业数据公司出题、SemiAnalysis 负责最终质检。官网榜单上 Claude Opus 5.5 以 12.0% 居首，Gemini 4 Carbon 10.9%、GPT-6 Astra 9.6% 紧随其后；金融和法律任务几乎所有模型都是 0 分。SemiAnalysis 称 Opus 5.5 和 GPT-6 Astra 的总分被安全分类器拖低，并计划每 3–6 个月更新一版。以上分数均为 SemiAnalysis 口径。

查看大图

Scott Alexander 10 月 31 日在 LessWrong 发表长文《Against SURA》，把「公司、员工、国家应单方面停下 AI 并唤起公众关注」的主张统称为 SURA，认为它会让不重视对齐的公司领先、让美国失去与中国谈判的筹码。他引用 AI Futures Project 成员对几种「没有全球暂停」情景的生存概率估计，大多在 25%–50%，以此反驳 90% 以上的末日概率。博主 jessicat 转引后称，AI 安全的部分派别已开始像群众政治运动，认知质量变差（约 359 赞、6.3 万浏览）；Bloomberg Odd Lots 主持人 Joe Weisenthal 转发概括为「大家在比谁更悲观」（约 287 赞、3.8 万浏览）。这是观点争论，不是任何机构的政策公告。

查看大图

Anthropic 10 月 29 日在 X 上介绍「自我评估」（self-assessment）：Claude 每次回答后，对整段对话给出一份结构化的初步安全评估，用于离线复核。官方 Safeguards 博客称，在 Claude Fable 5 上，1% 误报率下它能覆盖更强的提示词分类器所标记对话的 78%、高优先级对话的 94%；因对话已在 KV cache 中，平均只多生成约 10 个 token，估计增加不到 2% 推理算力。该技术自 6 月起在生产中运行，但官方也说明它挡不住专门针对它的攻击者，只作为纵深防御的一层。

查看大图

2026-10-23（UTC 16:53，SGT 10-24 00:53），Block 官方账号 @blocks 发布 Dessa，Jack Dorsey 随后转发称其为「迄今最真实的全双工语音模型」。官方页面 block.xyz/dessa 介绍：Dessa 是真正的语音到语音模型，训练数据只有人类对话录音，不用文本、不用任何预训练模型；全双工，能边听边说，会自然插话和附和（“yeah!”“got it!”），推理快于实时，可在 MacBook Pro M4 Max 或更高配置上本地运行。官方称只用一套 NVIDIA GB200 NVL72 完成训练，学习语言所需的词量比 LLM 少数百倍。目前没有公开 API 或权重，只向一小批 AI 安全研究者开放早期访问。

查看大图

Dream Labs 10 月 19 日宣布出隐身并完成 9000 万美元种子轮，同时上线 Dream-1 公开 API。Dream-1 是一个「世界动作模型」（WAM），把视频预测和动作预测放在一起学，官方称无需该机器人的任何演示数据，就能零样本控制带平行夹爪的双臂机器人，在仿真中跑通 27 款没见过的机型，包括 18 年前的 PR2。定价 Dream-1 每小时 3 美元、Dream-1-flash 每小时 2 美元。第三方 Robocurve 的独立评测里，Dream-1 在 RoboDojo-RC Tier 1 得 59 分，此前最佳为 48 分。官方强调仍是研究测试版，未做安全关键场景验证。

查看大图

多所高校团队在 arXiv:2610.09872 中发布首个面向演化环境的持续性 Agent 过程感知评估基准 LiveMACEBench。以真实动态金融市场为试验场，针对 GPT-5.4、DeepSeek-V3.2、Gemini-3.1-Pro、Qwen3-Max 与 Grok-4.20 展开多轮连续闭环评测。实测发现高收益往往掩盖决策暗箱：部分模型在机械合规的同时留存零审查证据（静默合规），或因增量盲区屡屡踩踏风控红线，为多智能体可靠落地敲响警钟。

查看大图

针对视觉语言模型（VLM）在空间感知中依赖自回归文本生成导致的高延迟，以及具身 VLA 模型缺乏个性化与物理安全兜底的难题，今日两项重磅开源成果给出解法：MJev-Spatial（arXiv:2610.22276，HF 350 赞登顶）复用骨干 Q/K 投影将空间判断转化为单次前向分类，零新增参数提速 5.6 倍并在 12 项基准斩获 65.64% 第一；港中大贾佳亚团队 CarryOn（arXiv:2610.21453）以规划-执行双环 Harness 将机器人安全违规率从 52.6% 降至 6.1%，故障恢复成功率从 13% 飙至 80%。

查看大图

OpenAI 于 10 月 15 日推出全双工语音模型 GPT-Live-1.1（接替 GPT-Live-1）与小模型 GPT-Live-1.1 Quip（接替 GPT-Live-1 mini），成为 Plus 及以上用户在 ChatGPT Voice、Codex、dots 中的默认语音模型；新增法、德、印地、日、韩、墨西哥西语音色，减少搜索时的「checking...」提示，面向全部用户灰度，API 即将上线。系统卡披露合成安全评测在 4 个类别有统计显著回退。

查看大图

让人工智能智能体在与环境的持续交互中实现‘递归自我提升（Recursive Self-Improvement, RSI）’是实现通用人工智能的核心圣杯。然而，传统的智能体自演化范式长期受困于两大致命死穴：外部真实环境的反馈（Ground-Truth Feedback）通常极度稀缺且获取成本高昂；同时，伴随策略权重的持续迭代演化，充当模拟器的世界模型（World Models）极易因数据分布漂移而发生预测崩溃，引发灾难性的策略畸变。香港科技大学、上海人工智能实验室、北京大学与香港中文大学联合科研团队在最新力作（arXiv:2610.13912）中正式开源了领域通用的递归自我提升框架 RSI-Anything（代码仓库：github.com/Gen-Verse/RSI-Anything）。基于前沿联合嵌入预测架构 JEPA-Anything 构建，RSI-Anything 确立了‘提议 -> 预测 -> 筛选 -> 评估 -> 学习 -> 保留（Propose-Predict-Select-Evaluate-Learn-Retain）’的六阶段自我演进闭环。系统引入严格的组件与兼容性校验门禁，实现了策略模型与世界模型的动态协同适应。在跨越代码修复、GUI 桌面导航、实验室实验规划以及复杂化学反应优化的广泛实验中，RSI-Anything 展现出惊人的跨领域进化力：自动化代码修复成功率从静态验证器基线的 26.3% 跨越式跃升至 31.2%（提升近 5 个百分点）；GUI 任务完成所需操作步数大幅缩减 39.4%；实验室规划得分经 5 轮迭代从 21.80% 暴增至 46.01%（翻倍以上）；化学反应产率高达 96.15%，全面碾压传统贝叶斯优化，代码与训练管线已全量开源。

查看大图

Anthropic 于 2026-10-06 在官方博客宣布把 Project Glasswing 与原 Cyber Verification Program 合并为三档准入：Defense（防守/应急/逆向）、Red Team（授权渗透测试）、Specialized（电网、航空、电信等安全关键系统，与美国政府联合审查）。各档均可使用 Claude Opus 5.5、Sonnet 5.5、Mythos 5.1 并降低网络安全拦截。官方 CyScenarioBench 测试：无 CVP 时 10 题首个提示即全部拦截，Defense 档 50 次中 46 次被拦，Red Team 档零拦截完成 34/50。Glasswing 伙伴 2026 年 4–7 月至少发现 12.9 万个已验证漏洞。

查看大图