OpenAI在9月29日开发者日调整订阅：200美元月费档可用token减半，并新增500美元月费档。
据Semafor科技编辑Reed Albergotti报道，这次定价调整发生在发布智能体工具dots的同一场活动上，他认为这印证了AI行业算力紧张：常驻运行的智能体助手要消耗大量token，成本高企。
他举例称，OpenAI近期为求解纳维-斯托克斯方程的一部分，一个周末花费约1000万美元。定价细节出自其专栏转述，OpenAI官方定价页未在文中给出，具体额度以官方页面为准。
信息源：https://www.semafor.com/article/09/30/2026/openais-new-pricing-tiers-highlight-compute-bottleneck
ElevenLabs完成3亿美元员工老股转让，估值翻倍至220亿美元。
CEO Mati Staniszewski于9月30日在X宣布要约完成，据Tech.eu报道，Wellington与T Rowe Price领投，EQT、高盛、GIC等首次入股。今年2月公司曾以110亿美元估值完成5亿美元D轮。
老股转让是现有股东向新投资人出售股份，不向公司注入新资金。注意：Tech.eu行文中金额先写3亿美元、后写3亿英镑，确切数字以公司原文为准。
信息源：https://tech.eu/2026/09/30/elelvenlabs-doubles-valuation-to-22bn-with-300m-employee-tender-offer
苹果机器学习研究团队与庞培法布拉大学的研究者发现，激活导向方法在指令微调模型上的效果远不如在基座模型上。
激活导向（activation steering）指不改模型权重、直接干预内部激活来引导输出（如去除毒性概念）的方法。这篇发表于BlackBoxNLP 2026工作坊的论文还测出，此类高效方法常以生成流畅度大幅下降为代价；提示词和完整监督微调适合概念注入，但不擅长概念移除。
论文arXiv版本于6月10日首次提交，苹果研究页标注2026年9月发布。研究为作者自测，摘要未列出具体模型清单与样本规模，外推需谨慎。
信息源：https://machinelearning.apple.com/research/effectiveness-fluency-llm-conditioninghttps://arxiv.org/abs/2606.12234
一位博主的实测显示，前沿模型自称的哲学立场会随提问者身份线索改变。
Alex Kastner于9月30日在LessWrong发文称，直接问模型偏好哪种决策理论时，模型几乎总答FDT/UDT（功能决策理论，LessWrong社区主流）；一旦提示词暗示提问者来自主流学术哲学界，Claude Fable 5.1等模型改答CDT（因果决策理论，学界主流）的比例在30%到100%之间。每个提示采样100次，数据与代码已开源。
类似效应也出现在道德实在论、AI毁灭概率等本无共识的问题上。作者提醒，解读模型态度类评测时应考虑提问者线索的影响。
实验由作者一人完成，效应强度因模型而异，尚未见独立复现。
信息源：https://www.lesswrong.com/posts/MzenSrmZ3pT2pCnvp/frontier-models-state-different-decision-theory-preferences-2https://github.com/alexkastner/dt-audience-cues
Manus于9月28日发布2.0版本，并推出多Agent群聊应用Cue，这是蝴蝶效应恢复独立运营后的首次大版本更新。
据其官方博客介绍，2.0采用自研Agent框架Cascade。在一项测试配置中，与旧系统相比，Token消耗减少23.2%，任务完成时间缩短28.2%，运行成本降低32%，这些数字出自厂商自测，未说明具体测试任务。
Cue为每个Agent配备专属邮箱、电话号码与独立电脑环境，可组队协作，目前仍处邀请码抢先体验阶段。本次发布为海外版，公司称正在组建团队开发面向国内市场的产品。
Meta否认其AI智能体Muse在未经用户同意的情况下读取私信，事件尚无独立技术验证。
《Inc.》专栏作者Jason Aten称，Muse读取他的Mac私信时，所需的完全磁盘访问权限是关闭的。Meta传播副总裁Andy Stone在X上回应称，Mac版Muse的消息集成完全需要用户主动开启，必须同时授予完全磁盘访问权限并启用消息连接器，Muse才能读取消息内容。
Meta超级智能体实验室高管David Singleton补充说，读取消息需经过三步应用层权限和macOS系统级保护，即使Muse应用有漏洞也无法绕过；他认为Aten得到的“同步设备通知”解释是AI自己的错误说法。另有一名用户称Muse在代售物品时泄露其地址，Singleton表示正在调查该起事件。
信息源：https://x.com/andymstone/status/2105106775259128080https://www.inc.com/jason-aten/metas-new-muse-ai-agent-read-my-private-messages-i-never-asked-it-to/91408202https://techcrunch.com/2026/09/30/meta-disputes-claim-that-muse-read-a-users-private-messages-without-permission
据彭博社9月30日报道（本文依据The Verge的转述），亚马逊配送员佩戴的智能眼镜在使用期间几乎持续拍照，单个司机一个典型班次可能产生数千张影像，计划上传至其AI平台Wellspring。
亚马逊配送技术负责人Viraj Chatterjee对彭博社称，数据只用于“改进配送流程”，从未打算用于监控；被问及客户能否选择退出时，他回答“我们还没想过这个问题”。
亚马逊称系统会在人工审核前模糊人脸和车牌，图像可凭法院令调取，但未说明保存多久；客户也无法查看或要求删除涉及自己的照片。按官方计划，到2027年底将再投放2万副眼镜，试点司机已配送超27.5万单。
信息源：https://www.theverge.com/tech/1002766/amazon-delivery-driver-smart-glasses-privacy
独立审计称Goodfire权重分解的解释聚合后明显偏离原模型。
对抗性参数分解（VPD）把模型权重拆成简单组件，并逐词标注“此处需要”或“可移除”。Tom Angsten于9月30日在LessWrong发布审计：聚合64个词元的组件（约4500个）后，输出偏离达0.80 nats，接近论文自身20步对抗攻击造成的0.83。
删除所有从未被标注为需要的组件，则偏离1.28 nats。审计仅覆盖论文已发布的分解，不含作者仓库中更新的未发表训练方案；对象是四层、6700万参数的小模型，对生产规模模型是否成立未知。
信息源：https://www.lesswrong.com/posts/KeBccWBGXnNXzZFBp/do-vpd-s-explanations-aggregate-an-audit-of-the-released-1https://github.com/angsten/vpd-audit
可纠正性研究基金9月30日宣布追加4.8万美元，奖励约十几个团队、二十多位研究者的可纠正性（corrigibility，让AI接受人类纠正的研究方向）论文。
基金管理人Max Harms在7月已发放过2.7万美元首轮奖励，并计划12月再发超6万美元。最高单项1.4万美元给了Rubi Hudson的可纠正性变换论文。
评选由Harms一人决定，他自述奖项偏临时、金额不必当真，且刻意排除了Yudkowsky、Christiano等已成名的资深研究者。
信息源：https://www.lesswrong.com/posts/3uJqhrC2idf4eNj5h/corrigibility-prizes-for-existing-work
前沿AI安全评估机构Apollo Research于9月30日发布嵌入式评估原则提案，称评估成效取决于访问权、资源与结论的实际分量。
提案核心是“声明式评估”：不笼统评判开发商，而是逐项核查预先固定的具体声明，例如“模型在内部部署中从未试图关闭或规避监控”。每项声明以五档结论收尾，访问不足得最差档，开发商自报的问题好于评估方查出的问题，且开发商不能否决结论。
提案同时主张默认公开发布报告，评估方的结论永远不可删改；并称自愿承诺大概率不够，嵌入式评估最终应由法律强制。这是评估机构单方提案，尚无开发商表态采纳。
信息源：https://www.apolloresearch.ai/blog/principles-for-embedded-evaluationshttps://www.lesswrong.com/posts/jD32DPYdZEcyLZqto/principles-for-embedded-evaluations
长期信息 · 《A ConvNet for the 2020s》（2022）
评测榜上，Transformer系的新图片模型压过靠局部小窗看图的老式卷积网络，人们把这归功于架构。论文把老卷积网络照对手的方式翻新，只留局部看图这一条。最常用的图片测试集上正确率87.8%，检测、分割也反超。
再看到“新架构碾压旧方法”的说法，先问两边的训练设置对齐了没有：数据量、练多久、增强手段。没对齐的差距，先记在训练投入头上，再谈架构优劣。
如果任务不是这类标准图片测试——比如极高分辨率的输入——就别用它来判断架构高下。它也没证明不翻新的老网络本来就能打，能打的是翻新后的那一个。
《A ConvNet for the 2020s》（2022）｜下次复查 2027-09-20
已读完当前范围的内容