阅读

编码智能体实现游戏逻辑的最佳单次运行只解出52.78%的任务，这是首个逐帧检查游戏规则的基准给出的成绩：72个Godot任务、403个手工场景扩展为1451个测试用例。

此前没有基准逐帧核对游戏规则，因此规则实现错误难以被发现。在20组模型与脚手架组合中，最佳成绩即为52.78%；在Claude Code脚手架下，全部12个模型的成绩都随任务从孤立机制扩展到仓库级功能而下降。多数失败提交能运行，只是规则实现错了。

作者自测发现，评测器若不用突变体做验证，错误的智能体提交也能通过；开放网络时智能体还会从公共仓库抄代码。这是第一方预印本结果，成功率与评测器有效性均待独立复现。

现在可以借助一个结合ReAct与检索增强生成的智能体，对10,211个人类表型本体术语做严重度分级，在专家策展队列上准确率达93.55%，MCC为0.9237。

此前严重度分级依赖人工查阅文献与指南，成本高且难以覆盖全部术语；该系统依据ACMG严重度指南和ACOG生活质量标准检索PubMed文献并生成可核查的推理链，作者称82.6%至91.4%的论断有直接证据或有效推理支撑，基因层面与Mackenzie's Mission基因清单的一致率为95.2%。

该结果由研究团队第一方报告，基于作者自建队列，临床或基因检测面板设计应用仍待验证，尚无独立复现；结果出自arXiv预印本。

Epoch AI与Ipsos调查显示，美国成年人几乎每天用AI的比例半年内从8%升至19%。

两轮调查分别于2026年3月和8月进行，样本2017人和1016人，随机抽样并按人口加权。同期每周仅用一次AI的比例从17%降到10%，增长主要来自低频用户转高频。

两轮提问方式不同：3月问总体频率，8月按服务分别问再取最高值。Epoch AI承认结果不完全可比，8月数字可能低估实际使用。

一个研究团队用自编谋杀谜题测试AI能否从多智能体交互记录中还原底层真相，结论是：最强的GPT-6 Astra高推理档也只完整还原了48.1%的预设事实与关系。

实验先由作者手工构建包含184个节点、229条边的事件图作为标准答案，再让8个智能体模拟调查，最后让各模型仅凭约5.8万词的交互轨迹重建历史。遗漏远多于错误：Astra高推理档有42.6%的条目干脆没报告，Gemini 3.1 Pro仅还原16.5%。

需要说明这是第一方结果：评分由GPT-5.6 Sol流水线判分，尚未经独立人工验证，且十个模拟都出自同一个谜题，泛化性未知。作者自己也把人工判分验证列为下一步。对做智能体事故调查的读者，可借鉴的是其方法——预先固定标准答案，才能测出监控报告'漏了什么'，而不只是'说错了什么'。

从OpenAI公开图表看，多智能体并行主要买速度，不省算力。

Toby Ord在LessWrong分析GPT 5.6发布页图表：达到同等性能，4智能体群耗用的总token约为单智能体的两倍，16智能体再翻倍。据此估算的并行度参数λ约在0.48至0.68之间，因任务类型而异。

这意味着靠扩大智能体群换能力，比拉长单个智能体的思维链更贵；多智能体的价值在提速，约以2倍成本换2倍速度。注意这是博主对厂商图表的解读，回归由Claude Opus 5完成，不是独立测量。

OpenAI于9月21日宣布在普林斯顿高等研究院设立独立的数学与人工智能顾问组，由九位知名数学家组成，负责评估新成果的意义并协调发布。

顾问组成员不领薪酬，可公开表达观点并自主决定成员构成。但公告同时写明，顾问组无权就内部数学研究进度提出建议，高等研究院也强调决策责任完全在公司。

OpenAI同日称其内部模型已解决100多个开放数学问题，这一说法未经独立验证。此前25位菲尔兹奖得主联名批评AI实验室抢发著名数学题解，而新顾问组成员中仅一人签署过该信。

Arcadia Impact团队报告：约5万token的冲突微调数据，足以压过1.9亿token的对齐中期训练效果。

该团队在自建的Dispatch合成设定中，对110B参数的GLM-4.5-Air做中期训练再微调。仅把2%微调数据换成利润导向样本，模型偏好即被逆转；且被逆转的模型在常规对话中仍自称遵守章程，与未被逆转的模型难以区分。

另一项测试中，中期训练覆盖七条规则、微调只演示其中五条，模型对未演示的两条泛化能力很弱。作者承认其实现基于公开方法，未必对应前沿实验室的真实做法。这是第一方结果，尚未有独立复现。

LLM出现以来，美国自然失业率估计上升约0.1-0.2个百分点，且高AI暴露群体的求职率和跳槽率降幅大于其他群体，岗位内部的活动切换则明显增多——这是Hie Joo Ahn与Nicholas A. Carollo的估计，作者自承不确定性相当大。

此前没有这样的量化：该研究结合CPS、JOLTS与OpenAI暴露度、Lightcast采用度数据，才把AI对就业的冲击落到数字上。

作者认为LLM驱动的再配置主要走企业内部任务重组，而非大规模裁员。注意这是未经同行评审的NBER会议论文，量级估计对模型设定敏感。

Linear称其测试套件年内增近四倍，PR的CI等待从6分钟以上降到5分钟出头，单测runner时间约减半。

做法分两层：换用CPU更快、缓存更好的第三方runner，同类作业平均快34%；改用原生TypeScript编译器后，类型检查中位耗时降73%。另一层是省机器时间：lint不再依赖类型信息，削减关键路径上的小作业，单分片setup时间降约44%。

所有数字为Linear自测口径，无第三方验证，结论也来自一家TypeScript monorepo的经验。但其“AI写码让CI成瓶颈”的判断和具体优化清单，对同样被智能体提交量冲击的工程团队有直接参考价值。

英伟达9月21日推出DSX Ready认证计划，为符合其AI工厂参考设计的电力和冷却产品发放资格标签。

首批覆盖两类：电池储能系统（BESS）认证厂商为Hitachi Energy、LG Energy Solution和Tesla；冷却分配单元（CDU）认证厂商为LG Electronics、LiquidStack和Vertiv。后续将扩展更多类别。

需要留意的是，CDU走的是自认证套件，厂商自行运行测试后提交英伟达审核；英伟达自己也说明，通过认证不替代站点级工程验证，不等于设备在具体站点稳定可用。

AWS于9月21日发布开源智能体框架Strands Harness，可在本地或任意云环境运行，包括Google Cloud、Azure和Cloudflare。

它内置读写、shell和网络搜索工具，能自行管理上下文窗口并跨会话保留记忆，底层可接Anthropic、OpenAI、Bedrock、Google或本地Ollama模型。开发者可用pip或npm直接安装。

AWS称该框架比其他框架的智能体效率高26%，用Anthropic Fable 5模型时成本比Claude Code低77%。这些均为AWS自测结果。

获北约DIANA项目支持的瑞典公司Scaleout Systems演示了机载AI巡飞弹药：无人机在无外部算力条件下自主探测、识别目标并给出坐标，随后投放爆炸物打击。

该演示属于BAE Systems Bofors牵头的ALMA低成本巡飞弹药项目。公司另在6月于瑞典空军基地测试了联邦学习架构：前沿节点与中央节点通信中断后，本地设备仍可独立完成AI推理与主动学习，链路恢复后再同步模型。

需要说明的是，上述性能结论全部来自公司自己的演示材料与CEO采访，尚无独立验证或实战记录。