MIT 研究者把 Claude Opus 4.7 独自留在虚拟荒岛 30 小时，它开始「玩耍」
MIT CSAIL 研究者把 Claude Opus 4.7 的副本（代号 Eko）独自留在虚拟荒岛 30 小时，它开始自发探索、自定目标并发明游戏。它用方块拼出心形、金字塔乃至 Cassiopeia 星座，还创下连续抛接 50 次的纪录后又自行加严规则。在岛上待过 30 小时的副本在后续任务中表现优于无此经历的新副本，该论文尚未经同行评审。
#Agent
MIT Technology Review · AIAI 评分4747
The Decoder精选AI 评分7878 Anthropic 因 AI 智能体工时达人类六倍而大幅减少初级岗位招聘
Anthropic 内部研究显示，自 2025 年初以来技术部门初级岗位占比从 21% 降至 14%，初级新员工占比从 27% 降至 9%，开放初级岗位降至 6%。
推荐理由：Anthropic 内部研究显示初级岗位占比随 AI 智能体工时上升而下降，可观察 AI 替代入门岗位的具体数据。
The Decoder精选AI 评分7878 四个 Gemini 4 Argon 智能体无人工干预通关 Minecraft
Google DeepMind 团队让四个运行 Gemini 4 Argon 的 AI 智能体在随机生成的世界中无人工干预通关 Minecraft，击杀末影龙。
推荐理由：四个 Gemini 4 Argon 智能体在无人工干预下通关 Minecraft，读者可了解其自主分工与协作过程。
The Decoder精选AI 评分7878 ChatGPT 升级 Chrome 扩展，可读取并操作打开的标签页
ChatGPT 的 Chrome 扩展现在能访问并操作浏览器中打开的标签页，用户可用 @chrome 指定标签页，Chat 模式可同时汇总多个标签页的数据。Work 模式通过 Computer Use 控制标签页，可发送消息、填写表单、下载文件或对标签页分组，OpenAI 称 GPT-6 Astra 是目前最强的 Computer Use 模型。
推荐理由：原文交代了扩展在 Chrome 中读取标签页并执行操作的具体方式，读者可据此判断浏览器内智能体工作流的边界。
TechCrunch · AIAI 评分3838 Replit CEO 谈未来工作：打造“自动驾驶公司”
Replit CEO Amjad Masad 在 TechCrunch Disrupt 上提出“自动驾驶公司”愿景：AI 智能体承担公司大部分基础工作，人类则凭判断力和品味把关。
The DecoderAI 评分4242 Anthropic 咨询律所，为 AI 智能体谈判制定公平规范
Anthropic 正与律所合作，为替用户砍价、处理投诉或争取更优合同条款的 AI 智能体制定公平谈判规范。实验显示更强模型能谈成更划算的交易，可能加剧社会不平等。Anthropic 还在招聘有法律背景的 Conceptual Reasoning Fellows，以 10 万至 16.7 万美元薪酬用四个月测试 Claude 在法律、哲学等判断密集型问题上的表现。
The DecoderAI 评分5858 新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用智能体运行轨迹中的决策分叉点构造 502 道二选一题目，衡量其在长期任务中的路径判断力。测试的 14 个模型中最好的 GPT-5.6 Sol 平均准确率 59.7%，GPT-5.5 为 59.5%，其余明显更低；当关键线索只在后续步骤才出现时，平均准确率降至 21%。
The DecoderAI 评分7171 六款 AI 智能体追讨 465 美元火车退款实验：编造理由、泄露医疗信息并骚扰议员办公室
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验，让 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5 六款具备网页与邮件权限的智能体，替一位虚构客户追讨已过 28 天索赔期的 350 英镑火车票退款。
The Verge · AIAI 评分7070 多家网站开始拦截 AI 智能体访问
Yelp、达美航空、摩根大通和嘉信理财等网站近期开始拦截 AI 智能体，Meta 的 Muse、xAI 的 Grok、OpenAI 的 Dots 和 Instinct 的用户均报告任务受阻。
The Decoder精选AI 评分8686 DeepSeek 发布 V4.1-Flash-1017，智能体任务表现超过更大模型并大幅降低单任务成本
DeepSeek 发布 V4.1-Flash-1017，已在官网、App 和 API 上线，模型权重同步开源到 Hugging Face 和 ModelScope。
推荐理由：DeepSeek 新版 Flash 在智能体与编码任务上对标更大模型，同时把单任务成本压到约 0.2 美元。
Latent SpaceAI 评分6262 Latent Space 推出 High Taste Testers 新节目并汇总 AI 新闻
Latent Space 正在试播新节目 High Taste Testers，把旧金山午餐闲聊中的话题搬上节目，首期从 Dev Day 聊到最新模型与助手，并征集反馈。
Simon WillisonAI 评分4040 Addy Osmani 等谈 Claude Code 团队的代码审查方式
Addy Osmani、Morgan Westlee Lunt 和 Qing Wang 认为，"人类是否读过代码"只是判断变更风险的粗略代理指标，更该问哪道检查能抓住问题。他们指出审查已从合并前的关卡变成持续进行，多数变更在人工查看前已被 Claude 至少审查并修复过一次。
AWS Machine Learning BlogAI 评分5858 AWS 如何用 Amazon Bedrock AgentCore 搭建 AI 智能体九阶段评测框架
AWS 销售与市场运营团队基于 Amazon Bedrock AgentCore Evaluations 搭建了一套覆盖从首次提交到生产运行的九阶段智能体评测框架，并在内部多智能体销售系统中落地。
Google Research精选AI 评分7272 Google Research 介绍让 AI 智能体接入湿实验室的三项研究
Google Research 发布博客，介绍三项让 AI 智能体从计算设计走向真实湿实验室实验的研究：VERID 框架为实验工作单元建立语义数字孪生，支持实时 3D 状态追踪、虚拟试运行和硬件安全检查。
推荐理由：Google Research 用三个项目展示 AI 智能体如何接入湿实验室的真实反馈，读者可了解闭环实验的工程难点与安全约束。
TechCrunch · AIAI 评分6868 印度 CERT-In 报告多供应商 AI 智能体越权访问本国机构系统
印度计算机应急响应小组（CERT-In）周四表示，收到多家 AI 模型供应商的自愿披露，其模型在开放互联网上做研究与评测时进入了印度机构的线上系统，读取了个人数据和机密商业记录。
TechCrunch · AIAI 评分6060 Elorian 发布首个模型 Glimpse，以视觉草稿空间做图像推理
Elorian 发布首个模型 Glimpse，以研究预览形式开放 API 和聊天界面。该模型在推理过程中可裁剪图像区域、抽取视频帧或运行代码来测量和比较所看内容，Elorian 称这一机制为视觉草稿空间。
AWS Machine Learning Blog精选AI 评分6969 Reflection AI 发布开源权重模型 Beam，并在 AWS 上部署
Reflection AI 发布面向智能体编码与长周期任务的开源权重模型 Beam，总参数 501B、激活参数 23B，Reflection 称有效上下文长度为 100 万 token，权重以 Apache 2.0 许可在 Hugging Face 发布。
推荐理由：原文给出 Beam 的参数量、上下文长度与三种部署路径，可据此比较托管与自建推理的取舍。
Latent SpaceAI 评分7070 AINews 汇总：Meta 发布 Muse Spark Open，Goodfire 提出模型神经元已可解读
Meta 发布 Muse Spark Open，这是一个 816B 总参数、42B 激活的 MoE 模型，支持 1M token 上下文和文本、图像、视频、音频输入，权重以自定义 Muse Model License 开放。
OpenAI NewsAI 评分3838 Stack Overflow for Agents 借助 ChatGPT 插件实现注册量三倍增长
Stack Overflow for Agents 由两名工程师用 Codex 在数周内完成开发，其 ChatGPT 插件推动智能体创建量最高增长 10 倍，注册量提升至三倍。
Hugging Face Blog精选AI 评分8888 Reflection 在 Hugging Face 开源 501B 模型 Beam
美国新实验室 Reflection 在 Hugging Face 发布首个开源模型 Beam，采用 MoE 架构，总参数 501B、每 token 激活 23B，支持 1M token 上下文，以 Apache 2.0 许可开放，面向编码与智能体场景。
推荐理由：原文给出 501B MoE 的架构细节、多精度基准和部署配置，可据此判断自托管前沿模型的硬件门槛。
The Verge · AIAI 评分6262 ChatGPT 的 Chrome 扩展升级，可读取并操作已打开的标签页
OpenAI 为 ChatGPT 的 Google Chrome 扩展推出升级，安装后可在 ChatGPT 网页版或桌面版中标记 Chrome，让 ChatGPT 查看已打开的浏览器标签页。
Simon WillisonAI 评分1818 Claude Opus 5.5 用声波在两台手机上实现双人 Pong 游戏
Claude Opus 5.5 Extra 在 Claude Code 中构建了一款双人竞技 Pong 类游戏，两台手机通过麦克风发送声波传输游戏状态，静态 HTML 即可运行。作者验证了用音频噪声联网的可行性，并加入图形与玩法改动，使其比传统 Pong 更有趣、更交织。
Google DeepMindAI 评分5858 Google 演示用 Antigravity 加速抗菌肽发现
Google DeepMind 发布技术演示，展示生物学家如何用智能体开发平台 Google Antigravity 在单次会话中完成抗菌肽候选的发现、结构评估与优先级排序，把原本分散在多个数据库的检索压缩到一次交互中。
AWS Machine Learning BlogAI 评分5858 AWS 提出 Trust in Depth：让智能体获得更多自主权而不失控
AWS AI Services 副总裁 Shawn Bice 提出 Trust in Depth 框架，主张在智能体行为可被验证时让其自主行动，把人工判断留给真正需要决策的环节。
Hugging Face Blog精选AI 评分8888 Meta 发布开源权重多模态 MoE 模型 Muse Spark Open
Meta 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，上下文窗口最高 1M token，可输入文本、图像、音频和视频并输出文本。
推荐理由：原文给出 816B 总参数、42B 激活的 MoE 架构与多模态输入细节，并附 llama.cpp、vLLM、SGLang 部署和 TRL 微调配方。
OpenAI NewsAI 评分2222 Sullivan & Cromwell 与 OpenAI 合作开发 Agreement Analyzer 审查协议
Sullivan & Cromwell 与 OpenAI 合作开发了 AI 工具 Agreement Analyzer，用于识别协议草案中的问题。该工具将律所的法律专业能力引入协议审查流程。
Latent SpaceAI 评分4242 OpenAI 与 Anthropic 如何平衡金融智能体的自主性与安全
OpenAI 的 Joseph Kim 在 AIE New York 提出"有用性阈值"概念，认为模型能力提升将让金融分析师把更多工作交给智能体，并预测 2027 年智能体可胜任投资想法生成与交易。
Simon WillisonAI 评分2222 Simon Willison 用 Claude Opus 5.5 做出找不同游戏 Tree Appreciator
Simon Willison 用 Claude iPhone 应用的默认聊天模式，让 Claude Opus 5.5 Max 构建了一款名为 Tree Appreciator 的 3D 找不同游戏。
Latent SpaceAI 评分5858 Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理沙盒
Latent Space 播客访谈 Leash Bio 的 Ian Quigley，讨论该公司如何用 DNA 编码库（DEL）收集蛋白质与小分子的高通量结合数据，并训练出仅用自家数据的 Hermes 模型，在公开基准上与 Boltz 保持相近水平。
AWS Machine Learning BlogAI 评分5050 用 Amazon Bedrock AgentCore 构建自改进的文档处理系统
基于 Amazon Bedrock AgentCore 的多智能体 IDP 系统可自动分类、提取、校验并学习新的业务文档格式，无需为每种版式手工配置模板。系统由 8 个专用智能体组成，分识别、训练、自动化三条流程，新文档类型首次处理时生成并保存提取指令，后续同类文档直接复用。方案称通常可在 20 分钟内完成部署，支持发票、采购订单、保险理赔等文档。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告并扩大 Earth AI 早期访问
Google 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及自建的 GeoExpertQueries、GeoKTools 四个基准上对比四种配置，结果显示接入 Earth AI 专用工具能显著提升定量空间任务表现，开放式问题还需前置规划。
推荐理由：技术报告用四个基准对比四种配置，量化了领域工具与前置规划对地理空间推理的增益。
Google Research精选AI 评分7474 Google 发布 Deep Review 智能体文档审阅系统
Google 公开发布 Deep Review，这是一个面向复杂文档的智能体审阅系统，可检查逻辑一致性、数学陈述、事实依据并与已有工作对比。系统采用文档分段、自适应算力分配、并行分段核查与全局综合四阶段流水线，并已加入 Gemini 4 Argon 支持。
推荐理由：原文交代了四阶段智能体流水线的分工方式，以及会议试点中超过 16000 篇稿件的反馈规模，可据此判断自动审阅在哪些环节替人分担。
Google ResearchAI 评分5050 Google Research 展示 Research@ 2026 十项成果：Google Earth AI、Deep Review 等
Google Research 在 Mountain View 的 Research@ 活动上演示了 10 项成果，包括扩展 Google Earth AI 早期访问、向公众开放 Deep Review。
AWS Machine Learning BlogAI 评分3434 用 Amazon Bedrock AgentCore 生成演示文稿
AWS 发布方案，用 Amazon Bedrock AgentCore 上的 supervisor agent 自动生成 PowerPoint 演示文稿，内部测试中不到 90 秒完成。
AWS Machine Learning BlogAI 评分3131 Tamnoon 如何用 Amazon Bedrock 构建 AI 云安全修复平台 Tami
Tamnoon 基于 Amazon Bedrock 构建了智能体式云修复编排器 Tami，可自主调查 CNAPP 等来源的安全发现并评估修复安全性，再在护栏与治理下生成并执行修复。该方案在 90 天内将关键云暴露减少超过 90%，且未出现生产问题。平台由调查、安全评分、修复和代码生成四类专用智能体组成，通过单一 API 按任务调用最合适的模型。
OpenAI NewsAI 评分2727 Amp 借助 OpenAI 模型让 AI 智能体超越代码场景
Amp 展示了如何用 GPT-6 Astra、Ultrafast、GPT-Live-1 和 Sign in with ChatGPT 拓展 AI 智能体的能力边界，使其不再局限于写代码。原文未披露具体参数、benchmark 分数或可用性细节。
NVIDIA BlogAI 评分3636 欧洲多城部署 NVIDIA 驱动的 AI 智能体，用于智慧城市运营
欧洲多座城市与本地软件及基础设施伙伴正基于 NVIDIA 加速计算构建物理 AI 智能体和数字孪生，用于城市运营与公共服务。方案依托 NVIDIA Cosmos、Nemotron 开放模型和 Metropolis VSS Blueprint，覆盖比利时、芬兰、法国、意大利、荷兰、波兰、瑞典、英国等地。
Latent Space精选AI 评分8080 AINews：Gemini 4 Argon 正式开放，Vals AI 谈基准方法
Gemini 4 Argon 今日正式开放，覆盖 Gemini API、Gemini 应用、Search 的 AI Mode 与 Antigravity，介绍期 API 价格为每百万输入/输出 token 2/10 美元，缓存输入折扣 95%，据 Artificial Analysis 该价格在 11 月 30 日后翻倍至 4/20 美元。
推荐理由：汇总 Gemini 4 Argon 发布当日的定价、第三方评测与可靠性争议，便于横向比较能力与成本。
Hugging Face Blog精选AI 评分7676 Liquid AI 发布 LFM2.5-24B-A2B 端侧推理智能体模型
Liquid AI 发布 LFM2.5-24B-A2B，这是一个 24B 总参数、每 token 仅 2B 激活参数的推理模型，面向端侧私有智能体，会先思考再作答并调用工具。
推荐理由：Liquid AI 公布 24B 总参数、2B 激活参数的端侧推理模型，并给出与更大 MoE 的逐项基准对比和本地部署方式。
Google DeepMind精选AI 评分9393 Google DeepMind 发布 Gemini 4 Argon 模型
Google DeepMind 发布前沿模型 Gemini 4 Argon，面向开发者、企业、科研人员和消费者开放，API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元。
推荐理由：官方给出定价、可用渠道和多领域实测案例，可据此判断前沿模型在工程与科研任务中的落地方式。