1. 三大AI实验室同一周加注，集体否定「撞墙论」 Anthropic的年化收入半年内从不到90亿美元涨到300亿，年消费超百万美元的企业客户突破1000家，两个月翻了一倍。这种加速度解释了它本周签下GW级算力协议的逻辑：与博通合作设计定制芯片，在谷歌云上部署，产能预计2027年上线。

2. Glasswing引发开发者社区激辩，AI公司该不该主导软件安全审计 Anthropic称最新模型挖掘漏洞的能力太强，不能公开发布。开发者社区对这个说法的第一反应不是惊叹，而是追问：你说自己太强，谁来验证？

3. AI让所有人写得越来越像，开发者却说品味因此更值钱 用ChatGPT润色过的文章更通顺了，但风格上越来越像别人写的。南加州大学研究团队在认知科学期刊发表论文，发现大语言模型的输出比人类写作多样性更低，偏向西方高教育群体的语言和推理习惯。单个用户借助大语言模型能产出更多想法，但一群人都在用时，群体创意总量反而下降。

快讯

• OpenAI发布儿童安全蓝图 OpenAI公开了一份面向AI开发者的儿童安全指南，涵盖安全护栏设计、年龄适配交互和跨机构协作机制，为构建面向未成年人的AI产品提供参考框架。

• Claw-Eval：300道人工验证任务，专测agent安全与鲁棒性 现有agent基准只看最终输出、忽略执行轨迹，安全评估近乎空白。Claw-Eval针对这三个盲区设计了端到端评估套件，覆盖多模态交互和多步骤工作流，含300道经人工校验的任务。

• 检索系统开始为agent而非人类优化 传统信息检索依赖点击率和停留时间等人类行为信号训练排序模型。新研究提出直接从agent的多轮推理轨迹中学习检索偏好，适配agent作为检索消费者的场景。

• ThinkTwice：两阶段训练让LLM学会自我修正 ThinkTwice在每一轮训练中先让模型解题、再让模型修正自己的答案，两阶段共享同一个二元正确性奖励，无需额外标注。在五个数学推理基准上均有提升。

• GBQA用30款游戏的124个bug测试LLM能否做QA工程师 研究者构建了一个游戏质量保证基准，包含三个难度等级的真实bug，评估LLM在动态运行时环境中自主发现缺陷的能力。结果显示，相比代码生成，bug发现对LLM仍是显著更难的任务。

• Memory Intelligence Agent：让深度研究agent的记忆能自我进化 现有agent记忆方案靠检索相似历史轨迹辅助推理，但记忆本身不会更新，存储和检索成本持续膨胀。MIA框架让agent的记忆可压缩、可演化，降低冗余的同时提升推理效率。

• Video-MME-v2：视频理解基准分数虚高，新版用三级递进结构重测 现有视频理解排行榜趋于饱和，分数与实际能力脱节。Video-MME-v2设计了递进式三层评估结构，系统检验模型的鲁棒性和忠实度。

• ACES：用排序代替计票，解决LLM生成测试自身不可靠的问题 用LLM生成的测试筛选LLM生成的代码，测试本身可能有错，形成循环依赖。ACES的核心思路是不判断测试对错，而是用留一法AUC对测试投票做排序，在多个代码生成基准上提升了选择准确率。

阅读完整版 →