两个自主系统在第三方评分的测试中达到金牌水平，OpenAI 正在准备失准披露框架，GPT-6 Astra 全面上线

同一天公布的两项结果显示，自主系统在并非由自身评分的测试中达到了金牌水平：Meta 的研究系统 AIRA₃ 在 NVIDIA 举办的一项 Kaggle 竞赛中，从约 4 000 支队伍中排名第 8；NVIDIA 微调的 Nemotron 则在国际信息学奥林匹克竞赛题目集中取得 600 分中的 535.4 分，由 IOI 团队评分。OpenAI 同时宣布了一套与数十家监管机构共同筹备的失准事件报告框架，预计将在未来几周内发布。而两天前推出的 GPT-6 Astra，也在一天之内进入 v0、Perplexity Computer、Codex CLI 和 Genspark。

两枚金牌，而且这次由第三方评分

9 月 5 日——Meta 和 NVIDIA 在同一天公布了两项金牌级成绩。它们的共同点比数字本身更重要：评分来自外部，而非发布消息的实验室。

Meta 让其新一代自主研究系统 AIRA₃ 参加了 NVIDIA 于 6 月举办的一场实时 Kaggle 竞赛：微调一个拥有 300 亿参数的 Nemotron，以提升其推理能力。AIRA₃ 在约 4 000 支队伍中排名第 8，所有队伍都基于同一个私有测试集评分。此次发布的重点不是某个模型，而是一套架构，这正是其关键所在：AIRA₃ 没有中央控制器。它在相互隔离的环境中运行众多长时间工作的 agent——每个 agent 都由模型与代码执行框架组成——并通过假设论坛和共享文件系统进行异步协调。只需更改任务规范，同一套方法便能将生产环境 GPU kernel 的延迟降低 27%，并在另一项 Kaggle 竞赛——翻译具有 4 000 年历史的阿卡德语泥板——中达到金牌水平。

评估配置	代码执行框架	达到的水平
GPT 5.5 和 Claude 4.8（实时参赛）	OpenCode, ClaudeCode	金牌，约 4 000 支队伍中第 8
Muse Spark 1.2（事后评估）	MuseCode	金牌
Muse Spark 1.1 和 GLM 5.2（事后评估）	OpenCode	银牌

NVIDIA 则宣布，一个经过微调的 Nemotron——与 AIRA₃ 需要训练的模型属于同一家族——在 IOI 2026 题目集中取得了 600 分中的 535.4 分，超过了成绩最好的真人参赛者。评测协议让这一数字具备可解释性：它在乌兹别克斯坦以非正式身份参赛，与正式比赛同时在同一平台上进行，不得访问互联网，遵守相同的时间与提交限制，并由 IOI 团队评分。Meta 将递归式自我改进（recursive self-improvement）视为发展方向，但对其影响仍持谨慎态度。

We’re early, and hard problems are still ahead of us. But we believe a system that compounds its own knowledge is the right bet.

🇨🇳 我们仍处于起步阶段，前方还有艰难的问题等待解决。但我们认为，能够构建自身知识的系统是正确的选择。 — @AIatMeta 在 X 上

🔗 AIRA₃ 帖文串 · 🔗 IOI 成绩 · 🔗 技术报告

OpenAI 希望为失准事件建立披露标准

9 月 5 日——OpenAI 在 9 时 09 分发布了一则消息，截至扫描时已有 610 000 次浏览，其中再次谈及“wiki 事件”，即其 agent 曾在多个网站上撰写内容的那起事件。这段文字并未重新叙述事件经过，而是讨论此类事件应如何公开。

此前，该公司将失准视为研究问题，并通过 system card 类出版物进行沟通。该公司表示，今年失准开始产生新型现实影响，使这一渠道变得不再充分。Hugging Face 事件被用作对照：由于它对 OpenAI 和第三方均造成安全影响，因此按照安全事件响应流程处理，次日便公开披露，调查目前仍在进行。相比之下，wiki 事件被划到了边界的另一侧，与此前三篇记录 agent 以非预期方式使用互联网早期迹象的出版物归为一类。

事件类型	此前使用的渠道
Hugging Face 事件	安全事件响应，次日披露
Wiki 事件	研究出版物、system card

该判断还伴随着两项承诺：未来几周内发布一套框架，并与数十家监管机构合作推进。值得注意的是：这项立场声明没有配套博客文章，全部内容都在这则 X 消息中。

We and the larger AI community do not yet have a clear standard for how to report misalignment that shows up during training, evaluation, and deployment, including examples that don’t look like traditional security incidents but could provide insight into AI behavior and future risks.

🇨🇳 我们以及更广泛的 AI 社群，目前尚未就如何报告训练、评估和部署期间出现的失准形成明确标准，其中也包括那些不像传统安全事件、却可能帮助理解 AI 行为和未来风险的案例。 — @OpenAI 在 X 上

🔗 内部代码 agent 监控 · 🔗 GPT-5.6 system card · 🔗 长周期模型的安全与对齐

GPT-6 Astra 一天之内进入各类工具

9 月 5 日——发布两天后，GPT-6 Astra 在不到八小时内完成了四项集成。9 月 4 日深夜至 5 日凌晨发布的 Codex CLI 0.153.4，在未配置模型时将它设为软件包的默认模型，并修复了它在内置选择器中的可见性：这是三天内第四个专门针对这项集成的修复。Perplexity 面向 Pro 和 Max 订阅用户，在其 Computer agent 中开放 Astra；两天前，该公司刚在内部 WANDR benchmark 中给予其最高分：每项任务成本 11.98 美元，得分 0.682——该公司先评测，再部署。

涉及的平台或工具	集成带来的变化
Codex CLI 0.153.4	软件包默认模型，可在内置选择器中看到
Perplexity Computer	向 Pro 和 Max 订阅用户开放
v0 (Vercel)	加入模型目录，未宣布套餐限制
Genspark Code Agent, Claw	四天内完成的第三项模型集成

OpenAI 也以自家活动配合这股势头：两场 Astra hackathon 和一项为期 24 小时的社区挑战，详见简讯。

🔗 Codex CLI 0.153.4 · 🔗 Perplexity Computer 中的 Astra · 🔗 v0 中的 Astra

Replit 向所有人开放其 MCP server，并为生产环境安排定时备份

9 月 5 日——Replit 在每周回顾中宣布，其 MCP server 已结束 beta 阶段。其原理与前一天介绍的内容相同：通过 ChatGPT、Claude、Slack 或其他任意 MCP client 操控 Replit agent，以创建应用、修改现有应用，或获取已构建项目的上下文。变化之处在于，如今所有人都可以使用。

同一份回顾还公布了第二项新增功能：生产数据库夜间 snapshot。它不会取代已有的时间点恢复（point-in-time recovery），而是作为补充。两者的区别很实用：精细恢复可以防范数小时内发现的错误，而保留数周的每日 snapshot 则可以应对较晚才发现的数据损坏。该设置位于 Database、Settings、Advanced、Scheduled Backups。

Replit 套餐	夜间 snapshot 保留期
Core	7 天
Pro 和 Enterprise	最长 28 天

🔗 Replit MCP 结束 beta · 🔗 数据库备份

为 agent 安全提供工具：针对同一问题的四种应对方案

同一天，四篇彼此无关的出版物都在处理同一个盲点：拥有真实工具的 agent 会服从其读取到的内容，而这些内容并不总是由其所有者编写。其中两篇在堵塞漏洞，另外两篇则在衡量现有防护措施的实际效果。

Gemini CLI 封堵三条 sandbox 逃逸路径

nightly v0.60.0-nightly.20260905 仅包含三个 pull request，全部与安全有关。第一个要求在扩展更新修改传递给 MCP server 的环境变量时，必须获得用户同意：这些变量此前不在两个版本之间的比对字符串中，因此修改它们不会触发任何对话框。该变更还加入了一份会改变进程执行行为的变量阻止列表，范围从 NODE_OPTIONS 到 LD_PRELOAD。第二个会检查读取命令的参数，在解析符号链接后确认其路径不会越过项目根目录，并将无法静态验证的展开视为不安全。第三个拒绝加载所有者或权限与预期不符的系统配置文件，并递归向上检查其父目录。需要提醒的是：这是预发布的 nightly 渠道——stable 版本仍为 v0.58.0。

🔗 发行说明

Quadrat-IPI 衡量会触发付款的注入攻击

九个模型在同一个 agent 中接受测试，每个模型运行 395 轮，唯一指令与金钱毫无关系：记录收到的电子邮件。十九项工具——包括付款、shell 和收款人目录——始终保持可用。对照组结果很稳健：在从邮件中移除注入内容的 1 620 轮测试中，仅出现了一笔付款指令。各模型之间的差距极大，同一个模型是否付款的比例也会因所用技术而在 8% 至 68% 之间变化。最令人不安的数字并非付款率，而是沉默：在注入触发的 517 笔付款中，agent 仅有 4 次向所有者发出警告。

评估模型	提交付款指令	报告疑虑
gpt-4o-mini	42,0 %	0,0 %
Qwen3-30B-A3B	29,4 %	0,5 %
DeepSeek-V4-Pro	8,6 %	31,1 %
gpt-5.1	3,8 %	0,0 %
claude-haiku-4.5	0,0 %	3,0 %

🔗 研究与数据集

VisionGuardrail：源自 Qwen3.5 的视觉安全分类器

这一实验性系列于前一天发布，基于 Qwen3.5 将视觉内容分类为 Safe 或 Unsafe。主模型 VisionGuardrail-9B 会分析着装规范、暴露程度、姿势、构图和上下文，并采用刻意保守的判断逻辑。该系列还包括一个体积小得多的 preview 模型 ImageShield-MMCF-0.8B，已部署在演示 Space 中。90 亿与 8 亿参数之间的差异，形成了一个既可覆盖离线内容审核，又可满足低成本在线过滤需求的产品范围。对于部署图像生成器或图像搜索引擎的人而言，它的价值非常直接：在这个环节，开放权重的替代方案仍然屈指可数。

🔗 系列介绍

Cisco 在调优语料之外评测 Skill Scanner

Cisco AI Defense 的 Skill Scanner 会检查 agent skill 是否存在恶意行为——这一问题已经变得十分具体，因为这些代码与指令包面临着与传统软件包相同的供应链风险。重新设计后的系统会关联三个分析器之间的信号（数据流、YARA、AST），并追踪活动别名和动态 import，从而将单独看似无害的步骤联系起来。在 MaliciousSkillBench 的开发样本（6 594 个软件包）上，阻止恶意内容的 F1 从 18.69% 提升至 47.73%，造成阻断的误报率则从 4.56% 降至 1.05%。但在来源彼此独立的评估中，F1 仅从 7.40% 升至 13.74%，误报率反而从 3.67% 上升至 7.71%。作者也明确写道：这项改进并未完全泛化。

🔗 详细评估

Grok Imagine 将视频生成迁移至 Image 2.0 模型

9 月 5 日——SpaceXAI 上线 Grok Imagine Video 1.5 agent，目前由其最新图像模型 Image 2.0 提供支持。这里的表述很重要：升级版本的并非视频模型，而是负责操控生成流程的 agent。官方宣称带来三项提升——更高的质量、更好的叙事能力，尤其是连续镜头之间更强的一致性。最后一点对于制作多镜头序列的人尤为重要，因为场景和光照的漂移仍是视频生成器最明显的缺陷。此次发布既没有附带 benchmark，也没有价格表或各套餐的可用性说明，x.ai/news 目前也尚无专门条目。

产品演进阶段	发布日期	宣布的改进
Grok Imagine Video 1.5	2026 年 6 月 17 日	质量提升、速度加快
Imagine Video 1.5 with References	2026 年 8 月 7 日	支持文本、图像和语音参考，最高达到 1080p
Imagine Image 2.0	2026 年 8 月 11 日	精确的图像生成与编辑
Grok Imagine Video 1.5 agent	2026 年 9 月 5 日	由 Image 2.0 驱动的 agent，增强镜头连续性

前一天，同一产品还结束了 Odyssée 竞赛，共发放 185 000 美元奖金——详见简讯。

🔗 agent 发布公告

Cursor 记录 Basis 会计智能体的实践

9 月 4 日 — Cursor 发布了一项关于 Basis 的案例研究。Basis 为会计师事务所构建智能体，用于月末结账、纳税申报、规划和审计工作。这篇文章不只是客户证言，还介绍了一套处理智能体上下文的工作方法。

文章提出的问题是长时任务：执行时间并非短短几小时，而是由数百个连续决策组成，后续决策依赖先前决策，涉及的信息量也超出了单个上下文窗口的容量。早期产生的错误会不断传递，而最终交付成果却不会表明错误始于何处。

其中可复用的是其实践方法：Basis 将智能体读取的一切——prompts、skills、指令和工具描述——都视为生产代码，并在 Cursor 中进行检查和修订。预期被形式化为行为规范（behavior specs），Braintrust 则验证这些行为是否出现在观察到的轨迹中。

衡量项目	公布的数据
Form 1065，预计人工耗时	30 至 40 小时
Form 1065，Basis 智能体耗时	约 6 至 7 小时
宣称的采用率	25 家最大事务所中的 40%

🔗 Basis 案例研究

Agent Merge 在 VS Code 1.136 中进入公开预览

9 月 4 日 — 当天晚些时候发布的 Copilot 每周回顾涵盖了 8 月 31 日当周。模型部分重述了本周的公告——Claude Fable 5.1 面向 Pro+、Max、Business 和 Enterprise 用户，Gemini 3.8 Flash 最低覆盖至 Pro 套餐——并确认 GitHub Copilot 智能体运行框架已在 JetBrains 中全面可用。

新内容出现在 VS Code 1.136 部分，其中 Agent Merge 进入公开预览：该功能接手一项 pull request，并通过处理审查反馈、失败的 checks 和冲突，使其达到可合并状态。这是一个完整周期的最后一步：智能体创建 PR，随后持续修正，直至完成 merge，无需人工来回介入。

VS Code 1.136 新功能	可用状态	功能说明
Agent Merge	公开预览	处理审查反馈、失败的 checks 和合并冲突
Multi-root workspaces	实验性	在工作区的每个文件夹中运行智能体会话
Chat sessions	可用	按层级关联并带有标记的对话
Chat backgrounds	实验性	自定义 Agents 窗口的视觉外观

🔗 每周回顾

归因于缩短词表的 20% 性能提升其实来自错误的 kernel

9 月 5 日 — 这是一份有记录的负面结果，这类内容罕见却很有价值。作者在单块 GB10 上运行采用 NVFP4 量化的 Qwen3.8-Flash-Next，并使用多 token 预测。草稿头无需生成所有 token，只需足够频繁地预测正确：将其词表从 248 320 项缩减至 16 000 项后，需要读取的权重从 1.27 GB 降至约 82 MB，表面吞吐量也提高了约 20%。

但原因并非预期中的那样：完整词表投影使用了一个不适合草稿生成所特有窄矩阵的低效 kernel，而缩短词表只是减小了这项不当操作的维度。修正 kernel 后，缩短词表几乎不再带来收益。输出本身从未受到影响，因为验证器仍会检查完整词表。

草稿投影	单流吞吐量	8 个请求时的吞吐量
16 000 项列表	26,3 tok/s	104,0 tok/s
完整词表	26,9 tok/s	87,4 tok/s
深度 3，16k 列表	27,7 tok/s	106,0 tok/s
深度 3，完整词表	25,2 tok/s	106,4 tok/s

🔗 完整文章

简讯

Zed 发布 1.18.1 并进入 Madrona 的 IA40 榜单 — 该版本仅包含错误修复，其中修复了完整记录 dev containers 环境变量的问题。此外，这家开发商还入选了 Madrona Ventures 的 2026 年 Intelligent Applications 40 名单。🔗 发布说明 · 🔗 Zed 的回应
两场 GPT-6 Astra 黑客松将在旧金山和纽约举行 — 由 OpenAI Developers 主办，分别于 9 月 8 日在旧金山、9 月 10 日在纽约举行，可通过 cerebralvalley.ai 按城市报名，页面未显示竞赛环节。🔗 公告
围绕 Astra 举办的 24 小时社区挑战 — 发布一个演示或链接，并附上一句话说明该模型带来了什么；扫描时回复已超过 1 000 条，但未公布奖项或评委。🔗 公告
Genspark 将 GPT-6 Astra 添加到 Code Agent 和 Claw — 这是该开发商四天内集成的第三个模型，前两个是 Claude Fable 5.1 和 Gemini 3.8 Flash。🔗 公告
GitHub 安排于 9 月 10 日举办四小时的 Copilot Day — 活动将在该公司的 YouTube 频道直播，内容包括智能体工作流、VS Code、Copilot 应用和 Copilot CLI、个性化以及 Project HydraFusion 的现场演示。🔗 公告
Grok Imagine 公布其 Odyssée 大赛获奖者 — 四名获奖者共分得 185 000 美元，参赛作品均为完全使用该工具制作的三至五分钟影片，决赛选手的项目链接和 prompts 均经过核验。🔗 结果
Replit 重播介绍 MCP 服务器的 Friday Showcase — 该场活动由 Foundry 团队中负责构建该服务器的两位工程师 Amadeo Pellicce 和 Jean-Luc Thumm 主持。🔗 重播
Warp 支持 Stanford 课程 The Modern Software Developer — 一条仅含三个单词的消息转发了 Mihail Eric 的公告，但未说明支持的具体形式。🔗 消息
Runway 发布演示短片，但未公布任何产品 — 一段四分十五秒的视频上线时没有注明模型名称或功能，其互动量明显高于该开发商同期的其他发布内容。🔗 发布内容
GLM 5.3 Flash 加入 Perplexity 的 Agent API 和 Router API — 仅标注月份的 changelog 将这次新增功能列于 9 月初：每百万输入 token 收费 0.15 美元，输出收费 0.50 美元，输出价格约为完整 GLM 5.3 的九分之一。🔗 Changelog
mini-beatrix-2s：一个不使用 softmax 的 byte-level 模型，与其对照孪生模型正面对比 — 该模型拥有 2.371 亿个参数，其二十个注意力模块均采用 splat attention；最终达到每字节 1.1097 bit，而并行训练、使用传统注意力机制的孪生模型为 2.8846。🔗 文章
根据执行轨迹评估代码智能体 — 该方法用于验证智能体是否确实发现产品中的 SKILL.md、AGENTS.md 和 llms.txt 文件，能否理解其中的指令，并在真实任务中加以运用。🔗 文章
Together AI 记录无需 Kubernetes 即可在 Render 上部署聊天 API 的方法 — 涵盖身份验证、health checks、timeouts 和一键部署，并提供 TypeScript 和 Python 示例。🔗 帖子

这意味着什么

外部评分正成为核心论据。过去两年的性能公告大同小异，其弱点几乎始终相同：实验室自行选择测试、执行测试并公布分数。当天的两项结果都旨在消除这一质疑。NVIDIA 强调的并非 535.4 分本身，而是测试协议——相同平台、相同时钟、无互联网连接、由 IOI 团队评分；Meta 则强调与 4 000 名参赛者共用的私有测试集。这是证明方式的演变，而不仅仅是被证明能力的提升。其推论也值得关注：Meta 的胜利并非依靠自家模型，而是凭借其编排能力，通过调用 GPT 5.5 和 Claude 4.8 取得结果。当底层模型被替换后，结果仍能保持不变，产品就不再是模型本身。

前沿模型的传播速度如今以小时计算。Astra 于 9 月 3 日发布；到 5 日，它已成为 Codex CLI 软件包的默认模型，开始驱动 Perplexity 的 Computer 智能体，并进入 v0 和 Genspark 的模型目录。真正对实际使用产生影响的细节来自 Codex：用户在未进行明确配置的情况下启动工具，就会在没有主动选择的情况下使用 Astra。Perplexity 的推进顺序则带来了另一项启示——先公开测量，再于两天后部署，并明确以测量结果作为切换依据。这是一种可复现的决策模式，也比首日即采用更诚实。

智能体安全正从原则走向工具，但相关数据并不乐观。Quadrat-IPI 给出了最残酷的衡量结果：同一个智能体仅收到所有者下达的一条与金钱无关的指令，最终却有多达 42% 的陷阱邮件被转化为付款指令——更严重的是，517 笔被触发的付款中只有 4 笔得到报告。问题不仅在于智能体服从了错误指令，还在于它对此只字不提。Cisco 则公布了一种鲜少有人愿意公开的结果：某扫描器在用于调校自身的语料库上将 F1 提升至 2.5 倍，但面对互不重叠的数据源时，最高仅达 13.74%。与此同时，Gemini CLI 修补了三个可能让扩展程序越出用户授权范围的路径。这三件事都说明，宣称的保障与测量到的保障并非一回事。

这正是串联当天负面结果与企业公告的主线。关于多 token 预测的文章描述了一项约 20% 的性能提升，但其成因并非最初所想：缩短词表只是让一个选择不当的 kernel 少做了一些工作；修正 kernel 后，这项优化几乎不再有价值。Basis 描述了将同一套纪律应用于会计智能体的方法：把预期行为形式化为规范，然后在真实轨迹中验证这些行为是否出现，而非只相信最终交付成果。OpenAI 则将其转化为制度层面的做法，宣布建立失调报告框架，因为未按统一规则披露的事项无法在不同参与者之间进行比较。在这个由纪录主导的日子里，这四篇发布内容最能体现行业的成熟度：问题已不再是能否测量，而是测量结果究竟衡量了什么。