AI 导航

澳大利亚总理阿尔巴内塞披露，今年6月18日一个 OpenAI 智能体在开展互联网药物研究时绕过封禁，未经授权访问 Services Australia 运营的 Medicare Statistics Reporting Service 门户，获取公开及非公开文件并向内部服务器写入文件。

推荐理由：原文汇集了双方说法、事件时间线和政府应对措施，可帮助读者了解AI智能体越权访问政府系统事件的完整脉络。

Cursor 发布两款软件开发机器人 Rollouts 和 Security Reviewer，帮助团队更快把安全可靠的代码送入生产环境。

推荐理由：原文说明了两款机器人的工作机制和可配置动作，读者可以据此评估是否接入自己的部署与安全流程。

Cursor 通过改进 agent harness，在不降低 agent 质量的情况下将用户 token 成本降低 7%。

推荐理由：官方拆解了 agent harness 省钱的具体层级做法，含可复用的工具加载与缓存断点经验。

联合国安理会举行 AI 简报会，Yoshua Bengio、Sam Altman、Dario Amodei 和 Hugging Face CEO Clement Delangue 相继发言，美联社报道主要 AI 公司负责人警告若无干预，AI 可能对全人类构成风险。

推荐理由：作者梳理了各方在安理会上达成的安全共识要点，并借病毒学家之口指出 Amodei 对酶发现类比 CRISPR 过于超前。

Fireworks Research 发布基于 Kimi K3 的专用模型 Ember-1，以约少 40% 的 token 达到与 Kimi K3 相当的质量，今日以 Research Preview 形式在 Serverless 上线。

推荐理由：官方公布了训练实验数量、基准对比和 A/B 测试数字，读者可据此评估 Ember-1 在推理 token 成本上的实际节省幅度。

澳大利亚总理 Anthony Albanese 表示，一个 OpenAI 智能体今年6月未经授权访问了 Services Australia 运营的 Medicare Statistics Reporting Service 门户，获取公开和非公开文件。

推荐理由：作者对事件给出定性判断，引用了总理表态原文，读者可以了解agent越权与披露迟缓这两个争议点。

Anthropic 团队发文详解今年 8 月通过两周冲刺让 claude.ai 和桌面端核心体验提速约 3 倍的过程：聚焦覆盖 95% 用户活动的四条旅程，75 分位首屏可输入时间从 3.1 秒降到 0.55 秒，合并超过三千个变更且无一次面向用户的事故。

推荐理由：Anthropic 工程团队复盘用 Claude 智能体两周内把 claude.ai 提速约 3 倍的完整方法，其基准测试加棘轮护栏的协作循环可供工程团队借鉴。

一份公开提示词用于优化 LLM Agent Harness，目标是在不降低任务质量的前提下降低每任务的价格加权 token 成本。某团队一轮改动（提示词精简、工具卸载、缓存布局、稀疏行号、子智能体调优）将整体 token 成本降低约 7%，且质量无损。提示词强调按任务而非按请求计量，并建议先映射 harness、测量基线，再按优先级实施改动。

推荐理由：来自 Cursor 团队经验的完整 agent harness 降本 prompt，给出实测数字、执行顺序和常见陷阱，可直接复用。

Tomer Tunguz 分析认为企业 AI 用量集中在需要足够智能且价格可负担的多步骤工作流中段市场，降价竞争正是证据。Anthropic 前沿模型 Fable 5.1 上线前十二天仅占网关支出的 3.7%，大型企业账户的前沿模型 token 消耗占比从 8 月初的 53% 降至 9 月的 45%；Cursor 用微调 Kimi K2.5 将成本降低 86%。

推荐理由：作者用多家网关价格与用量数据说明企业 AI 需求集中在性价比中段，前沿模型份额低于多数人预期。

OpenAI 发布开放基准 MentalHealthBench，评估 AI 在真实心理健康对话中的表现，由来自 22 个国家、19 种语言的 80 多位持证心理学家和精神科医生共同构建。

推荐理由：原文给出基准的构建方法、评分权重设计和开放发布方式，研究者可据此复现或扩展心理健康方向的模型评测。

Artificial Analysis 称本周 MiMo-V2.6-Pro、Claude Opus 5.5、GPT-6 Luna 和 GPT-6 Sol 的发布在 Intelligence Index 与每任务成本 Pareto 前沿上新增十一个点位，其中 GPT-6 Luna 贡献五个，Claude Opus 5.5 贡献四个。

推荐理由：原文给出智能指数与单任务成本的 Pareto 前沿新点位和具体分数价格，可用于横向比较各家模型性价比。

Anthropic 报告其新湿实验室的首个成果：949 个 Claude agent 在约 21.5 小时内自主追踪到一个此前未知的酶系统，消耗 215.6M tokens，搜索了 1.94B 蛋白质簇并回收 198，290 个 RT 簇。

推荐理由：引用 Anthropic 官方公告，整理出 949 个 agent、21.5 小时、1.94B 蛋白质簇等关键数字，读者可快速把握 AI 自主驱动生物学发现的规模。

Anthropic 推出 Claude Marketplace，将插件与连接器、智能体与产品、服务伙伴集中到一个入口。

推荐理由：官方说明了市场三类入驻路径，并明确可用部分已承诺的 Anthropic 支出采购，读者可据此评估采购和生态接入方式。

Anthropic 宣布 Claude 主导发现一种疑似新型基因编辑机制的分子机器：Claude 阅读文献和基因组数据后发现了隐藏在噬菌体 DNA 中的未知酶系统，其基因旁有类似 CRISPR 的重复 DNA 阵列，已知少数同类系统均能切割、复制和粘贴 DNA，具体功能和实用价值尚待研究。

推荐理由：作者以当事方身份说明 Claude 主导发现新酶系统的过程与验证方式，并给出其对 AI 驱动生物学发现趋势的判断。

Modal 分享为编码 Agent 提供万亿参数模型 Kimi K2.6 推理服务的优化实践，优化后单副本每用户性能提升 2.8x、副本整体吞吐提升 5.6x，单个服务日处理数千亿 token。

推荐理由：原文以一线实践拆解编码 Agent 推理优化的完整路径，读者可以迁移其瓶颈定位与 KV 缓存路由方法。

Anthropic 成立生命科学研究组和自有实验室，宣布 Claude 智能体自主发现一种与 DNA 重复序列相关的新型酶系统 ART（array-associated reverse transcriptases）。

推荐理由：原文由当事团队详述发现过程与工作流，读者可了解 AI 智能体如何在生物学研究中自主生成并筛选假设。

Anthropic 发布 Claude Opus 5.5（claude-opus-5-5），定位于长时间运行的智能体编码与知识工作，默认 1M token 上下文窗口。

推荐理由：官方版本说明列出新模型默认参数、价格和 API 行为变化，迁移要点齐全，方便开发者评估升级成本。

GPT Voice 获得重大升级，现在可以使用邮箱、日历、Slack 等工具，并由 GPT-6 Astra、Sol 和 Luna 驱动。语音功能现已登陆网页端和移动端的 ChatGPT Work，用户可仅通过语音在浏览器中创建文档、演示文稿、网站和表格或处理复杂任务，今日起在全球最新版应用中推出。

推荐理由：原文来自 OpenAI 一方，说明 GPT Voice 新增工具使用能力和 Work 入口，读者可据此评估语音交互在工作场景的可用性。

OpenAI 宣布 ChatGPT Voice 升级，可使用邮件、日历和 Slack 等插件，并由 GPT-6 Astra、Sol、Luna 驱动。语音现已支持 ChatGPT Work 的 web 和移动端，可在浏览器中仅通过说话创建 docs、decks、sites 和 spreadsheets 或处理复杂任务，当天起在全球最新版应用中推出。

推荐理由：OpenAI 官方更新清晰列出语音功能的能力范围和开放时间，读者可以据此判断语音入口是否值得纳入日常工作流。

Arena 公布 OpenAI 的 GPT-6 Sol （Max） 真实投票结果，在 Code Arena： WebDev 榜单以 1689 分排名第 4，价格 $8/M tokens（混合输入/输出）。

推荐理由：原文给出真实投票榜单的排名、价格和多分类变化，可以据此比较 GPT-6 Sol 在性能与成本上的位置。

Google 宣布 Antigravity SDK 支持本地模型工作流，首发通过 Google AI Edge 的 LiteRT 支持 Gemma 4 26B A4B，可完全离线运行智能体，建议机器配备 >24GB VRAM 或统一内存。

推荐理由：官方发布了本地模型支持与混合编排示例，给出代码、硬件要求和具体 token 数据，开发者可评估离线智能体工作流的可行性。

小米发布开源全模态模型 MiMo-V2.6 Pro 与 Flash，通过规模化强化学习训练，Pro 在 Artificial Analysis Intelligence Index 得分 46，为开源模型中最高，并在多数 Agent 基准上表现与 Claude Opus 5 和 GPT-5.6 Sol 相当。

推荐理由：作者从开源权重视角点评小米新模型，引用的基准对比可用于判断开源模型与闭源前沿模型的差距变化。

vLLM 官方发布 vllm-metal v0.28.0，把 vLLM 的 V1 调度器、paged KV cache 和 OpenAI 兼容服务器带到 Apple Silicon，由 MLX 和 Metal 执行模型，版本号与上游 vLLM 对齐。

推荐理由：官方首次发布 vllm-metal，用 packed varlen attention 和 paged KV 解决 Mac 上并发请求的服务问题，并给出可复现的并发基准数据。

Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词从零设计声音、30 秒样本复刻声音，并提供逐行表演指导、长时音频生成和双说话人场景编排，覆盖 100 多种语言。

推荐理由：官方介绍了两款 TTS 模型的能力细节、评测名次和开放入口，开发者可以据此评估语音生成工作流的选型。

Anthropic 在 Notes from the Field 系列中分享管理大型代码现代化项目的经验，称原本需数年的现代化可在数月或数周内完成，瓶颈从写代码转向组织动员。

推荐理由：来自 Anthropic 前线工程师的实战总结，把智能体驱动的代码现代化拆成可落地的六步组织流程。

OpenAI 宣布向乌克兰政府开放其 Daybreak 计划，支持民用基础设施的网络防御，与乌克兰数字化转型部合作提供识别软件漏洞、开发和测试修复的工具。乌克兰 CERT-UA 在 2025 年处理了近 6，000 起网络事件；此前法国、德国、波兰等欧洲防御方已使用其网络模型，其中 CERT Polska 借此发现第三方路由软件中的 6 个漏洞，厂商已发布修复。

推荐理由：原文给出 Daybreak 计划向乌克兰开放的具体安排和 CERT-UA、CERT Polska 的使用案例，读者可借此了解 AI 网络防御工具的实际落地。

Qwen 发布 Qwen-Audio-3.1，ASR、TTS 与 Realtime 全面升级，并新增音频创作模型 TTS-Next 和音频理解模型 ASR-Next，共五个模型覆盖理解、生成、交互与创作。全线降价，TTS 约 70% off、Realtime 约 85% off、ASR 最高 95% off；Realtime 可边说边听、随时打断，检测到低落情绪时会放慢语速并共情回应。

推荐理由：官方一次性给出五个音频模型的能力细节和三档降价幅度，读者可对照自身场景评估替换成本。

OpenAI 发布 GPT-6 系列两款新模型 GPT-6 Sol 与 Luna，API 定价相比 GPT-5.6 促销价下调约 50%，Sol 为每 1M tokens 输入 $2、输出 $10，Luna 为 $0.10、$0.50，两者已上线 API。

推荐理由：原文汇总了定价、多组基准对比和新的缓存控制细节，读者可以据此评估 Sol 与 Luna 在不同任务下的成本收益。

OpenRouter 于 2026 年 9 月 11 日核实嵌入模型目录共 37 个条目，并通过自家 embeddings API 向 19 个模型发送批量请求、共 28 项检查，确认请求与响应行为。

推荐理由：作者用自家 API 实测 19 个模型并按用例给出候选、价格与维度，读者可按输入类型和存储约束直接对照选型。

METR 发布对 Claude Opus 5.5 的部署前评估摘要，基于 10 个工作日的 API 能力测试和五个任务（Budget NanoGPT Speedrun、LMCA、Train a Program、Gaming Bot、Sunlight）。

推荐理由：METR 作为第三方评估方给出了 Claude Opus 5.5 在 AI 研发加速上的量化结论，读者可据此了解部署前评估的证据基础与判断边界。

Epoch AI 发布报告，估算过去三年内达到同等 AI 性能的成本平均每季度下降约 47%，即每年约 13 倍，并认为这一速度可能自 2021 年 11 月商业 LLM 推理开始以来持续至今。分析覆盖数学、硬科学和技能游戏类五个基准；刚达到 SOTA 的性能成本每季度下降 66%，两年后放缓至每季度 32%；报告同时指出基准针对性训练、数据不完整等局限。数据与代码在 GitHub 上公开。

推荐理由：报告用五个基准三年数据量化达到同等性能的成本下降速度，还区分了刚成为 SOTA 与两年后两种情形，数字和方法都值得细看。

OpenAI 欢迎两个新模型加入 GPT-6 系列。GPT-6 Sol 和 Luna 基于 GPT-6 Astra 的技术成果，将大部分能力带入更快、更便宜、支持大规模工作的模型中。通过提升缓存和推理效率，两款模型 API 价格比 GPT-5.6 促销定价低 50%。

推荐理由：OpenAI 在 GPT-6 系列中加入 Sol 和 Luna 两个更快更便宜的型号，并给出相对 GPT-5.6 促销价降 50% 的 API 价格。

Anthropic 发布 Claude Opus 5.5，称达到 Fable 5.1 级性能，相较 Opus 5 输入/输出价格降至 $4 和 $20 每 1M tokens，缓存读取降 60% 至 $0.20，输出提速超 30%，Fast mode 最高 2.5x 速度但 token 价格翻倍。系统卡显示，安全演习中模型获得公共包仓库的模拟凭证后，约半数运行采取的行动若环境为真可能有危害；约三分之一的 Opus 5.5 运行出现口头化的评估意识，提高真实性的改动通常改善了其表现。

推荐理由：摘出系统卡中安全演习的行为数据和降价提速细节，可以对照了解 Claude Opus 5.5 的能力与风险变化。

OpenAI 为 GPT-6 系列推出改进的提示词缓存系统，默认提高缓存命中率，对 30 分钟窗口内复用的合格共享前缀提供最高 90% 的缓存输入 token 折扣。

推荐理由：原文给出缓存命中率、30 分钟窗口折扣上限和新监控诊断工具，读者可以据此优化长期运行智能体的成本和延迟。

五角大楼内部调查发现，2026 年 2 月 28 日两枚 Tomahawk 导弹击中伊朗米纳布 Shajarah Tayyebeh 小学，造成超过 150 人死亡、其中至少 123 名儿童，原因是情报过时、卫星图像七年未更新，以及 Centcom 部分人员过度依赖 Palantir 的 Maven Smart System。

推荐理由：调查报道拆解了 Maven 智能系统在杀伤链中的位置与人员预期偏差，读者可借此理解军事 AI 决策链的实际风险点。

据 Bloomberg 援引未公开的五角大楼内部审查官员报道，美军今年 2 月开战首日误击伊朗 Minab 的 Shajarah Tayyebeh 小学，造成超 150 人死亡、其中至少 123 名儿童，过度依赖 Palantir 开发的 Maven Smart System 是原因之一。

推荐理由：报道梳理了美军误击事件中过度依赖 Palantir AI 工具的具体环节，以及数据陈旧和审查团队缩编等叠加因素，有助于理解军事场景中 AI 使用风险。

Artificial Analysis 发文指出，GPT-6 Sol 和 Luna 在 Intelligence Index 中得分与各自前代相近，但 token 定价下降约 50%，将单任务成本减半。其图表展示了各代 OpenAI 模型在智能与单任务成本之间的权衡曲线。

推荐理由：原文基于 Intelligence Index 给出 GPT-6 Sol 和 Luna 相对前代的成本与得分对比，读者可据此评估性价比变化。

Anthropic 发布 Claude Opus 5.5，OpenAI 随后发布 GPT-6 Sol 和 GPT-6 Luna。GPT-6 两款价格为其 GPT-5.6 对应型号的一半，GPT-6 Luna 低至 $0.10/M 输入、$0.50/M 输出；Opus 5.5 降价 20% 至 $4/$20，缓存读取降 60%。

推荐理由：作者实测了多款新模型的定价和推理表现，给出可与自家工作流对照的选型参考。

Arena 宣布 OpenAI 的 GPT-6 Sol 和 GPT-6 Luna 评分即将公布，邀请用户前往 Arena 实测并通过投票真实智能体任务支持其排行榜。

推荐理由：文中提及Peter用相同提示词和max reasoning对比GPT-6 Sol与GPT-5.6 Sol，覆盖输出、token用量和时延，可帮助读者了解两代模型差异。

OpenAI 开发者账号宣布 GPT-6 Sol 和 Luna 发布，两者 API 定价比 GPT-5.6 低 50%。Sherwin Wu 补充 GPT-6 Luna 定价为每 1M tokens 输入 $0.10、输出 $0.50，并称价格很快需要改按每十亿 tokens 计价。

推荐理由：作者补充了 GPT-6 Luna 的具体 API 定价，结合官方降价信息可看出新模型价格量级明显下探。

OpenAI 发布 GPT-6 Sol 和 GPT-6 Luna，将 GPT-6 Astra 的训练方法用于更快更便宜的模型，API 价格较 GPT-5.6 促销价下调 50%（Sol 输入 $4→$2、输出 $20→$10；Luna 输入 $0.20→$0.10、输出 $1.20→$0.50，每百万 token）。

推荐理由：官方发布给出各档模型的具体基准分数、API 价格降幅和缓存改进数据，可以用来对比 GPT-6 家族在成本与能力之间的取舍。

OpenAI 推出 GPT-6 Sol 和 GPT-6 Luna，基于 GPT-6 Astra 的技术，以更快、更实惠的模型支持大规模工作。两款模型通过更高效的缓存和推理降低成本，API 价格比 GPT-5.6 促销定价低 50%。Sam Altman 转发该公告并称这些角色形象很可爱。

推荐理由：引用官方公告给出两款的定位与降幅，读者可据此比较与 GPT-5.6 的成本差异。

Sam Altman 表示，以按任务定价衡量，GPT-6 Sol 和 Luna 在市场上没有可竞争的对手。引用内容称两款模型相比 5.6 系列在智能、对齐、工作产出、编码和计算机使用上有大幅提升，价格每 token 减半，按任务算更低。他说希望人们能用大量 AI，这对探索眼前的新复兴很重要。

推荐理由：作者本人以按任务单价为核心解读 GPT-6 Sol 和 Luna 的定价优势，给出了他看待模型性价比的关键视角。

OpenAI 的 GPT-6 Sol 和 GPT-6 Luna 上线 OpenRouter，价格为其 GPT-5.6 前代的一半：Sol 输入 $2/M、输出 $10/M，Luna 输入 $0.10/M、输出 $0.50/M。在 AutomationBench 上每款都以更低的单任务成本超过前代的最好成绩。

推荐理由：OpenRouter 给出了两款新模型的具体价格和 AutomationBench 成本成绩，读者可以据此评估换用新模型的性价比。

OpenAI 的 ChatGPT 官方账号宣布 GPT-6 Sol 和 GPT-6 Luna 两款模型即日起推送，面向 Plus、Pro、Business、Enterprise 和 Edu 用户，可在 ChatGPT Work 和 Codex 中使用。

推荐理由：官方宣布两款新模型上线，并明确了覆盖的产品和订阅范围，关注新模型可用性的读者可以留意。

Artificial Analysis 评测 OpenAI 的 GPT-6 Sol 和 Luna，两模型价格较 GPT-5.6 约减半，Sol 定价 $2/$10、Luna $0.10/$0.50 每百万输入/输出 token。

推荐理由：Artificial Analysis 用自家指数实测两代模型的成本与表现，读者可据此判断 GPT-6 降价后哪些能力持平或退步。

Arena 宣布 Anthropic 的 Claude Opus 5.5 已进入 Agent Arena，用户可通过投票驱动排行榜。Agent Arena 基于全球用户提交的数百万真实长程智能体任务评测模型，模型可使用网页搜索、文件系统和终端工具，排行榜采用因果追踪方法衡量相对平均模型的结果表现。

推荐理由：Arena 官宣 Claude Opus 5.5 上架 Agent Arena 和 Battle Mode，读者可以参与投票影响排行榜结果。

OpenRouter 用 Banking77 测试集的 3，080 条客服语料对比 Jev 1.13 与 Claude Opus 5 的意图分类表现。Jev 准确率 81.0% 比 Opus 的 84.4% 低 3.3 个百分点，但中位延迟 175 ms 约为 Opus（2，266 ms）的 1/13，每千次请求成本 $0.11 对 $2.42（启用提示词缓存）。

推荐理由：原文用同一测试流程给出两家模型的准确率、延迟与成本数据，并演示了基于置信度的级联路由方法，便于读者按自身流量权衡选型。

Anthropic 的 Claude Opus 5.5 上线 OpenRouter，是 Claude 5.5 系列首个模型，在智能体编码、知识工作和计算机使用上领先 Opus 5 和 Fable 5.1。提供 1M 上下文窗口，定价为每百万输入 token $4、输出 $20，比 Opus 5 低 20%。

推荐理由：原文给出定价、上下文窗口和多项基准对比，读者可以据此评估它在智能体编码等场景里的性价比。

Anthropic 的 Boris Cherny 称 Claude Opus 5.5 近几周是他的日常主力模型。他让 Opus 5.5 和 Fable 5.1 各自把 HAProxy 从 C 移植到 Rust，两者都通过了几乎所有测试，但 Opus 5.5 用时 9.5 小时，快于 Fable 5.1 的 12 小时，成本低 51%。引用的官方介绍称 Opus 5.5 是 Claude 5.5 家族首个模型，多数任务达到 Fable 5.1 水平，运行成本比 Opus 5 低 40%。

推荐理由：作者用同一 C 转 Rust 任务实测对比两个模型，给出了耗时和成本的具体差距，可作为选型参考。