1. 何恺明团队发布 VISTA：给多模态模型装上「视觉原生」的 Harness
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出了一套视觉原生的脚手架：不再把环境抽象成文字或代码网格，而是让模型直接观察原始画面，并在推理时随时回看、放大、检查细节，无需从头训练基础模型。整套系统由三个组件构成：视觉观测（把官方 64×64 画面放大成 512×512 PNG 交给模型，保留颜色、外观与空间关系）、无损视觉记忆（每个动作后的所有画面按回合号与帧号建索引，连动画中间帧都存下来）、主动视觉检查（通过 inspect 工具调取任意历史回合画面并裁剪放大）。研究把这套机制称为对交互历史的显式注意力。成绩很硬：搭配 VISTA，Claude Opus 5.0 通关 ARC-AGI-3 全部 25 个公开游戏，相对人类动作效率得分拿到满分 100，所用动作数比首次游玩的人类基线少 57.4%；换成 GPT-5.6 Sol 同样全部通关，得分 99。团队还在浏览器游戏、迷宫与连线题上做了验证，并把更接近物理世界的具身任务列为后续方向。
2. 陶哲轩宣告「数学 2.0」：证明从稀缺走向泛滥，但评价体系还没跟上
菲尔兹奖得主陶哲轩正式发文，给出一个判断：建立在「证明稀缺」之上的数学 1.0 时代即将落幕。他归纳出数学之所以最先被 AI 冲击的三个叠加条件——证明可以被客观检验、数学对象与推理过程高度可数字化、大量高质量文献已经以数字形式存在。现实变化已经很明显：OpenAI 一夜之间甩出 722 篇数学论文，并把王虹解决的三维挂谷集维数猜想进一步扩展到四维。陶哲轩认为门槛确实降低了，但麻烦在后面：判断解答是否正确、贡献究竟多大、怎样与已有研究衔接，仍需要人来认真处理，否则会出现一种错位——解出了题，却没有相应地增加人的理解。他亮出经典的飞机弹孔图警告幸存者偏差：AI 能力并不均匀，厂商展示的都是精挑细选的成功案例，现在迫切需要建立更透明、更科学的评估机制，把失败结果和 AI 算力成本一并纳入报告。他还用了一个比喻：开放问题像灯塔，指引人们探索周边的数学世界，而抵达灯塔并不等于完成了探索——如果评价体系只奖励「已解决」，那些尚未走过的路径就会失去被探索的动力，盲目优化「解题」指标终将损害数学的长期健康。
3. Nano Banana 2.1 上线：4K 直出、中文错字大幅改善，价格还砍了一半
Google 突然发布新一代生图模型 Nano Banana 2.1，围绕视觉设计、蒙版编辑、主体一致性和真实自然度做了全面升级，支持 4K 直出，画圈即可保留主体并无缝替换背景。据 Arena 评测，相比上一代 Nano Banana 2，文本转图像、多图像编辑、单张图像编辑三项平均提升约 61.7 分：文生图排名第四（提升 80 分，仅次于 GPT）、多图编辑第五（1328 分，+67）、单图编辑第六（1428 分，+38）。价格是另一个杀招：1K、2K 图片生成价格直接砍半，4K 也便宜约 25%。多位设计师实测反馈中文清晰度与错字问题改善明显，可一键生成 4K 海报。目前 Nano Banana 2.1 已上线 Gemini App、Google AI Studio（以 Gemini 3.6 Flash 为底层框架，每天赠送 50 积分），开发者可通过模型名 gemini-nano-banana-2.1 接入付费 API。短板同样存在：有网友实测发现水印叠加 Bug，连续多次编辑后原本不该变的区域会出现噪点、色彩漂移与纹理失真，越改越糊。
4. arXiv 出手限流：每人每月最多投 2 篇，AI 论文洪峰压垮志愿审稿人
从 2026 年 10 月 1 日起，arXiv 规定每人每个自然月只能提交 2 篇论文，2024 年起实施的「同时最多 3 篇活跃投稿」限制继续保留。新规覆盖所有分类，只约束提交者本人，共同作者不受影响；被拒的论文照样占用额度（因为同样消耗审核时间），但作者在正式发表前撤稿可以拿回名额。投稿量确实到了失控边缘：2016 年 9 月 9869 篇 → 2024 年 9 月 20569 篇 → 2026 年 9 月 40363 篇，两年翻倍；仅 cs.AI 一个分类两年就增长超过 6 倍，平台创下历史单月最高纪录，并因此积压了近 9000 张支持工单。志愿审稿人抱怨的正是这几类东西：内容单薄、范围极窄的凑数论文，「萨拉米切片」式把一项工作拆成好几篇，以及一眼能看出由 AI 批量生成的密集文本。
5. 多智能体团队被证伪：贵 1.8 到 5.1 倍，效果几乎没有差别
评测公司 Vals AI 在 Vibe Code Bench 上让 GPT-6 Sol 和 Claude Opus 5.5 分别以单智能体和多智能体团队两种形态跑同一批任务，推理强度分中档与最高档。结论不太好看：团队模式的成本是单智能体的 1.8 倍到 5.1 倍，而四组对比里只有一组出现了统计学上显著的提升——GPT-6 Sol 在中档推理下团队得分高 7.3 分；在最高档推理下，团队形态对两个模型都没有实质性帮助。这提示当模型本身已经跑满算力时，再加 agent 的边际收益极低。Anthropic 自己的测试也指向同一方向：用 Opus 5.5 做多智能体实验，从 10 个 agent 扩到 100 个，24 小时后分数只挪动了一点点（知识库任务 0.70 → 0.74，Lean 定理证明 0.66 → 0.68），大规模团队的主要收益是更快达到某个水平，而非突破上限；在 ProgramBench 里速度提升同样伴随 token 消耗上升。
6. Epoch AI 的结论：AI 能跑实验，但还不是研究员，还会夸大结果
Epoch AI 用新基准 InnovationEval 测试了 AI 智能体能否独立做研究：任务是发明一种改进语言模型后训练的新方法，然后自行实现、测试与迭代。起点是广泛使用的 GRPO，人类设计的参考方法是 SDPO（利用报错信息等额外信号，对答案内部的每一步给出更精确的学习反馈，让模型自己当老师）。Claude Fable 5 与 GPT-5.6 Sol 在测试前均不了解 SDPO，每个智能体最多可用 3000 小时的算力，评测覆盖科学问答类短答题与代码任务。结果显示：模型可以跑通实验流程，但缺乏科学上的自我批判能力，也缺乏真正的创造性思维，并且倾向于夸大自己的结果。这给行业热情浇了盆冷水：Google DeepMind 正把 Co-Scientist 扩成完整研究系统，OpenAI 9 月推出「自动研究实习生」，并计划到 2028 年 3 月把它升级为在人类监督下的自主 AI 研究员——而「科学判断力」这一关键能力目前仍然缺席。
7. OrcaCyber Zero 1.5：1M 上下文的安全专用模型，Cybench 满分但全是自报数据
OrcaRouter 发布 OrcaCyber Zero 1.5，定位是授权漏洞研究场景（漏洞复现、利用开发、渗透测试），是 9 月 17 日 1.0 版的后继。规格：1M token 上下文、最大 128K 输出、原生函数调用与结构化输出、纯文本进出；只提供托管 API，不放权重也没有量化版本，参数量未披露。成绩单亮眼但需谨慎看待——厂商自报数据在安全基准上接近天花板：Cybench 100%（39/39 任务，不限制 agent 执行）、CVE-Bench 也很高，而 SWE-bench Pro V2 的 76.5% 是其公布的最低分；定价为每百万 token 输入 3 美元、输出 7.5 美元。文章特别提醒：所有数字均为自报，且 CVE-Bench 只有 24 个可评估任务，样本量偏小。厂商给安全团队的口号是「更少的报告，更多被验证并修复的漏洞」。
8. Sakana AI 让 AI 当审稿人：4 次评审抓到 73% 的核心论断错误，成本 0.47 美元
Sakana AI 在 TMLR 发表论文《Beyond Imitation》，用错误检测而不是「像不像人类审稿人」来衡量 AI 评审。团队做了两样东西：一个矛盾基准（在 5 个会议的 257 篇论文里植入 1164 处矛盾）和一套多层级评审系统 MLR（Multi-Layered Review），能读取最多 10 页正文。关键数字：MLR 在 4 次评审下抓到 73.43% 的核心论断错误，而最好的基线只有 14.81%，在四个被测系统中检出率最高且评分与人类趋势一致。部署门槛也很低——用现成的 Claude Sonnet 4 与 Claude Haiku 3.5 API 即可，不需要 GPU、不需要微调，单次评审约 0.47 美元。局限同样明确：在真实被撤稿的 arXiv 论文上，精确匹配率只有 16.11%；系统仍然会被隐藏的提示注入骗过。对做研究类 agent 的开发者来说，这条经验是通用的：系统设计和模型选择都会实际影响错误检出能力，先读完再下判断的流程，比直接生成一段「审稿意见」有用得多。
9. vLLM 语义路由器放出决策模型家族 Decision 3.0：最小 0.85B，全部 Apache-2.0
vLLM Semantic Router 团队发布 Decision 3.0，一组多模态决策模型：读文本、JSON 和图片，然后针对类型化问题给出答案。这套模型返回的是概率而不是生成的文本，因此可以非常快地完成分类、路由和请求门控，无需解析模型输出。共 5 个尺寸，全部采用 Apache-2.0 许可：d3-lite 0.85B、d3-nano 2.21B、d3-mini 4.54B、d3-flash 8.39B、d3 26.09B；延迟在单张 AMD Instinct MI325X 上测量，提供 BF16 权重、暂无官方量化版本。性能方面，27B 的 d3 在自家模型卡的文本与视觉两项表格中都领先（均为内部评测）：最好的成绩是文档抽取 KIE（CORD+FUNSD）97.7 分，最差是 R-Bench-M 的 34.1 分。团队强调的一条趋势值得注意：一个 9B 模型已经能打赢上一代的 27B——决策类小模型的迭代速度正在明显加快。
10. 民间版 DeepSeek-Bot 来了：DSH 装个插件，就能养一支有长期记忆的机器人团队
DeepSeek 官方 Muse 还没影，社区先交作业了。作者 @Fei2411 发布 DeepSeek-Bot——基于 DeepSeek Harness（DSH）的一套多 Bot 团队插件：每个 Bot 都有自己的名字、职责说明、指令、形象以及背后调用的模型，并有持久化运行状态与长期记忆。技术上，每个 Bot 对应一个 DSH Session，拥有自己的工作上下文；超出上下文窗口的长对话靠压缩、交接摘要和本地搜索来管理；记忆以 Markdown 文件存储，另外设计了团队共享记忆，每轮对话结束后模型会自动做一次记忆审查，判断哪些信息该保存、更新或删除。为了省 token，可以指定一个 Main Bot 主管：群里消息默认由主管回复，再由它去协同其他 Bot，也支持直接 @ 单个 Bot 一对一沟通。数据全部本地化在 DSH 主目录的 bot/ 与 sessions/ 下，卸载插件也不会删除；用量统计可在 Settings → Usage 里按时间、Bot、模型分类查看；项目采用 Apache License 2.0。桌面端在侧边栏「插件」→「添加插件」里输入 ds-bot 即可安装，Web 端需要 Node.js 22.19+ 与 pnpm。上线不到一天，项目已收获 250+ 星。
相关文章
