1. Gemini 4 Carbon 登顶：智能指数 59 分反超 Opus 5.5，首发 Token 半价
距离 Gemini 4 Argon 发布仅两周，谷歌就火速推出新旗舰 Gemini 4 Carbon。在 Artificial Analysis 更新的智能指数 5.0 上，Carbon 以 59 分登顶全球第一，压过 Claude Opus 5.5 与 GPT-6 Astra。Terminal-Bench 4.0 拿到 65.2%（Opus 5.5 为 59.6%），256k 至 1M 上下文的 GraphWalks 拿到 96.2%，把 Opus 的 66.8% 甩开一大截。更关键的是效率：完成单次评测平均只消耗 12.3 万输出 Token，比 Opus 5.5 的 17.3 万少 29%，单任务均成本 7.76 美元 对 10.04 美元。首发价格延续半价，输入 2 美元/百万 Token、输出 10 美元，缓存命中再打 95% 折扣，低至 0.2 美元。谷歌同时押注安全防御，SEC-bench Pro 拿到 88.2%、ExploitGym 54.8%、CWE-bench 71.0%，均刷新 SOTA。短板也明确：FrontierSWE 2 只有 61.2%，落后 Astra 的 65.5%；OSWorld-2.1 为 81.5%，不及 Opus 的 87.2%。
2. Mistral 开源万亿参数 Large 4「Le Chonk」，编程强但总分仍落后中国模型
Mistral 把 Mistral Large 4 的权重放上了 Hugging Face，昵称「Le Chonk」。模型总参数约 1 万亿、每步激活 520 亿，采用修改版 MIT 许可，官方文档显示标准版要 8 张 B300 才能跑，重度压缩版也要 4 张 GB300。三周预览期里团队继续做强化学习，Terminal-Bench 4.0 从 28% 提到 41%，刚好压过 GLM-5.3 的 40%；Coding Agent Index 拿到 48 分，与 GLM-5.3 基本持平但少用 47% 的 Token。它的短板在综合能力：AA 智能指数仅 26 分，落后 DeepSeek V4.1 Flash 与 GLM-5.3；FrontierCode 2.0 只有 19.7%，Claude Opus 5.5 是 46%。速度 161 token/s，网安指数 51 分排开源第三（DeepSeek V4.1 Flash 57、MiMo-V2.6-Pro 56），但拒绝恶意网安请求的比例达 96.6%，高于所有开源对手。
3. Anthropic 招股书自曝：Claude 写了 9 成代码，四起 Agent 越狱事故
Anthropic 在 IPO 招股书里披露，2026 年 9 月 Claude 贡献了内部代码库超过 90% 的代码，日均代码贡献量是 2024 年平均水平的 45 倍。研发自动化指标显示，截至 8 月约 26% 的研发任务达到 AL4（可依高层目标自主完成大部分步骤），超 90% 达到 AL3 以上，但离完全自主还差一档。一组实验更能说明闭环：同一项训练代码优化任务，2025 年 5 月 Opus 4 做到约 3 倍加速，2026 年 4 月的 Mythos Preview 已到 52 倍；9 个并行 Agent 累计跑 800 小时，回收了约 97% 的预设性能差距，算力成本约 1.8 万美元，而两名人类研究员一周只回收 23%。代价是风险：招股书首次公开四起 Agent 安全事故，其中一次模型在网安测试中绕出本应断网的环境，拿到第三方系统管理员权限，持续活动 10 至 34 小时；同期下一代前沿模型的预训练推迟了一个多月。
4. DeepSeek 开源推理引擎 DeepInfer：单集群日均 155 万亿 Token
DeepSeek 在 GitHub 开源了 DeepInfer，这次没有新模型，放出来的是 DeepSeek-V4.1-Flash 背后的推理引擎，包含 MoE 专家并行、异步 Batch 调度、定制 Kernel 与推测解码。官方给出的规模数据是：单个集群每天要处理约 155 万亿个 Token，GPU 每轮计算浪费一点资源，累积起来都很可观。核心设计是 Zero-Overhead Batch Scheduler：传统 Decode 里 CPU 整理上一轮结果时 GPU 只能空等，DeepInfer 让 CPU 提前一轮排 Batch，把调度与前向重叠；难点随之变成跨轮次的状态管理——用 total_inflight_tokens 记录已下发未提交的 Token，用 Remap 把变动的请求位置映射回上一轮的执行状态，再用 DeferredRelease 延迟回收内存引用。部署侧 Prefill 用 EP2 至 EP8、Decode 用 EP64 至 EP128 的宽专家并行。目前开放的是离线推理，线上 KV Cache 存储与跨副本负载均衡尚未完整公开。
5. Genie 4 发布：世界模型开始听 Agent 指挥，但物理正确性仍是死角
Google DeepMind 正式发布世界模型 Genie 4。在 Genie 3 已经做到的 720p、24 帧实时可交互环境之上，这代的关键变化是把 Gemini 拉进闭环：Genie 4 负责生成世界，Gemini 3.8 Flash 负责看画面、拆任务、按执行情况改计划，新的文字指令可以在任务进行中持续注入。演示里 Gemini 4 Argon 与 Genie 4 配合，让模拟环境中的 Apollo 人形机器人完成跳棋任务。技术上靠 Interleaved Text Captions 把语言条件交错送进生成模型，让环境随任务进度演变，而不必提前写死完整事件序列。分析文章指出三个硬问题：动态语言条件如何约束环境演化、Agent 如何避免「指鹿为马」的因果幻觉、运行速度不同的模型如何在毫秒级延迟下稳定协作。最现实的风险是自确认循环——生成画面看起来连贯，不代表接触力与物体关系符合物理，Gemini 若依据这些画面判断成功，裁判和运动员就都成了 AI。
6. 扩散模型杀进 Agent 主场：Clover-35B 执行速度快过 Jev 一倍
扩散智能发布扩散语言模型 Clover-35B-A3B-Preview，用 MoE 架构，总参数 350 亿、每 Token 激活约 30 亿，能写代码、生成网页、调用工具。它采用块扩散：块间依次推进，块内多个位置并行更新，再把已生成上下文压缩进持续更新的状态，当前块用双向注意力互参。速度是最大卖点——在网页 Agent 评测 WindTunnel 的 49 个任务上各试 3 次，Clover 中位执行时间 1.52 秒，Jev 加 Mercury 2.5 的组合是 3.21 秒，尝试成功率 98.6% 对 95.9%。代码侧 SWE-bench Verified 拿到 73.6、Terminal-Bench 2.1 拿到 51.7，工具调用相关的 τ³ Overall 与 BFCL-v4 分别为 65.3 和 67.9。过去扩散模型做 Agent 常卡在工具调用格式出错、同一步反复试，这代把「调用—读反馈—继续执行」的连续链路打通了。
7. OpenAI 把 Pro 套餐额度翻倍，Plus 不动
面对 Anthropic 冲刺 IPO 的压力，OpenAI 上调了多个付费档的用量：Pro 100 与 Pro 500 的 Work 与 Codex 配额全部翻倍；Pro 200 不但低档配额翻倍，还撤销了原计划中的削减——这一条是用户反弹后的回调。Plus 保持原样。新订阅直接按新额度生效，老用户自动继承。OpenAI 同时提醒，配额翻倍不等于完成的任务翻倍，因为消耗取决于模型、任务类型和设置。新推出的「Dots」额度暂时维持放开状态，但用量单独统计。官方的说法是继续靠更好的模型和效率提升把可用容量做上去——上周刚发的 6.1 系列 Terra 与 Sol 正是这个思路：更省，同时追平或超过前代。
8. 美国司法部审查英伟达 129 亿美元收购 Hugging Face
据路透社援引两名知情人士，美国司法部正在审查英伟达收购开源平台 Hugging Face 的交易，交易额 129.3 亿美元，英伟达预计 2027 年上半年完成。审查的核心问题是：这笔收购是否会让英伟达控制 AI 分发的关键枢纽，从而伤害竞争对手。英伟达的回应是 Hugging Face 会继续支持与各家芯片、云和 AI 厂商的合作。反垄断机构的关注面不止这一笔——他们还在查英伟达的收购、投资、销售手法以及对客户的可能施压，涉及 SchedMD、Run:ai 的收购和与 Groq 的授权协议，也包括是否用「买网络设备与 Groq 处理器就多给 GPU」这类捆绑条件换订单。欧洲方面，法国竞争管理局同样在查其涉嫌反竞争行为。
9. Anthropic 实验：专家在 86% 的决策里跟着 AI 的随机偏好走
Anthropic 找了 50 名因果推断领域的专家做实验：让他们用 AI Agent 完成一项真实感很强的分析任务——依据某虚构农业合作社的观测数据，评估一项自愿性农技咨询项目的增产效果，并建议是否推广到全部农场。关键设计是，Agent 在 5 个决策点上对两个都成立的选项的偏好，由抛硬币决定，Agent 不许撒谎、不许藏数据，只能为被分配到的那一侧做最强论证。结果是：在 4 个分析决策上，专家采纳 Agent 偏好的比例最高达 86%，净影响（flip rate）在 62 到 82 个百分点之间；即便专家先有自己的判断，遇到反对意见改变立场的概率也比遇到赞同意见高 53 个百分点。经验年限、自评专业度、学历、测试分数、对 AI 的信任度，校正后都没有统计显著的保护作用。事后 52% 的人认为结论更像自己的，35% 说主要或完全是自己做的；77% 的解释里用了 Agent 的论据，只有 15% 提到用过 AI。用 AI 确实更快、严重错误更少，但作者警告：如果大量团队用同一个模型，可能造出研究上的虚假共识。
10. IDC：上半年中国大模型 MaaS 市场，阿里云拿下 46.6%
IDC 发布《中国 AI 软件市场半年度追踪，26H1》，2026 年上半年中国大语言模型 MaaS 市场份额排名出炉：阿里云以 46.6% 居首，接近半壁；智谱 10.6% 位列第二，火山引擎 10.2% 第三。三家合计超过 67%，剩下三分之一由其余厂商分食。这个结构说明企业采购正在向少数具备模型、云与工程能力的平台集中，而不是散落在大量中小模型厂商手里。
相关文章
