Noam Brown@polynoamial精选AI 评分8282

OpenAI 发布 GPT-6 Sol 和 GPT-6 Luna，性能优于 GPT-5.6 且 API 价格低 50%。Luna 现为 $0.10 输入 / $0.50 输出每 1M tokens，这是继 7 月底 Luna 降价 80% 之后的又一次下调，两个月内输出价格从 $6 降至 $0.50。

Nathan Lambert 对谈 Epoch AI 的 JS Denain：RSI、中美差距与蒸馏

Interconnects 播客中，Nathan Lambert 与 Epoch AI Insights 负责人 Jean-Stanislas Denain 讨论多项议题。

TypeSafe AI 发布决策模型 Jev：文本输入返回置信分数

TypeSafe AI 上周发布 Jev，称其为 System One 或决策模型：接受文本输入，输出对应类别、是非判断和评分的浮点数及置信分数。其首个模型按输入 token 计费，每百万 token $0.042，输出免费，比 GPT-5 Nano（$0.05/百万）更便宜；问题并行评估，但对数字、日期和对抗性内容表现不佳。

Jeff Dean@JeffDeanAI 评分3939

感谢精彩的讨论，@dawnsongtweets！

Michael Truell@mntruellAI 评分5454

Grok 4.7 发布，官方称比 Grok 4.6 更聪明更强，且价格与速度不变，输入 $2 / 输出 $6 每百万 token。对比图中 Grok 4.7 xHigh 在多项基准上高于 Grok 4.6 High，如 CursorBench 4.0 46.3% 对 40.4%、EEBench 64.0% 对 53.0%、Harvey Legal Agent 19.6% 对 15.8%。

Andrew Milich@milichabAI 评分5555

Grok 4.7 发布，官方称在同等价格和速度下较 Grok 4.6 有明显提升。作者推荐在 Grok Build 和 Cursor 中以高 TPS 尝试，称其在编码、工程工作和 3D 方面表现出色。附表显示 Grok 4.7 xHigh 输入 $2/百万 token、输出 $6/百万 token，与 Grok 4.6 相同；Cursor Bench 4.0 得分 46.3%（4.6 为 40.4%），EEBench 64.0%（53.0%），Harvey Legal Agent 19.6%。

Anthropic 发布 Claude Opus 5.5，成本较 Opus 5 降低 40%

Anthropic 发布 Claude Opus 5.5，为 Claude 5.5 家族首款模型，官方称其表现与 Claude Fable 5.1 相当，运行成本较 Opus 5 降低 40%，输入和输出 token 价格为 $4 和 $20 每百万，缓存读取 $0.20 每百万（降低 60%），输出速度快 30% 以上。

TypeSafe 决策模型 Jev 1.13 上线 OpenRouter，面向开发者解析用法

TypeSafe 于 2026 年 9 月 15 日发布早期访问版决策模型 Jev（当前版本 1.13），现已可通过 OpenRouter 调用。Jev 是非生成式决策模型，只接受文本输入，返回 Choice、Score、Noul 三种类型化答案并附带校准概率，无自由文本输出。

Sayash Kapoor 与 Arvind Narayanan 分析 AI 会不会让论文更快却让科学进步更慢

Sayash Kapoor 和 Arvind Narayanan 在 2025 年发表的文章提出生产—进步悖论：全球论文数量约每 12 年翻一番，1900 至 2015 年间增长约 500 倍，但诺奖成果诞生于获奖前 20 年内的比例从 1970 年约 90% 降至 2015 年约 50%，科学进步相对投入明显放缓。

Jev 发布两天内出现 6 个开源克隆，判别式决策模型成为热点

Latent Space AINews 汇总 9/17-9/18 AI 动态：Jev 决策模型发布视频两天获 36M views，因未开源引发多个克隆，包括 Bespoke Nimble（Qwen3.5-9B 的 LoRA 微调。

Epoch AI@EpochAIResearchAI 评分4848

FrontierMath: Open Problems 中的又一道题被解出来了！该解答由 Becker、Greger 和 @DominikPeters 在与 GPT-6 Astra 的交互会话中得出。Peters 最初为这个基准提出了该问题。他是这么说的。

Noam Brown@polynoamialAI 评分5151

OpenAI 的 Noam Brown 在 Dwarkesh 播客中深谈多智能体、Navier-Stokes 与当前数学进展对自动化 AI 研究和递归自我改进的启示。讨论还涵盖如何在启动 RSI 前判断模型是否真正对齐，以及思维链退化、内外部模型差距等话题，并感谢 OpenAI 团队在多智能体方面的工作。

Dwarkesh 对谈 OpenAI Noam Brown：Agent 集群、对齐与递归自我改进

Dwarkesh Patel 与 OpenAI 研究员 Noam Brown 对谈，涉及用 1 万个 AI Agent、1300 亿 token、88 小时求解 Navier-Stokes 千禧年大奖问题的工作。

Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型绕过推理瓶颈

Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现单次非自回归的查询扇出，无需推理时的 CoT 思考 token。该方法基于 Gemma3-4B 和 Qwen3-4B 微调，旨在解决零样本 LLM 在数据库感知查询分解中的复述坍缩与自回归延迟瓶颈。

SGLang 用 NVFP4 KV Cache 加速长上下文与智能体推理

NVIDIA 与 SGLang 合作实现 NVFP4 KV cache，在 Blackwell 上以 4 比特存储 K/V，配合 FP8 分块缩放与 FP32 张量级缩放两级量化，打包数据加块缩放仅占 FP8 约 56% 存储。

Eric@ericmitchellaiAI 评分1414

先思考再开口，其中的优势真是难以想象，哇

inclusionAI 发布 Llama-3.2-1B-Instruct-singprobe 流式安全探针

inclusionAI 推出 SingProbe，一个基于 meta-llama/Llama-3.2-1B-Instruct 的流式安全探针，复用基座模型隐藏状态，在每个 token 上对查询意图、回复不安全和幻觉风险打分，仅增加不到 0.5% 解码开销。

inclusionAI 发布 gemma-4-26B-A4B-it-singprobe：基于 Gemma 的流式安全探针

inclusionAI 发布 SingProbe，一个基于 google/gemma-4-26B-A4B-it 的流式安全探针，复用基座模型隐藏状态逐 token 打分，仅增加不到 0.5% 解码开销。

inclusionAI 发布 Qwen3.5-0.8B-singprobe：基于隐藏状态的流式安全探针

inclusionAI 发布 Qwen3.5-0.8B-singprobe，一个基于 Qwen/Qwen3.5-0.8B 隐藏状态的流式安全探针，可在生成过程中逐 token 输出查询意图、回复不安全和幻觉风险评分，解码开销低于 0.5%。

inclusionAI 发布 Qwen3.5-397B-A17B-singprobe 流式安全探针

inclusionAI 发布基于 Qwen/Qwen3.5-397B-A17B 的流式安全探针 SingProbe，复用基座模型隐藏状态，在每个 token 上对查询意图、回复不安全和幻觉风险打分，解码开销低于 0.5%。

inclusionAI 发布 SingProbe：基于 gemma-4-E4B-it 的流式安全探针

inclusionAI 推出 SingProbe，一个基于 google/gemma-4-E4B-it 的流式安全探针，复用基座模型隐藏状态，在生成每个 token 时对查询意图、回复安全性和幻觉风险打分，解码开销低于 0.5%。

inclusionAI 发布 SingProbe：基于 Qwen3-4B-Instruct-2507 的流式安全探针

inclusionAI 发布 SingProbe，一个构建在 Qwen/Qwen3-4B-Instruct-2507 上的内置流式护栏，复用基座模型隐藏状态，在每个 token 上对查询意图、回复不安全和幻觉风险打分，解码开销低于 0.5%。

inclusionAI 发布 GLM-5.3-singprobe 流式安全探针

inclusionAI 发布基于 GLM-5.3 的流式安全探针 GLM-5.3-singprobe，复用基座模型隐藏状态逐 token 打分，解码开销低于 0.5%。

inclusionAI 发布 Hy3-singprobe：基于腾讯 Hy3 的流式安全探针

inclusionAI 发布 Hy3-singprobe，一个构建在 tencent/Hy3 上的流式安全探针，复用基座模型隐藏状态逐 token 打分，解码开销低于 0.5%。

inclusionAI 发布 Qwen3-8B-singprobe：基于 Qwen3-8B 的流式安全探针

inclusionAI 发布 Qwen3-8B-singprobe，这是构建在 Qwen/Qwen3-8B 上的内在流式护栏，复用基座模型隐藏状态，在每个 token 上对查询意图、回复不安全和幻觉风险打分，解码开销低于 0.5%。

Dwarkesh 对谈 John Schulman、Beren Millidge 与 Charlie O'Neill：递归自我改进还有多远

Dwarkesh Patel 与 Zyphra CTO Beren Millidge、Thinking Machines 首席科学家 John Schulman、Baseten 模型训练负责人 Charlie O'Neill 长篇对谈，逐段讨论递归自我改进（RSI）最可能失败的技术原因、中国实验室的追赶路径、自动化 AI 研究者的训练方式以及长时程 RL 能否带来 AGI。

SiliconFlow@SiliconFlowAI精选AI 评分6767

DeepSeek-V4.1-Flash 在 SiliconFlow 实现 Day 0 上线。该模型为 552B MoE，prefill 约激活 8B、decode 约激活 16B，支持原生视觉和 1M 上下文窗口，KV cache 占用相比 V4 Flash 缩小约 4 倍，采用 MIT 协议开源。

OpenRouter 发布 Fusion：多模型并行研讨生成单一答案

OpenRouter 发布 Fusion 复合推理系统，调用模型可将提示词并行发给 1 至 8 个专家模型，由 judge 对比共识与分歧后生成结构化分析，再写出最终答案。

OpenAI 发布 GPT-6 Astra：面向商务场景的新一代模型

OpenAI 发布 GPT-6 Astra，称其为面向商务的最强模型，具备高级推理、电脑使用能力，以及更强的写作和设计判断。

Eric@ericmitchellai精选AI 评分7070

OpenAI 宣布给出纳维-斯托克斯千禧年大奖难题的一个解，证明由一组智能体使用比 GPT-6 Astra 能力更强的 OpenAI 下一代模型产出。该问题关注纳维-斯托克斯方程描述的光滑三维流体运动是否会崩溃，约 90 年来未获解决。转发作者以在 OpenAI 工作的口吻感叹又是一个疯狂的日子。

Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber 两款模型

Google DeepMind 发布 Gemini 3.8 Flash 和 Gemini 3.8 Flash Cyber。

Google AI Developers@googleaidevsAI 评分5353

Google 发布 Gemini 3.8 Flash，主打复杂推理能力。官方在 Google AI Studio 中用 3.8 Flash 和 Three.js 构建了一个交互式 3D 可视化工具，可自动将硬件设备分层拆解，用户能通过滑块展开并逐层查看符合物理比例的设备拆解结构。

Allen AI 发布 BenchMIRT：在题目层面审计 LLM 基准实际测量的能力

Allen AI 发布 BenchMIRT，一种基于多维 IRT 的方法，用于在单个题目层面审计 LLM 基准实际测量的能力。方法基于 100 个 LLM 在 16 个基准、超 34K 题目上的结果训练，未事先告知标签即独立恢复出安全与通用推理两个维度；分析发现 BBQ 和 WMDP 与通用推理的关联强于安全，HarmBench 的版权题也更接近推理。

Z.ai@Zai_org精选AI 评分7272

智谱（Z.ai）发布 GLM-5.3-Flash，称具备有竞争力的价格与原生多模态能力，上下文窗口为 1M token，为 320B-A18B 模型并以 MIT License 开源权重。该模型此前曾以 Ox Alpha 名义预览，完全运行于中国 AI 芯片；现已在官方平台提供权重、API、Coding Plan、ZCode、Chat 和 AutoClaw 入口。

IBM 发布 Granite 4.2 推理模型家族并详解构建过程

IBM 发布 Granite 4.2 密集 decoder-only 推理模型家族，含 3B、8B、30B 三个规格，基于 Granite-4.1 基座（约 15T tokens 预训练，上下文窗口扩至 512K），经 SFT 与多阶段 GRPO 强化学习训练，全部以 Apache 2.0 许可开源。

Liquid AI 发布 LFM2.5-DSpark 草稿模型，推理吞吐最高提升 3.2x

Liquid AI 为 LFM2.5-1.2B-Instruct、LFM2.5-2.6B 和 LFM2.5-8B-A1B 三个模型发布 DSpark 草稿模型 checkpoint，通过投机解码在不改变输出质量的前提下加速推理，GPU 吞吐最高提升 3.18x，端侧最高 2.87x。

Ling-3.0-flash 在 Blackwell 上的 batch-1 投机解码优化：单请求吞吐 2.1 倍提升

RadixArk SGLang 团队与蚂蚁 Ling 基础设施团队将 Ling-3.0-flash 在 4 张 Blackwell GPU 上的单请求解码从 288 tok/s 提升到 606 tok/s，mean TPOT 从 3.33 ms 降到 1.53 ms。

jietang@jietangAI 评分5757

智谱唐杰发文讨论 Scaling Law，认为参数量需结合数据量、算力去向和部署条件才有意义，并梳理从 Kaplan 的 2.7:1 到 Chinchilla 的 20 tokens/参数、再到 Llama-2-7B 的 290 与 Gemma-2-9B 的 889 tokens/参数过训练的演变。

大语言模型具备心智理论（theory of mind）这一事实本身就意义重大（这一发现当时也颇具争议），但当模型需要考虑多个受众时，其局限性依然可见——例如在编程时，它们难以区分最终用户与创作者的需求和视角。

Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义

DiG-bench（Discovery in Games）发布，这是一个包含 70 款隐藏规则游戏的基准，用于测试 AI 通过探索自主发现环境规则的能力，目前公开 21 款。