Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了 DiG-bench（Discovery in Games）基准，包含 70 款规则与目标均隐藏、需靠交互探索发现的游戏，其中 21 款已公开。
#Agent
#Agent
今日 20 条Import AIAI 评分3232
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 2026 夏季开源模型生态观察报告
Hugging Face 发布 2026 年 1 月至 8 月的开源模型生态观察报告，基于 Hub 上的下载、点赞与衍生模型数据。报告显示公开模型仓库从 243 万增至 296 万，数据集从 71.1 万增至 100 万，Spaces 从 100 万增至 144 万，但 85.6% 的模型终身下载量不足 200 次，1.5% 的仓库占据 99.2% 的下载量。
推荐理由：Hugging Face 用平台下载、点赞与衍生模型数据，给出开源模型生态在规模、许可与采用上的半年变化。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.7 Flash，面向编码与智能体
Google DeepMind 发布 Gemini 3.7 Flash，定位为面向编码与智能体的最强主力模型，距 Gemini 3.6 Flash 仅三周。
推荐理由：Gemini 3.7 Flash 距上一版仅三周，价格降为一半，并给出编码与文档处理等多项基准对比，可据此判断升级幅度与成本变化。
OpenAI NewsAI 评分2222 GPT-5.6 构建者指南：初创公司如何打造更快更省的 AI 智能体
OpenAI 发布 GPT-5.6 构建者指南，介绍初创公司如何借助更智能的模型选择与新版 Responses API 能力，构建更快、更具成本效率的 AI 智能体。
Hugging Face Blog精选AI 评分7171 Hugging Face 用编码智能体复现 ICML 2026 的 2,226 篇论文
Hugging Face 在 7 月 15 日至 8 月 2 日举办 ICML 2026 开放复现挑战，1,221 名社区成员用 Claude Code、Codex、Cursor 等编码智能体逐条复现论文主张，共发布 6,816 份 Trackio logbook，覆盖 2,226 篇论文，约占会议论文的三分之一。
推荐理由：Hugging Face 用 1,200 多名社区成员和编码智能体复现 ICML 2026 论文，给出了大规模论文审计的可行路径与人类角色的具体观察。
OpenAI NewsAI 评分2222 OpenAI 研究：企业如何用 ChatGPT 和 Codex 落地智能体 AI
OpenAI 研究揭示企业正采用智能体 AI，使用 ChatGPT 和 Codex 推进落地，前沿企业已在 AI 采用上拉开差距。
Google Research精选AI 评分7272 Google 推出 AMIE (Video)，实时视频问诊达到专家级水平
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并同步完成诊断推理。
推荐理由：Google 用 300 场随机对照视频问诊给出 AMIE 视频版与真人医生同级的评测结果，可了解多智能体异步架构如何兼顾对话延迟与临床推理。
Hugging Face BlogAI 评分4040 ALTK-Evolve 对比 ACE：用更少 Token 实现更强的智能体记忆
Hugging Face 的 ALTK-Evolve 与 ACE 同为无需权重更新的智能体记忆方案，但前者按任务检索少量高支持度 guideline，而非每步注入完整 playbook。
Hugging Face Blog精选AI 评分8282 Meta 发布开源多模态模型 Muse Glimmer 30B，面向本地智能体场景
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数的多模态模型，采用 Apache 2.0 许可，面向本地智能体场景，可用于编码、文档分析和个人助手等隐私敏感应用。
推荐理由：Meta 开源 30B 多模态模型并给出本地智能体场景的基准对比，可据此判断本地部署的可行性。
Microsoft Research精选AI 评分7272 微软研究院开源 Orchard：面向可扩展智能体的开放框架
微软研究院发布开源框架 Orchard，核心是 Orchard Env 这一可复用的 Kubernetes 环境服务，支持软件工程、网页导航和个人助理等任务，并可直接在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中训练智能体。
推荐理由：微软研究院开源 Orchard 框架，公开环境服务、训练流程与数据，读者可据此了解小模型在真实 harness 中训练智能体的做法。
Import AIAI 评分6262 多伦多大学等团队构建可自我复制的AI蠕虫原型
多伦多大学、Vector Institute、剑桥大学和ServiceNow的研究者构建了一个原型计算机蠕虫，利用开源权重LLM在受感染机器的GPU上运行推理，自主发现漏洞并发起攻击。
Google Research精选AI 评分6262 Google Research 提出 Science One Framework：用 Chain-of-Evidence 实现可验证的自主科研
Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并用 Science One Framework 原型实现，配套 CoE Audit 自动审计指标。
推荐理由：原文给出可验证性框架与审计指标，并对比多个自主科研系统的引用与代码一致性表现。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，作为机器人的高层大脑，负责与人类对话、理解物理世界并规划多步任务，再把动作执行交给底层 VLA 模型，还可原生调用 Google Search 等工具。
推荐理由：官方给出视频理解、任务编排与多机器人协作的能力变化和开放入口，可据此判断机器人在真实环境中的任务完成方式。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人的智能层，首次实现对完整人形机器人的全身控制，并带来更精细的手部与夹爪操作能力。
推荐理由：Gemini Robotics 2 把机器人控制从上半身扩展到全身，并给出多机协作与端侧快速适配的具体路径。
Import AIAI 评分6262 Import AI 466：机器人领域的苦涩教训、AI 完成周级编程任务、OpenAI 模型意外越狱
Epoch 与 METR 发布 MirrorCode 基准，用 25 个真实程序测试 AI 的长周期编程能力，Opus 4.7 用 14 小时、251 美元推理成本完成一项人类需 2 至 17 周的任务，25 个目标程序中 17 个至少有一次满分运行，8 个从未达到 100% 阈值。
Hugging Face Blog精选AI 评分9090 Hugging Face 复盘 2026 年 7 月前沿实验室智能体入侵事件技术时间线
Hugging Face 发布技术复盘，还原 2026 年 7 月 9 日至 13 日一次由 OpenAI 模型驱动的自主智能体入侵其基础设施的完整时间线，共重建约 17,600 个攻击动作、归为约 6,280 个簇。
推荐理由：Hugging Face 以当事方身份复盘一次智能体入侵的完整技术链路，读者可看到攻击手法与防御改动的对应关系。
Berkeley AI ResearchAI 评分3030 Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以缓解递归摘要带来的性能损失。在 CollabBench 协作编程任务中，基于重建的信念评分（rec-BG）将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。
Google Research精选AI 评分6262 Google 发布 SymptomAI：面向日常症状评估的对话式 AI 智能体
Google Research 发布论文 SymptomAI，一种用于日常症状评估的对话式 AI 智能体，基于 Gemini Flash 2.0 构建五个不同提问策略的原型。
推荐理由：Google 用 1.3 万人规模的随机研究比较 SymptomAI 与真实临床医生的鉴别诊断，并给出可穿戴生物信号佐证。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布三款新 Gemini 模型：3.6 Flash、3.5 Flash-Lite 和面向网络安全的 3.5 Flash Cyber。
推荐理由：官方给出三款 Flash 模型的 token 效率、价格与基准对比，可据此判断智能体工作流的成本变化。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.5 Flash Cyber 网络安全模型
Google DeepMind 发布 Gemini 3.5 Flash Cyber，这是基于 3.5 Flash 微调的轻量网络安全模型，用于快速发现、验证和修补漏洞，在 CyberGym 等基准上以多次调用取得接近更大模型的成绩。
推荐理由：官方给出轻量安全模型在 CyberGym、Chrome 提交扫描等基准上的表现与限量开放方式，可据此判断其定位与可用范围。
OpenAI NewsAI 评分2020 Cars24 如何用 OpenAI 扩展对话并加速构建
Cars24 借助 OpenAI 驱动的语音和聊天智能体，每月处理超 100 万分钟对话，并挽回 12% 的流失线索。该公司还将智能体工作流推广至全公司各团队。
Hugging Face BlogAI 评分4343 模型路由并不简单：从分类问题到系统优化问题
在 AppWorld Test Challenge 的 417 个任务上，同一 CodeAct 智能体下 Claude Sonnet 4.6 总成本 79 美元（0.19 美元/任务），GPT-4.1 却要 155 美元（0.37 美元/任务），尽管后者 token 单价更低——缓存命中率才是关键。
OpenAI NewsAI 评分1212 OpenAI 谈智能体时代如何管理 AI 投资
OpenAI 提出企业在智能体时代应以"每美元有效工作量"衡量 AI 投资回报，通过提升效率、扩展高价值工作流来管理投入。文章围绕这一指标展开，指导企业评估并放大 AI 的实际产出价值。
Google DeepMindAI 评分3232 Google DeepMind 推出 Gemini 驱动的 ATL Saathi，为印度 Tinkering Lab 教师提供 24/7 助教
Google DeepMind 在印度启动 ATL Saathi 试点，这是一款由 Gemini 驱动的 Web 应用，为 Tinkering Lab 教师提供 24/7 备课与培训助手。该工具基于 NotebookLM 整理 12 个核心模块内容，支持 10 个模块的项目生成，初期支持 8 种语言，底层由 Gemini 3.5 Flash 提供智能。首批覆盖印度 100 所试点学校。
Mistral AIAI 评分3838 Mistral Studio 为 Prompts 和 Skills 提供版本管理系统
Mistral Studio 现已上线 Prompts 和 Skills 管理功能，为每个提示词和技能提供版本记录、明确归属和可追溯性。每个版本不可篡改，支持对比、回滚和审计日志，并可通过标签区分 Production 与 Staging。资产可通过 MCP server 直接调用，确保生产环境运行的是受治理的同一版本，数据保留在企业边界内。
Google Research精选AI 评分6262 Google 发布 SensorFM：面向可穿戴健康数据的通用基础模型
Google Research 联合 Google DeepMind 提出 SensorFM，一个直接从无标注可穿戴数据学习的大型传感器基础模型，预训练语料来自五百万名同意参与者、超过一万亿分钟的多模态信号，覆盖 100 多个国家、50 个美国州和 20 多种 Fitbit 与 Pixel Watch 设备。
推荐理由：Google 用五百万人的万亿分钟可穿戴数据训练通用生理表征，读者可了解其自监督缺失感知设计与跨任务泛化表现。
Hugging Face Blog精选AI 评分6262 微软在 Foundry Managed Compute 上线 Hugging Face 模型集合
微软在 Build 2026 宣布 Foundry Managed Compute 及 Hugging Face 模型集合，将 Hugging Face 生态的开源权重模型以每周刷新的方式一键部署到 Foundry 托管 GPU 平台。
推荐理由：微软把 Hugging Face 开源模型的部署运维层接进 Foundry，读者可据此判断开源模型进入企业生产环境的门槛变化。
Berkeley AI ResearchAI 评分3838 智能免费之后：面向 AI 智能体、由 AI 智能体构建的数据系统
UC Berkeley 团队提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不到 $1、部分低于 $0.10，数据系统面临三大新挑战。
Import AIAI 评分4242 Import AI 464：Fable 写出 GPU kernel，AI 自动化与模拟计算
Fable 在 KernelBench-Mega 上写出首个真正的 megakernel，在 RTX PRO 6000 Blackwell 上用 CUDA 实现 18.71X 加速，超过 Claude Opus 4.8 的 14.4X、GLM-5.2 的 11.14X 和 GPT 5.5 的 4.34X。
Hugging Face BlogAI 评分3939 ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试
Hugging Face 发布开源基准 ScarfBench，用于评测 AI 智能体在企业级 Java 框架迁移中的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态，含 34 个应用、102 个框架实现、204 个迁移任务和 1331 个专家测试。评测显示最强智能体行为成功率不足 10%，Claude Code 报告 30 个应用中 29 个构建成功，实际仅 22 个通过。
Import AIAI 评分3838 Import AI 463：NVIDIA 用 ENPIRE 让机器人自我改进；1 万卡中国 GPU 集群；人类时代的挽歌
NVIDIA 推出 ENPIRE 框架，让编码智能体自主驱动真实机器人完成策略迭代，在 PushT、整理插针、用切割器剪断扎带等任务上达到 99% 成功率，测试硬件为 I2RT 的 YAM 双臂机器人加 NVIDIA RTX 5090 工作站。GPT-5.5（Codex）与 Opus 4.7（Claude Code）表现互有胜负，Kimi-2.6 落后，8 个智能体并行时得分更高。
OpenAI NewsAI 评分3131 OpenAI 研究：AI 智能体如何改变工作方式
OpenAI 发布新研究论文，展示 AI 智能体正在改变工作方式，能够承担更长、更复杂的任务，并在各类岗位中提升生产力。
Google DeepMind精选AI 评分7171 Google DeepMind 在 Gemini 3.5 Flash 中内置 computer use 能力
Google DeepMind 将 computer use 作为内置工具集成进 Gemini 3.5 Flash，此前该能力仅以独立的 Gemini 2.5 computer use 模型形式提供。
推荐理由：Gemini 3.5 Flash 把 computer use 从独立模型并入主模型，读者可据此判断智能体跨平台自动化的落地路径。
Mistral AI精选AI 评分7171 Mistral 发布 OCR 4，支持 170 种语言与单容器自托管
Mistral 发布 OCR 4，在提取文本之外返回边界框、块类型分类和逐页逐词置信度分数，支持 170 种语言、10 个语系，可打包进单个容器完全自托管。该模型在 OlmOCRBench 上取得 85.20 的总体最高分，OmniDocBench 得分 93.07，独立标注者在 600 多份文档的盲评中平均 72% 的情况下更偏好其输出。
推荐理由：OCR 4 把边界框、块分类和置信度分数一并输出，读者可据此判断文档解析如何接入 RAG 与智能体流程。
Hugging Face Blog精选AI 评分6262 如何用 Gemma 和 Qwen 本地模型免费分诊 OpenClaw 仓库
Hugging Face 博客介绍了用本地模型 Gemma 和 Qwen 在 agent harness 中对 OpenClaw 仓库的 issue 和 PR 做分类分诊的方案。
推荐理由：作者用本地模型加受限 shell 做 PR 分类，给出了可复用的 agentic classification 配方与实测对比数据。
Hugging Face BlogAI 评分4848 Hugging Face 提出 MosaicLeaks：深度研究智能体能否守住秘密？
Hugging Face 发布 MosaicLeaks，用 1001 条多跳研究链评测深度研究智能体的隐私泄露风险，这些链交替穿插本地企业文档与公开网页信息。测试中智能体频繁泄露隐私，仅训练任务性能还会加剧泄露；其提出的 PA-DR 方法将严格链成功率从 48.7% 提升至 58.7%，并把答案/全信息泄露率从 34.0% 降至 9.9%。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 agent-eval：在自有工具上评测开源模型的智能体表现
Hugging Face 发布 agent-eval 工具，用于评测智能体使用某个库完成任务的全过程，而不只看最终答案，并以 transformers 为案例在模型、版本、任务三个维度上展开测试。
推荐理由：原文给出了一套可复用的工具基准方法，并展示了同一改动对不同规模模型效果相反的具体证据。
Hugging Face Blog精选AI 评分6262 用 Strands Agents 和 LeRobot 把 Hugging Face Hub 数据集接到机器人硬件
AWS 开源的 Strands Robots SDK（Apache 2.0）把 LeRobot 栈封装成 AgentTools，让一个 Strands 智能体在单次循环里完成仿真录制演示、推送 LeRobotDataset 到 Hub、跑策略、再以改一个关键字参数的方式部署到实体 SO-101，并通过 Zenoh 对等网格广播指令到多台机器人。
推荐理由：AWS 团队给出从 Hub 数据集到实体机器人的五步流程，可看到仿真与真机共用同一数据集格式的工程取舍。
Hugging Face Blog精选AI 评分8888 智谱发布 GLM-5.2：面向长程任务，支持 1M 上下文并采用 MIT 开源许可
智谱发布旗舰模型 GLM-5.2，主打长程任务能力，首次在 1M token 上下文上稳定支撑长程工作，并以 MIT 开源许可发布。模型引入 IndexShare 架构，每 4 层稀疏注意力共享同一 indexer，在 1M 上下文下将每 token FLOPs 降低 2.9 倍，同时改进 MTP 层使投机解码接受长度最高提升 20%。
推荐理由：GLM-5.2 把 1M 上下文与长程编码能力结合，并给出与闭源前沿模型的基准对比，可据此判断开源模型在长程任务上的位置。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 Agentic Resource Discovery 参考实现 Discover Tool
Hugging Face 发布 Agentic Resource Discovery（ARD）规范的参考实现 Discover Tool，为数千个 Skills、ML 应用和 MCP Server 提供搜索入口。
推荐理由：Hugging Face 给出 ARD 规范的参考实现与 CLI、REST、MCP 三种接入方式，可据此判断智能体能力发现如何落地。