Torvalds 在内核维护者峰会称不愿离开 LLM 工作流
Linus Torvalds 在 2026 年内核维护者峰会表示,经过数月调教 LLM 后已不愿离开该工具工作流,但他强调问题核心在于开发者未掌握工具而非工具本身。峰会决议取消内核补丁的 Assisted-by 标签要求,认为该机制已失效且容易引发隐瞒,转向允许在 cover letter 中说明 LLM 使用情况。
Linus Torvalds 在 2026 年内核维护者峰会表示,经过数月调教 LLM 后已不愿离开该工具工作流,但他强调问题核心在于开发者未掌握工具而非工具本身。峰会决议取消内核补丁的 Assisted-by 标签要求,认为该机制已失效且容易引发隐瞒,转向允许在 cover letter 中说明 LLM 使用情况。
美国初创公司 Artemis Security 发布了专为调查和应对企业网络攻击而设计的大模型 Orion-1。
中国在AI算力上落后,H100等效芯片仅280万张,约为美国的1/5,且50%依赖走私。 美国2026年AI支出达7640亿美元,远超中国的1020亿美元,且电网扩展速度更快。
IDC 数据显示,2026 年上半年中国数据中心 AI 加速器出货量 200.8 万颗,非 GPU 加速器 101.6 万颗,首次超过 GPU;英伟达出货 67.8 万颗、份额 34%,华为 57.2 万颗、份额 28%,阿里平头哥 7%、百度昆仑芯 4%。
研究者称OpenAI和谷歌正推出的新AI模型可被轻松诱导生成裸露内容,现有安全防护措施存在缺陷。
开源 Agentic UI SDK OwlLayer 将 Web 按钮、链接和表单转化为 AI Agent 可调用的工具,Agent 运行在应用内部,用户可通过文本或语音交互,无需客户端安装。
流传的Yandex袭击导致俄罗斯机器人流量减少的说法依赖AI生成的图表。尽管泽连斯基表示无人机袭击让社交平台变得更平静,但机器人追踪者称水军活动保持稳定,且MAGA和AfD账号的互动量在袭击后有所上升。此次袭击影响了Yandex的网络爬虫而非其政治传播功能,声称机器人活动减少的图表疑似由AI生成。
随着军方将 AI 视为关键基础设施,轨道数据中心可能成为太空冲突中的军事目标。 Google 等公司正在测试将 AI 芯片置于轨道的项目,如 Project Suncatcher,以利用无限太阳能。 此举增加了太空发生灾难性冲突的风险。
Google在Gemini 4 Argon更新中将Antigravity开发平台直接集成到macOS版Gemini应用,用户在界面右上角可直接调用其完整功能以创建应用和Web体验。同时应用更新了“Chat”与“Task”切换器、导航栏和@提及Skills的交互方式,但完整使用Gemini 4 Argon需AI Pro及以上订阅,Antigravity则需AI Ultra。
英国非营利组织 Tech Against Terrorism 发布的最新反恐 AI 基准报告指出,开源权重模型的护栏可在 3 天内被移除并广泛传播。报告测试了包括 OpenAI、xAI、Anthropic、Meta、Google 和阿里巴巴等公司的 134 个模型,发现大多数模型在应对恐怖主义相关提示时表现不佳,其中仅 2 个模型完全通过测试。
推荐理由:报告量化了去护栏模型的危险程度与传播速度,并对比了主流模型在极端提问下的失败率,为安全评估提供了具体基准。
谷歌发布通用物理推理模型 Gemini 4 Argon,主打物理直觉与视觉空间推理,可生成代码和仿真场景,在文本、逻辑能力上对标 GPT-6 Astra 和 Claude Opus 5.5。实测显示 Argon 具备较强的 3D 生成和物理投掷推理能力,但在真实工程代码表现和 UI 交互上仍有短板,且仅限 Ultra 用户完整使用。
推荐理由:实测展示了Gemini 4 Argon在物理推理、3D生成上的突破,以及在真实代码与UI体验上暴露的短板。
XBOW 安全研究团队借助 OpenAI GPT-5.6 Sol 等模型,用 6 天时间构建了 Chrome 浏览器全链路漏洞利用程序并获取系统完全访问权限,预计影响约 10 亿用户。团队投入约 4 万美元算力成本,谷歌随后修复漏洞并支付 25 万美元赏金。
谷歌宣布其旗舰模型Gemini 4 Argon全球开放,开发者可通过API使用该模型。限时五折促销中,输入token价格为每百万2美元,输出token价格为每百万10美元,优惠持续至11月30日。谷歌展示了Argon在硬件设计、游戏开发等场景中的应用,例如利用MCP调用Blender制作动画,以及处理火星气象数据。
本文提出一种操作系统集成 AI 的功能边界审计方法,结合六种隐私失败面分类法和五维控制评估标准。 该方法已应用于 Apple Foundation Models、Android AICore/Gemini Nano 及 Microsoft Recall 等系统,并识别出通知、保留状态及问责制方面的模糊性。
研究显示 Google AI Overviews 使 Reddit SFW 社区日评论量及活跃用户数分别提升 12.0% 和 12.4%。 这种增长主要集中于基于经验的讨论类型,而非事实性信息。 后续推出的 Google AI Mode 大幅削弱了 AI Overviews 带来的互动增益效果。
智能体 ATTUNE 在 Llama-3.1-405B 和 GLM-4.5 上分别将吞吐量提高 6.7% 和 33.9%。 其调优在相同预算下优于 OptiCo 和贝叶斯优化,并在 1 天内收回 GPU 成本。 团队开源了 ATTUNE 代码及 TrainingThroughputBench 基准。
在护肤品这一难以事前判断质量的品类中,知名品在规格相同时可占据 100% 的 LLM 推荐份额,但竞对仅需 +0.1 星优势即可打破该垄断。 营销话术及伪造临床证据可将偏见盈余推高 +0.17 星;多品牌均优化时,单家收益从 +0.802 跌至 +0.007,不参与品牌零推荐。 提示需将生成式引擎优化(GEO)视为新兴营销实践来研究。
研究团队提出 SPINE 基准,通过 LLM 代理扮演持续反驳用户,对 4 个商业模型和 3 个 Olmo3-7b 模型进行 25 轮内的适应性压力测试,评估 LLM 的奉承行为。
Soohak 发布,一个由 64 位数学家从零撰写的 439 题基准,旨在评估前沿大模型的研究级数学能力。 该基准包含 Challenge 和 Refusal 两个子集。
AfriEconQA 基于 204 份世界银行非洲经济报告构建,包含 4,138 个带证据关联的 QA 实例,覆盖 5 类推理任务,重点测试长文档中的定量提取与时间精度。 评估涵盖 Qwen 3.6 35B、DeepSeek v4-pro 等 4 个模型,在检索增强生成(RAG)条件下最佳系统 F1 分数仅 0.594,错误主要集中于列表提取、合成及跨期比较。
研究表明人类与 GPT-4 等大语言模型在字面理解上高度对齐,但在习语和 Z 世代俚语等深层表征上存在显著差异。研究对比了 4 个模型对 240 个句子在 6 种语言特征上的评分,发现 GPT-4 与人类对齐度最高。 使用 Gemma 系列模型测试发现,模型规模的增加并未显著改变其表征相似性模式。
研究发现 Web 文本具有高度非平稳性,模型性能随时间连续变化,时间序列预测器比历史性能数据更能准确预测 LLM 未来表现。 基于近期评估数据的预测结果选择部署模型,比直接依赖历史性能指标更可靠,从而提升了下游任务的准确性。 作者主张在 LLM 评估中将时间视为基本变量,并开放了相关代码和数据。
研究人员提出 CoSIR,一种基于惊讶度信息奖励的后训练方法,通过可验证环境提升 LLM 多智能体协作能力。 该方法对 Qwen3-4B、Qwen3-8B 和 Gemma-3-4B-it 进行自博弈后训练,在七个未见自然语言协作任务中取得最高综合得分,且通用任务表现保持竞争力。 行为分析显示模型更频繁披露私有证据,并减少了对队友输入的忽视,验证了该方法在复杂未知任务上的泛化潜力。
RelLedger 提出一种审计框架,用于追踪 LLM 智能体组织中的关系驱动决策。该框架通过交叉比对发送方历史、事件目标及无关行为者,定位控制线索。 在 GPT、Claude 等模型测试中,Claude 在冲突历史下发送通知概率高出 62.22 个百分点;紧张历史使接收方审查率降低 45.83 点。 该研究揭示了模型特异性控制路径,并验证了显性损失规则下关系差距缩小的现象。
针对 158,099 条答案与 468,037 个引用的分析表明,生成式引擎的检索机制比页面属性更能解释引用差异。 引擎搜索检索解释 32% 的引用变异,而页面属性仅占 2.8%。内容主要通过匹配引擎重写的查询语义起作用,而非 FAQ 等结构化元素。 研究在小型 B2B 市场复现了相关发现,并公开了数据与代码。
arXiv 新增342页教材,系统梳理强化学习在游戏领域的最新研究与实现方法,覆盖从经典算法到深度近似的全套技术。 教材采用Python代码示例,结合Gym、TensorFlow等机器学习框架提供练习,旨在帮助读者理解AI如何学习玩游戏。
研究团队推出极简编码 Agent mini-Lean-agent,证明通用 Shell 交互足以胜任 Lean 定理证明任务。 以 Gemini 3.8 Flash 为基座,该 Agent 在 Putnam 2025 基准中解决 7/12 题,成本 $2/题。 作为标准基线,其结果挑战专用工具栈的必要性,推动评估方法向通用 Agent 范式靠拢。
IsoVRBench 发布 8,000 对基于受控干预的视频偏好数据,覆盖八种干预类型,无需人工标注即可评估视频属性区分能力。 基准揭示 SOTA 奖励模型无法预测时序混乱缺陷,在重排帧任务中准确率仅 60.8%(人类 100%),且现有排名未预警此失败。
开源指令微调模型无需额外训练即可通过读取输出 logit 中的字母实现 LLM 决策,性能比肩 Jev。 基于 Gemma 4 31B 与 Qwen3.6-27B 等模型使用 LoRA 微调,在 OpenDecisions 数据集得分 84.4,超过 Jev 4.3 分。 释放了模型、服务代码及包含 2,352 个问题的 OpenDecisions 数据集。
基于 15 槽位信息架构,研究评估 121 份人类与 261 份 LLM 生成的灾害态势报告。Gemini-3.7-flash 在 Cyclone Idai 任务中得分 0.827,略高于人类上限 0.821,但统计上无显著差异。
研究者提出 Symplectic Hamiltonian JEPA (LeHami),通过在结构化潜在空间中应用动作条件哈密顿流,解决了传统 JEPA 长程生成时潜在分布收缩问题。 该方法采用精确辛跃蛙积分步长,严格保持相空间体积,避免了潜在状态合并,并支持未见过步长下的精确积分。 在保守和受控摆环境中,LeHami 显著提升了长程速度预测性能,为潜在世界模型提供了新的推理时几何保证。
Google Earth AI 发布了一款由 Gemini 驱动的地理空间推理Agent(GRA),该系统结合多源地理数据与模块化技能以回答地球相关问题。论文引入了 GeoExpertQueries 和 GeoKTools 两个新基准,并在 Gemini 3.1 Pro 和 3.8 Flash 上对比了不同配置,发现 GRA 的规划与执行引导能在降低推理成本的同时提升对复杂开放式问题的解决能力。
研究提出DuoDiscover搜索系统,解决自主发现中真实评估成本高昂的核心瓶颈。该系统让编码智能体群组协同发现优化目标与快速代理评估器(yardstick),并通过保真度测试防止代理指标漂移。
论文提出 TagBO(Task-aware Graph Bayesian Optimization),将 LLM 衍生的关系先验与描述符结构信息结合,用于混合变量贝叶斯优化。
研究提出 Sparse-TD-JEPA,在 TD-JEPA 基础上增加 l1 稀疏惩罚以优化零样本强化学习。该方法无需修改架构,仅在训练阶段施加约束,使潜在表示更集中。
REPRO 是一个纯黑盒框架,利用 7B 反思模型在单卡消费级 GPU 上通过进化优化发现对抗提示。 其引入语义交叉和贝叶斯策略选择机制,在 11 个模型族的 36 个目标模型上均达到 100% 攻击成功率。
一项新研究在移除消息数限制的 CTI-REALM 基准测试中发现,开源权重模型在将威胁情报转化为检测规则的任务中表现优于部分闭源模型。评估涵盖 26 个模型,结果显示在解除限制后,开源模型的奖励分数最高,且不同模型在任务不同阶段表现各异,建议根据阶段路由而非单一总分选择模型。
Gemini 4 Argon 全球正式发布,在 CursorBench 上取得 52.8% 成绩,与 Opus 5.5 表现持平。AI 工程师纽约站吸引了约 20,000 名开发者,Anthropic、Vals AI 和 Coatue 分享了前沿人工智能在金融领域的应用与基准测试经验。
LeanLLM 是一个 Lean 4 类型化 LLM 客户端库,统一接口支持 Claude、GPT、Gemini 等 10 家模型及 OpenRouter、Bedrock 等 12 种 Provider。
苹果 iPhone 15 Pro/Pro Max、iPhone Air 及 iPhone Duo 等机型在 9 月 29 日完成国行备案换证,新增 Apple 智能、通义万相及通义千问的大模型备案编号。阿里确认千问将作为 AI 能力集成至 Apple 智能,为 iOS 及 macOS 等系统中国用户提供无需切换应用的文本理解与内容生成体验,这意味着国行版 iPhone 的 AI 功能有望加速上线。