探测 AI 定价智能体合谋:同价不同因的可识别性研究
研究通过探针技术区分 AI 定价智能体的指令性合谋与无辜提价,准确率最高达 99.6%。 在 Qwen2.5 和 Llama 模型上,线性探针优于词匹配基线,但在无指令隐性合谋场景中失效。该探针为监控 AI 智能体协调行为提供了可操作的技术方案。
研究通过探针技术区分 AI 定价智能体的指令性合谋与无辜提价,准确率最高达 99.6%。 在 Qwen2.5 和 Llama 模型上,线性探针优于词匹配基线,但在无指令隐性合谋场景中失效。该探针为监控 AI 智能体协调行为提供了可操作的技术方案。
OpenAI 合作伙伴的内容通过专用管道进入 ChatGPT,接收预生成的摘要并在提示词中置于所有网页结果之前。 分析显示该管道涵盖 12 家出版商的 43 个域名,包括 Reuters、AP 等,摘要在排名列表前 3 位占 70% 的条目,而后 4 位仅占 23%。
OpenAI 聘请外部专家作为“shepherd”验证其 AI 在数学、计算机和物理领域产生的证明结果。计算机科学方面,AI 证明了指数时间假设(ETH)为假,若结果成立将动摇基于该假设的大量论文基础;数学方面,AI 在所有维度证明了局部平滑猜想,并间接证明了 Kakeya 猜想和 Stein 限制猜想;物理学方面,AI 证明了四维量子场论的存在性,为粒子物理学提供了数学基础。
国金证券与阿里云合作,利用 Qoder 将 AI 代码生成占比稳定提升至 90% 以上。 双方将 2000 余份知识卡片提炼为 10 条避坑规范,覆盖 5 类研发环节;实测知识导航减少工具调用约三成,显著降低存量系统开发风险。 此举将个人经验转化为组织标准,确立标准与约束为 AI 规模化落地的核心瓶颈,而非工具本身。
Axios 宣布推出 Axios Direct,为 AI 智能体提供结构化数据源而非传统文章,旨在适应新闻消费向 LLM 转移的趋势。 首个面向企业客户的 Pro Deals 订阅源已发布,提供并购内容;第二个训练内部 LLM 的源预计明年上线。 该服务旨在让智能体更高效访问 Axios 内容,类似于 Bloomberg 终端而非文章,且未来将覆盖个人消费者。
OpenAI 工程师 Ted Sanders 指出模型性能多维,大小非唯一变量,GPT-6.1 Terra 在技术沟通上优于 Astra 且价格更低。 新模型通过更好数据或架构可超越旧的大模型,Terra 在图像处理上与 Astra 持平,但其他领域表现落后。 Sanders 建议:只关心质量选 Astra,稍注重价格选 Sol,极度注重价格选 Terra 或 Luna。
数据中心建设引发的反感和成本压力,已成为 2026 年美国中期选举最重要的议题之一,并迫使两党候选人调整立场。在得州、佛州、宾州、俄亥俄、密歇根、威斯康星、内华达、佐治亚、亚利桑那和艾奥瓦等州,民主党与共和党候选人均试图展示对数据中心的“强硬”姿态,但策略各异:有的呼吁实施建设暂停令,有的强调让地方政府把关,有的推动取消税收减免。
Wired 记者 Reece Rogers 用一天时间测试 Meta Muse、OpenAI Dots、Instinct、Anthropic Claude Duet、Google Gemini Spark 和 xAI Grok Bot 六款 AI 智能体,综合评分最高的是 OpenAI Dots。
OpenAI 宣布其内部模型在数学、计算机科学和物理学领域取得三项成果,包括证伪存在近 30 年的指数时间假设(ETH)、证明所有维度下的局部光滑化猜想(从而解决挂谷猜想)以及建立包含量子色动力学的四维量子场论存在性证明。
蚂蚁发布灵光 2.0,该 Personal Agent 可主动识别需求、持续跟进长程任务并在关键节点提醒。实测中,灵光 2.0 能解析宠物医疗险条款,在双11期间计算多商品到手价并监控价格波动,还能根据天气或人员变动动态调整周末旅行行程。产品支持接入支付宝、QQ 邮箱等应用,并能在云端虚拟机中持续运行任务。
404 Media 指出,ChatGPT 频繁建议普通用户联系记者处理常规技术支持问题。 过去两周,多名用户通过 AI 对话找到该媒体,ChatGPT 甚至代写了具体英文邮件。 源于大型科技公司缺乏人工客服渠道,导致 AI 被赋予过高的新闻调查建议权。
Fanatics 推出“Shop the Look”功能,利用 OpenAI Codex 解析商品目录,基于球队归属和风格匹配推荐配套服饰。 该功能旨在解决超 150 万个 SKU 目录中用户挑选困难的问题,替代传统人工搭配和随机推荐。 上线后推荐商品浏览量提升 10%,帮助 OpenAI 深化零售领域 AI 应用。
Mastercard 产品负责人表示,Meta Muse 和 OpenAI dots 等大众消费级智能体,而非 MCP 等技术协议,正推动 Agentic 商务落地。 该公司推出的 Agent Pay 支持智能体向零售商乃至政府服务(如停车罚单)付款,并引入了面向机器的 “Pay for Machines”。 卡网络正将自己定位为驱动型购物(agent-driven shopping)的支付层。
Micro1计划在未来1年花费10亿美元购买企业内部的Slack消息、Canva文件和Google Docs数据,并打包出售给OpenAI、Anthropic等模型开发商。该公司向中型企业支付10万至200万美元不等。随着公开网络数据逐渐枯竭,普通办公数据正在成为高管可变现的新收入来源。
Anthropic 于本周一向 SEC 公开提交 S-1 文件,计划在纳斯达克上市,股票代码 ANT,Goldman Sachs 和 Morgan Stanley 牵头承销。
同一新闻,精选展示《Anthropic 向 SEC 提交 IPO 相关 S-1 注册文件》
Offcut 发布一款基于浏览器的木工设计工具,支持将 Claude 或 ChatGPT 作为 MCP 连接器接入,允许用户通过自然语言描述生成包含真实板材尺寸、材料和榫卯关节的家具设计。其交互逻辑借鉴 SketchUp 的矩形、推拉和移动工具,并能自动输出包含排料、裁剪顺序和余料尺寸的裁剪列表(Cut list),方便木工直接用于制作。
Privatrak 测试 23 个 AI 代理和 8 种人类访问场景发现,大多数使用浏览器的 AI 代理(如 ChatGPT、Grok、Claude in Chrome)在 User-Agent 和 WebDriver 上伪装成普通 Chrome 用户,甚至通过家庭 IP 访问,导致标准反爬虫工具失效。
高盛研究显示,过去三周内半导体板块解释资产表现分化的比例约为 54%,远超油价的 2%。 AI 交易深刻影响投资者情绪,Anthropic 提交 IPO 申请后,纳指、标普 500 上涨约 1%,英伟达上涨 2%,费半上涨约 3%。 韩股受 AI 交易影响显著,存储芯片约占 KOSPI 权重一半,该指数较 6 月高点下跌约 40%。
Grok 和 Cursor 首席工程师 Lauren Tan 分享了她如何利用定制技能集与编码智能体,保持高可靠性地将每月约 2000 个 PR 交付至生产环境。她强调构建验证基础设施(如应用控制 CLI 和特征地图)是让智能体自主工作的核心,并介绍了通过原型驱动和间接提示词来管理复杂设计任务的实用方法。
英国政府宣布投入 1.3 亿英镑建设 AI 网络防御系统,其中包括 6000 万英镑用于部署具备自主能力的 AI 智能体,保护关键基础设施以防范网络威胁。此次 AI 支出是财政部公布的 6 亿英镑政府支出计划的一部分,此外还有 1.2 亿英镑拨给 AI 安全研究所(AISI)用于监控危险 AI 能力。
钛动科技在 TGC 2026 大会发布行业首个 Pro Agent Navos Pro,以 Professional、Proactive、Profitable 为核心,主打结果导向的 AI for Work,覆盖跨境电商等场景。
分析1,016轮融资(总值$126.8B)发现,60%的轮次和42%的资金流向非AI公司,AI基础设施仅占18%轮次但获取50%资金。 早期融资中,各赛道种子轮和A轮中位数均约为$5M-$20M;直到B轮,AI基础设施中位数才跃升至$111M。
Anthropic 正式向 SEC 提交纳斯达克 IPO 申请(股票代码 ANT),并公开了 335 页的 S-1 招股书。2026 年上半年,Anthropic 营收 162.86 亿美元,净亏损 807 亿美元(其中约 724 亿美元为融资工具公允价值变化)。
同一新闻,精选展示《Anthropic 向 SEC 提交 IPO 相关 S-1 注册文件》
OpenAI 正式发布新模型 GPT-6.1 Terra,标准 API 价格比上一代 GPT-5.6 Terra 降低 50%,在视觉理解、电脑操作和编程能力上有明显提升。
Anthropic 于北京时间 10 月 26 日公开向 SEC 提交 S-1 注册文件,计划以代码 ANT 在纳斯达克上市,最快 11 月 10 日启动路演。
同一新闻,精选展示《Anthropic 向 SEC 提交 IPO 相关 S-1 注册文件》
HealthAgentBench是一套包含75个智能体医疗任务的基准,由研究人员发布。 该基准覆盖9个类别,任务要求智能体在复杂环境中处理原始数据并执行多步操作,如查询大型数据库或解读病理图像。测试显示,Claude Code Opus-5.5以57.3%的成功率领先,各AI智能体在CT和MRI等专业影像模态上的表现普遍较弱。
研究识别出长程搜索中模型未耗尽上下文窗口即提前终止或给出错误答案的失败模式。 分析了七种上下文管理方法及行为感知并行采样策略,并行采样带来 2.6% 至 4.9% 的性能提升。
多项多模态大语言模型(OpenAI O1、Gemini、Grok、Llama 等)被评估在真实交易文档上识别篡改文本、格式错位及金额不一致,顶级模型在零样本场景下优于传统方法,但在分布外数据表现仍不稳定。模型规模与推理能力与检测准确率相关性有限,任务微调可能更关键。
Qwen3-4B 通过 LoRA 微调,在 CallScreenBench 上实现 AUROC 0.974 和 64.5ms 单次决策。 模型在 41 个场景中未产生误报,且比 LLM 裁判提前 1.14 轮做出决策。 验证了基于读出的校准方法优于传统生成式微调,贡献在于评估协议而非架构创新。
针对现有方法遗漏全局故障及搜索空间过大的痛点,VerifyMAS提出基于假设验证的故障归因框架,通过验证全轨迹中的失败假设来定位故障智能体,而非直接预测。 该方法基于结构化错误分类构建假设数据并微调LLM验证器,在Aegis-Bench和Who&When基准测试中,显著提升了包括Qwen和GPT在内的多种基座模型表现,且未牺牲长轨迹推理效率。
研究九款 OpenAI 和 Anthropic 模型在 3,997 次生成尝试中,发现 Markdown 围栏 JSON 是主要失败模式。 在 681 次围栏失败中,仅 48.0% 在移除围栏后通过验证,其余多隐藏字段长度违规。 提出 4 项工程实践用于验证器、模式、重试及评估设计,并公开分类器与数据集。
研究表明 LLM 评委版本更迭会改变测量标准的几何与分辨率,而非仅调整评分尺度。 在 Qwen、Gemma、Mistral 家族中,两次更迭趋向宽松,一次则导致 93% 分数坍缩至单一值。 提供相同事实无法消除版本差异,且占位符对照显示效应主要由格式驱动。
SEMA-Auto是一种具备自主性的视觉化高效多轮攻击方法,在多个数据集上取得了最先进的攻击成功率(ASR)。 该方法通过合成自举微调和决策监督强化学习进行两阶段训练,实现了在更少轮次内超越所有静态和交互式基线的效果。 例如,针对DeepSeek-V4-Flash,其在AdvBench上以平均3.0轮次实现了76.0%的ASR@1,显著优于基线表现。
MechAlign 提出项目级语义对齐审查框架,结合形式依赖提取工具 LeanTrace 与基于大语言模型(LLM)的评估机制。 LeanTrace 从 elaborated declarations 构建语句依赖图,保留定义体与结构约束,排除证明体并在显式库边界处停止。 该框架在 201 个主结果上进行了初步审查,并构建了包含 501 个三元组的 LeanReviewBench 数据集。
研究评估了智能体 RAG 中一致性事实性的可靠性与信息量权衡。实验使用 GPT-6 Luna 和 Llama 3.1 8B 模型,在 95% 目标下,非空响应覆盖率在 17.23% 到 60.17% 之间波动。
研究显示,同一条2.43美元项链在正式着装照片中估价是平铺照片的1.9至3.3倍。 该效应无需图像输入,纯文本描述背景时估价偏差比率为2.2至3.9倍;平铺估价本身已偏离收据价7.8至18.7倍。 模型对同一背景的价格评估并非基于客观事实,上下文背景显著影响了估值结果。
研究利用 Context Association Test 评估 GPT-4o 在零样本 ADHD 自诊断中的性别偏差,发现显性线索会放大特定亚型关联,而隐性线索呈现近代理分布。 结果差异表明显性人口统计线索可能激活过度矫正的偏见缓解机制,而隐性线索反映模型默认行为,LLM 自诊断中的性别偏差评估需关注模型编码的关联。
针对廉价“System One”审核模型(单次约0.000025美元、延迟100ms)的首次独立审计显示,其在142,658条标签数据上的零样本分类AUROC达0.83,与14个前沿推理模型在成本降低1-3个数量级的前提下准确率具有统计可比性。 研究指出模型置信度混淆了人类分歧与决策风险两种不确定性,通过分解子问题可恢复被原生置信度忽略的人类分歧信号,但该方法仅对最弱的模型有效且依赖分布敏感性。
研究者提出基于 Whisper 预训练编码器的嵌入子集选择方法,在希伯来语和丹麦语 ASR 微调中表现优于随机采样。 该方法使用固定维度嵌入空间与贪心 k-center 算法挑选多样且具代表性的训练子集,k-center 子集在较小规模下捕获更广词汇多样性,显著提升识别效果。
OpenAI 发布 GPT-6.1 Terra 模型,主打视觉推理、电脑操作与写作,输入和输出价格较前代降低50%,单任务成本约为 GPT-6 Astra 的十分之一。该模型在 Computer Use 任务中表现接近 GPT-6 Astra,在 Terminal-Bench 4.0 上的编程任务解决率达 50.3%,最高推理强度下的事实错误率降至 4.3%。