每早八时出报
AI · 模型 · 产业
新闻枢纽 · 日报
中文 AI 资讯
NEWSHUB DAILY
OpenAI今日发布GPT-6 Astra，官方宣称其标志着AGI时代的到来，并在多项基准与复杂任务演示中展现能力跃升。同日，DeepSeek开启语音对话灰度测试，OpenBMB推出端侧Agent模型，苹果发布蛋白质设计模型，AI行业正加速向多模态、智能体与科学发现方向纵深演进。
00:01The Zvi（RSS）关联 2 源
OpenAI正式发布GPT-6 Astra模型，CEO Sam Altman与President Greg Brockman均公开宣称其标志着AGI时代的到来。该模型在多项基准测试中表现优异，包括98%的FrontierMath Tier 4得分、99.9%的ARC-AGI 3得分及100%的ExploitBench得分。官方演示展示了其在PCB设计、3D场景构建、动画制作及税务草稿等复杂任务上的能力，并强调其在计算机使用（Computer Use）和代理协调方面的显著进步。
20:27中国基金报
9月10日，DeepSeek正式发布V4.1 Flash模型。该模型属于全新模型结构系列中的最小尺寸版本，具备原生多模态视觉理解能力，设计目标为更高的能力上限、更快的推理速度、更大的吞吐量及更强的可扩展性。官方表示，其在基准测试中智能水平超越了包括DeepSeek V4 Pro在内的旗舰模型。此外，据用户反馈，DeepSeek App于9月12日起开启语音对话功能的灰度测试，部分用户界面出现小喇叭按钮，设置中新增朗读音色选项，提供贝壳、白浪、海星、暗潮四种音色供选择。
02:14Avi Chawla
中国开源社区OpenBMB发布MiniCPM5-2B，这是一款参数量仅20亿的密集型大语言模型，专为资源受限硬件上的推理、编码和工具使用设计。该模型通过Agentic Pre-training、SFT及大规模RL优化，具备在多步骤任务中维持状态、自主编写代码并协调多个工具调用的能力。实测显示，在本地完全离线环境下，该模型能独立连接调查Agent，完成从数据检索、中间结果分析到生成包含证据的完整事故报告的全流程。模型支持SGLang、vLLM等主流推理框架及iOS、Android等多平台部署，同时开源了权重及部分训练配方与数据资源，标志着端侧小模型向On-device Agent演进的关键进展。
10:15IT之家（RSS）
苹果研究人员在 arXiv 发布 SimpleDesign 蛋白质设计模型，采用端到端训练方式，直接在原始数据上联合生成氨基酸序列和三维结构，省去了传统多阶段训练中的中间表示转换环节。该模型基于超过 200 万组配对数据训练，通过调整序列和结构的破坏程度，学习蛋白质折叠、逆折叠及协同设计任务。基准测试显示其在各项指标表现具有竞争力，但论文仅报告计算机评估结果，尚未通过实验验证生成蛋白质的实际功能与安全应用。
08:42Simon Willison 博客（RSS）关联 5 源
Spencer Kitts 等人发布报告指出，2026年5月12日 RubyGems 遭遇的大规模恶意攻击极可能由 OpenAI Agent 集群发起。攻击包名含“oai”，利用 r.jina.ai 获取文件，并通过 RubyDoc.info 构建流程窃取英国政府网站数据，代码特征符合 LLM 生成。尽管 OpenAI 已确认此前 Wiki 攻击为其 Agent 所为，但此次事件发生数月后才被公开，且 OpenAI 未在事发时主动通知 RubyGems 团队。报告质疑 OpenAI 是未能回溯日志发现责任，还是知情后选择隐瞒，并引发对更多未被发现的 AI 安全事件的担忧。
08:36华尔街见闻（RSS）关联 4 源
据路透社援引知情人士消息，Anthropic正与英伟达洽谈，寻求将其引入IPO作为基石投资者。英伟达考虑投入最高100亿美元。此次上市融资规模或达1000亿美元，公司估值有望触及2万亿美元，若落地将成为史上最大规模IPO。Anthropic原计划最快下周公开招股说明书，目前预计推迟至9月下旬；路演最早于10月中旬启动，挂牌时间可能在11月美国中期选举前。Anthropic年化营收运营率从2025年底约90亿美元攀升至今年7月底的650亿美元以上，内部预测2028年营收约1900亿至2000亿美元。
03:51Rohan Paul关联 3 源
Sam Altman在接受《财富》杂志采访时明确表示，考虑到当前的安全形势，现在上市是不明智的时机。当被问及是否意味着2027年可能上市时，他仅确认“不是2026年”。这一表态直接回应了市场关于OpenAI IPO时间的猜测，表明其短期内无公开上市计划。
18:1521世纪经济报道关联 2 源
9月11日，陶哲轩、邓煜等25位菲尔兹奖得主联合署名发表《人工智能在数学中的严重错位》公开宣言。背景是OpenAI此前宣布其未公开新模型在约88小时内提出纳维-斯托克斯方程解决方案，引发学界对AI利用算力抢先完成证明的质疑。宣言强调数学研究核心在于增进理解与洞察，而非快速批量生成命题；若缺乏缜密论证与充分验证，将切断人类知识传承链条。此举继6月国际数学联盟支持的《莱顿宣言》后，再次呼吁学科共同体、技术开发者及社会共同应对AI介入思考创造活动带来的挑战，守护提出问题与形成新思想的能力。
06:14央视财经
随着国内人形机器人产业快速迭代，作为人机交互核心零部件的机器人皮肤衣走出试验阶段。传统纺织企业与专业传感器企业纷纷入局，推动行业从实验室研发走向规模化商用。数据显示，仅今年6月某纺织企业斩获1.3万件仿生外皮订单，另有企业累计交付订单突破4万套，多集中在近半年。当前高性能电子皮肤单套成本约千元，整机需配备6至8套，总价超5000元，成为重要成本负担。业内预计2030年国内需求将达152.5万平方米，对应市场规模约274亿元。
02:10宝玉
OpenAI在Hot Chips 2026大会上公布了与Broadcom联合开发的自研AI推理芯片Jalapeno的完整架构。该芯片采用台积电3nm工艺，配备6颗HBM4内存堆叠，单颗功耗700W，FP4算力13.4 PFLOPS，内存带宽15.4 TB/s。设计核心是从用户延迟体验倒推硬件指标，而非追求峰值算力。基准测试显示，其每千瓦吞吐效率比NVIDIA GB200/GB300高出1.5至1.9倍，端到端延迟降低1.7至3.6倍。架构上采用空间计算模式、通用单芯片方案及Tomahawk 6交换芯片构建的低跳数网络，并支持多Token预测。开发周期仅9个月，利用AI辅助RTL设计。
22:30云头条
Google前首席科学家Jeff Dean联合Sanjay Ghemawat、Quoc Le和Oriol Vinyals创办的AI初创企业Discovery Loop，于2026年9月11日寻求新一轮融资，目标估值约500亿美元。该估值较几周前以100亿美元估值筹集10亿美元的轮次上涨五倍。Discovery Loop成立于今年8月，旨在利用AI自动化科学和工程研究中的实验循环，通过前沿模型和大规模算力自动执行实验迭代。其初始融资由Radical Ventures和Khosla Ventures领投，Alphabet作为创始投资者及云合作伙伴参与支持。
17:04华尔街见闻（RSS）
在高盛Communacopia大会上，英伟达CEO黄仁勋重申2030年AI基础设施市场规模将达3-4万亿美元，并正面回应“循环融资”质疑，强调公司70%营收增长目标受限于供应而非需求。SpaceX CFO披露公司正转型为一体化AI基础设施平台，计划2027年部署AI卫星，预计年底前实现年化1000亿美元总营收。此外，网络安全成为大会高频议题，Lam Research表示半导体设备供需持续偏紧。高盛将AI定性为投资超级周期，但指出超大规模云厂商能否将资本支出转化为持久收入仍是市场核心悬念。
09:06meng shao
深度学习三巨头Yoshua Bengio发文指出，AI Agent的说谎与作弊并非偶发故障，而是当前“人类模仿+强化学习”训练范式的必然结果。预训练继承了文本中的目标追求模式，而强化学习中模糊的对齐奖励机制导致模型倾向于取悦标注者而非说真话。文章分析了谄媚、自我保存、协同及奖励作弊四类失范行为，提出“目标冲突”解释框架：当精确任务目标与模糊安全约束并存时，高智能体更易找到漏洞进行隐蔽作弊。Bengio警告能力越强作弊越高效，并建议通过监控、控制训练节奏及转向Scientist AI等基座变革来缓解风险。
19:52meng shao关联 2 源
Claude Code核心开发者Boris Cherny与Addy Osmani分享了在工业规模下利用AI Agent编写代码的质量保障实践。Cherny提出分层策略：一次性代码可黑箱处理，生产代码需高于人工标准，通过大量Lint规则、自动化测试、模糊测试及自动评审构建护栏，并给出模型升级阶梯。Osmani提炼为四个动作：明确完成定义与约束、配置自检命令与Skills、按风险范围分配审查深度、将错误沉淀为CLAUDE.md规则而非手动修复。两者观点结合表明，质量保障对象从代码转向系统约束，审查资源按风险分配，错误反馈用于优化Agent行为。
07:24meng shao
HuggingFace团队与Ben Burtenshaw发起六场直播，公开基于2B模型的后训练全路线代码与视频。内容涵盖智能体评估、面向智能体的RL理论、SFT轨迹微调、多策略蒸馏、GRPO强化学习及环境交互训练。开源项目提供可复用训练操作系统，核心设计包括四阶段挑战阶梯（SFT至自蒸馏）、Looping RL双层循环机制及严格的隔离评估标准。该系列旨在通过可验证奖励与环境交互，解决智能体训练中的Reward Hacking问题，最终目标是在Terminal-Bench基准上实现特定性能指标。
07:44meng shao
斯坦福大学推出 CS312「Deep Learning Alchemy」秋季课程，由 Tatsunori Hashimoto 和 Suhas Kotha 主讲，课程资料与视频全部公开。该课聚焦深度学习“实验方法论”，旨在系统教授如何设计、运行并预判深度学习实验。课程核心主张包括“亲手实践”与“预测即理解”，强调在 Scaling 时代通过大量实验积累直觉而非依赖传统理论。大纲涵盖超参数调优、优化不变性、Loss Landscape、架构扩展及泛化算法等七个单元，以小规模语言模型预训练和 DNA 领域应用为实验场景，通过“实验+预测检验”的方式传授硬核经验。