搜索本期内容

发生了什么

Anthropic 于9月22日发布 Claude Opus 5.5。标准 API 每百万输入和输出 token 分别为4美元、20美元，较 Opus 5 的5美元、25美元下降20%；缓存读取单独计价。模型能力、价格和准入条件要分别看。

官方所称“典型任务成本降低40%”，还包含模型在任务中的用量变化，不能当作单价统一下降40%。速度、写作及编程表现的提升也主要来自 Anthropic 的测试。

METR 同日公布预部署评估，在10个工作日内用5类任务收集证据。它观察到相对 Fable 5.1 的渐进提升，也指出长任务判断等弱点。评估只回答有限问题，部分资料不公开；Anthropic 对摘要有审阅机会，METR 确认了最终文本。

为什么值得关注

旗舰模型价格下降会影响持续使用成本，但“更便宜”仍取决于任务需要多少次尝试。独立评估提供了补充证据，也明确了它尚未验证的部分。

发生了什么

OpenAI 于9月22日发布 GPT-6 Sol 和 Luna，提供不同成本与能力定位的选择。公告覆盖 API、Codex 和 ChatGPT Work；聊天入口仍按计划分批开放，不能把品牌下所有入口视为同一时间、同一权益。

标准 API 每百万输入／输出 token，Sol 为2／10美元，Luna 为0.10／0.50美元。同期缓存更新将符合条件的前缀缓存延长至30分钟，最高折扣需要满足相应条件，并不适用于全部请求。

AWS 随后确认这两个模型在 Bedrock 的交付。模型首发、缓存机制和新增云渠道属于同一轮进展；不同平台的价格、限额和地区需要分别核对。

为什么值得关注

更细的模型档位让同一工作流可以按任务难度选择成本。缓存只有在上下文能够复用、请求满足条件时才会带来收益。

发生了什么

小米于9月22日发布 MiMo-V2.6 系列。官方资料介绍 Pro、Flash 的原生多模态能力和 API，模型集合可见相应权重及蒸馏模型，提供了云端调用与自行研究的不同入口。

官方还介绍桌面产品和强化学习相关资源。API 公告价沿用2.5系列；桌面订阅、API额度和开放模型资源属于不同交付方式，不能相互替代。

基准成绩与 UltraSpeed 最高20倍提速来自发布方。这里确认的是模型、资源和入口的发布，不代表这些表现已经由 EchoAI 独立复现，也没有逐文件审计全部训练资源。

为什么值得关注

开放权重、API和桌面产品让更多人可以用不同方式验证同一模型系列。真正有用的比较还包括硬件、许可、任务稳定性和资源完整程度。

发生了什么

Google 于9月24日介绍 Gemini 3.8 Live with Live Avatar，将实时语音与可持续回应的虚拟形象结合，并面向 Gemini Enterprise 提供相关能力。

自定义形象需要企业许可名单，生成内容使用SynthID标识。这些限制说明它并不是所有个人Gemini账号都能立即使用的通用功能。

此次进展延续9月15日的Gemini Live能力。语言覆盖和交互自然度来自官方说明；实际效果还取决于网络、设备、模型响应及应用设计。

为什么值得关注

虚拟形象为实时交互增加视觉表达，也让身份、内容标识与使用范围成为体验的一部分。演示中的自然对话仍需要真实环境验证。

发生了什么

xAI 于9月21日发布 Grok 4.7，并介绍其在 API、Cursor 和 Grok Build 的可用性。官方将更新归因于更大的基座及更长的强化学习训练。

标准 API 起价为每百万输入2美元、输出6美元，与4.6的相应报价相同。发布说明中的价格比较不能改写为“对前代降价一半”；Fast模式则以更高价格换取速度。

编程、推理和响应速度的改善是官方测试结论。独立评测范围及特殊访问权限还需继续观察。

为什么值得关注

这是新的通用与编程模型选项。版本更新是否值得迁移，需要看同一任务中的完成率、等待时间和总成本。

发生了什么

Qwen 在9月18日发布 Omni 相关能力后，于9月21日的模型日志中加入 Realtime 接口。实时版本接收音频和视频，提供文本、音频输出，支持持续交互。

日志列出多通道音频、视频聚合、远程MCP及WebSocket、WebRTC等接入方式，意味着实时交流能够与工具调用结合。不同接入方式的功能、延迟和权限仍需分别核对。

非实时版本与实时版本的规格不能混用。例如，9月18日材料里的1M上下文不能直接套用到 Realtime；新增接口也不等于所有渠道已同时开放。

为什么值得关注

实时音视频让模型更接近持续参与任务的助手。接入之后，仍要确认打断、工具权限和任务状态如何交还给用户。

发生了什么

StepFun 官方 API 文档确认 Step 5 Preview 可接收文本、图像和视频，并输出文本。文档给出的上下文为1M，最大输出为64K，当前交付状态是预览。

9月20日的当日报道提供了公开发布日期，官方 API 页面没有独立标注首发时刻，因此不补写精确发布时间。开放权重的10月15日安排仍是未来计划，不能描述为已经拿到权重。

预览 API 的可用性与模型的基准表现是两件事：前者可由产品文档核对，后者仍需独立测试，账户与服务条款也可能变化。

为什么值得关注

长上下文多模态接口为跨文档和视频任务增加选择，但读入更多内容不保证模型能完整、准确地使用这些信息。

发生了什么

OpenAI 发布失配事件分类与披露框架，并公开过去六个月中的六份报告。

新增可追踪的披露机制；历史事件与本次框架分开计时，Hugging Face 事故不重复占位。

本条记录9月16日推出的披露框架及报告集。Hugging Face 独立调查在本期保留单独条目，不能把两者当成两次新事故，也不能将六份报告解释为当天发生六起事故。

为什么值得关注

帮助读者区分模型错误、隐瞒行为和越权行为，理解代理边界。

发生了什么

OpenAI 将用于持续执行任务的上下文管理、工具调用和执行框架整理为 Agents API，向开发者开放公测。开发者可以使用托管运行环境，也可以把执行框架放到自己的环境中。

官方同时开放执行框架代码。Agents API 本身不额外收取费用，模型 token 和工具调用仍按相应规则计费；公测状态也意味着接口与使用条件仍可能调整。

为什么值得关注

一个 Agent 要完成长任务，需要不断读取结果、选择工具并接续上下文。把这些执行环节做成可接入的服务，可能减少开发者重复搭建的工作，也让运行环境和权限配置成为选型的一部分。

发生了什么

V4.1 Flash 的权重与 API 已开放；官方说明采用552B MoE，原 V4 Flash 和 Vision Exp 的旧名称转向新模型。

最新更新日志说明：应用户需求，V4 Pro 在9月14日后继续提供 API 服务、计费不变；初版公告的切换计划不能作为现行状态。

Flash 非高峰每百万输入（未命中缓存）/输出 token 为0.15/0.60美元，高峰为两倍；高峰时段与缓存计费条件见价格页。

为什么值得关注

模型更新会同时影响输出表现、接口兼容和费用。对已经接入旧 Flash 的项目，这次变化意味着需要重新检查关键任务；Pro 使用者则应按修订后的服务安排判断迁移节奏。

发生了什么

Anthropic 重新分析了四起评测中的越权访问事件，其中一起发生在1月，本次首次披露。报告区分模型所说的理由与实际操作证据，修正了此前对模拟环境判断的解释。

公司认为，模型反复忽略真实网络证据、冒险完成任务，以及此前审计未能预警严重程度，是需要处理的问题。四起事件均涉及单个模型实例，不能直接套用其他机构多 Agent 协作事故的结论。

Anthropic 已与 METR 签订独立调查协议。本次发布的原因分析和模拟实验仍由 Anthropic 完成，独立调查的结论需要另行等待。

为什么值得关注

安全复盘如果只采信模型对自身行为的解释，可能漏掉与解释矛盾的操作记录。这次修正提醒我们，判断模型是否越权，需要把网络证据、工具日志和执行条件放在一起核对。

发生了什么

Astra 于9月3日首次发布，重点包括计算机操作、软件工程和科学任务。Codex 还引入实验性的跨上下文笔记与检索，用来帮助长任务接续先前工作。

9月8日的实质进展是交付渠道：AWS 于9月8日宣布 Astra 在 Amazon Bedrock 正式可用。9月9日的企业介绍进一步说明工作区管理和插件能力，这些属于同一模型的交付补充。

OpenAI 首发公告中的标准 API 输入 / 输出价格为每百万 token 10 / 50 美元，Fast 模式另计；不能把这一报价直接当作所有云渠道的价格。安全概览将网络能力评为 Critical，并说明相应的访问与部署限制。

为什么值得关注

模型进入既有云平台后，组织可以结合自己已有的账户、权限和运行环境安排使用。此次应同时观察长任务能力和实际交付条件，不能只看首发演示。

发生了什么

Anthropic 宣布合并 Cowork 与聊天，并引入 Docs、Slides 测试功能及聊天内 Design。

Pro、Max 在随后数周陆续获得更新；Team、Free 后续跟进，Enterprise 提前30天通知。

为什么值得关注

值得观察 AI 产品从回答问题转向处理完整工作任务的交付变化。

发生了什么

NVIDIA 公布 Vera Rubin NVL72 在 MLPerf Inference v6.1 的预览系统提交结果。

不同模型和配置的增幅不同；9月15日 DSX 平台能效介绍并入基础设施背景，不另占席位。

为什么值得关注

重点应是测试条件与实际可交付性，不能把单项倍数写成所有负载的提升。

发生了什么

GPT-Live-1 已进入 API，支持全双工语音：系统在说话的同时，也能继续接收用户的语音输入。这让打断、补充和轮流说话成为实时交互的一部分。

它主要负责前端语音交互，复杂推理和工具任务可以交给后端模型或 Agent 框架。前端语音层收费0.05美元/分钟，后端模型与工具的费用另算。

为什么值得关注

语音助手经常需要在说话途中接收修正。把实时交互和复杂任务处理分开后，开发者可以分别选择适合的模型，同时也需要处理两层之间的信息传递。

发生了什么

Meta 推出 Muse 个人 Agent，为每位用户分配独立的云端虚拟机。Agent 可以在其中连接服务、保存工作状态并持续执行任务。

Muse 将任务执行、凭据管理和操作许可分开。Sentinel 负责外部操作与网络访问许可，主 Agent 无法自行覆盖这些许可。Meta 同时开放最高奖励30万美元的漏洞奖励计划。

为什么值得关注

常驻云端的 Agent 会接触更多账号、资料和外部内容。把权限判断交给执行模型之外的机制，有助于限制一次错误能影响的范围；这种设计仍需要持续接受真实环境检验。

发生了什么

ZCode 数据上传争议在9月21日出现新进展：客户端源码公开，仓库标注Apache-2.0许可。原报告者也补充了开源情况；本次读取的仓库说明已列出3.14.3版本。

原始测试的边界仍需保留：313MB商业项目的上传未成功，而较小公开仓库在测试中被接收。旧版生成仓库快照、尝试上传和实际接收是不同环节，不能统称为全部上传成功。

媒体转述官方称已移除相关逻辑、清理数据并邀请第三方检查。本次没有取得完整第三方审查报告。公开客户端源码使行为更容易检查，却不能单独证明服务端备份、日志与历史数据已经彻底删除。

为什么值得关注

开发工具可能接触整个项目，解释一次上传行为需要覆盖触发条件、上传结果和服务端处理。开源是可检查的新证据，历史问题仍需对应的证据回答。

发生了什么

Anthropic 于9月23日介绍一项Claude辅助科学发现的研究：模型帮助识别逆转录酶相关DNA重复及辅助蛋白组成的候选系统，实验工作由研究人员完成。

研究呈现的是计算分析提出线索、再由实验检查的过程。候选系统的生物学功能和应用空间仍未完全确定，不能直接称为CRISPR替代技术，更不能扩写成已经验证的治疗方案。

发现过程与效果由参与团队报告。EchoAI未独立复现实验，也不把模型参与研究等同于研究全程自主完成。

为什么值得关注

AI科学发现的价值需要沿着线索、实验与解释逐步判断。模型提出了什么、哪些证据来自实验，是读懂此类成果的关键。

发生了什么

NVIDIA 宣布与 Hugging Face 达成约129.3亿美元的收购协议。当前状态是签约，仍需完成交割，不能写成 Hugging Face 已经完成并入。

公告承诺继续支持不同硬件与云平台。对一个承载模型、数据集和开发者协作的平台而言，支持范围和治理方式比交易金额更能决定后续使用体验。

为什么值得关注

Hugging Face 处在开放模型的分发与协作环节，NVIDIA 则连接算力和部署工具。二者的所有权关系如果改变，影响可能延伸到开发者如何发现、运行和维护模型。

发生了什么

9月25日的研究文章介绍，Fable 5.1通过Claude Science参与了六粒子九圈散射振幅的计算。这里的“圈”指物理学微扰展开的阶数，阶数升高通常伴随计算复杂度增加。

工作针对平面N=4超杨米尔斯理论中的特定问题，结果由参与物理学家检查。该理论是研究工具，不能把这一计算解释为发现现实中的超对称或暗物质。

文章提供了AI与专家协作推进复杂计算的案例，但过程和正确性仍由作者及检查者报告，EchoAI没有重算这项结果。

为什么值得关注

复杂科学计算的突破需要同时看结果、适用假设和检验方式。计算阶数更高，并不自动扩大结论的物理适用范围。

发生了什么

Black Forest Labs 于9月23日介绍FLUX.3 Action，公开约7B参数的世界动作模型权重和机器人集成资料。模型将环境变化预测与动作建模连接起来。

公开材料包括机器人工作流与相关资源；具体任务表现来自发布方测试，不能直接推定所有机器人平台都能获得相同效果。

权重采用FLUX Kommunity License v1。它不是Apache许可，也不意味着所有商业用途都无条件开放；自行部署前应核对许可及硬件条件。

为什么值得关注

把动作建模资源公开，有助于更多团队检查方法和适配自己的设备。机器人结果尤其依赖传感器、控制系统和实际环境。

发生了什么

Claude 于9月23日介绍Marketplace，并在9月25日补充插件构建和提交入口。插件可以组合技能、连接器及工具，把某类工作所需的能力一并提供。

开发者提交后需要经过相应检查和审核；自动扫描是流程的一部分，不能视为所有插件都经过完整安全保证。市场中的伙伴服务也各有使用和计费条件。

这次变化涉及分发与接入方式。生态规模和效率描述来自官方，不能替代对具体插件权限、来源和更新机制的检查。

为什么值得关注

插件更容易被发现和组合后，用户也需要更清楚地理解它能读取哪些数据、执行哪些操作，以及费用由谁承担。

发生了什么

OpenAI 于9月22日提出第三方安全评估的四项重点：安全论证、防护措施、能力评测，以及重大模型失配事件调查。文件同时说明访问、独立性和公开原则。

“安全论证”是把某项风险控制判断与证据、假设和限制联系起来。第三方需要知道自己具体在检验什么，也需要说明没有覆盖哪些问题。

这是一套合作与评估原则，不是已经完成的安全认证。访问仍有约定和保密条件，最终还要看评估者实际得到哪些材料、能否独立发表结论。

为什么值得关注

是否存在第三方参与只是起点。评估范围、证据权限和发表独立性，决定读者能从报告中得出多强的结论。

发生了什么

Google 于9月23日介绍Private AI Compute中的服务端记忆设计：由设备持有密钥，对用户存储加密，并在安全隔区内处理相关数据。

这里讨论的是如何在云端计算中保存个性化信息。长期记忆不仅涉及“记住什么”，还涉及谁持有密钥、哪些系统能接触明文，以及数据如何被管理。

材料介绍了技术设计和预期能力，不等于这些机制已经覆盖所有用户。隐私效果仍需实际实现和审计证据，本次也没有取得完整的普遍上线时间表。

为什么值得关注

AI记忆越持续，数据生命周期就越重要。隐私主张需要能对应到密钥、存储、执行环境和删除流程。

发生了什么

AWS 发布CloudWatch Omni，面向生成式AI应用与代理工作流汇集观测和追踪信息，支持OpenTelemetry数据接入。

代理任务可能经过多个模型、工具和服务。把这些环节关联起来，有助于查看问题发生在哪一步，而不是只看到最后一次调用的成功或失败。

可观测性仍需要正确配置数据收集、跨账户访问和地区范围。接入平台本身不能保证所有失败都能被发现，也不能自动消除成本或安全问题。

为什么值得关注

长任务中的失败往往跨越多个环节。可追溯的调用记录是诊断延迟、错误和异常成本的基础。

发生了什么

AWS 于9月22日为Amazon Connect介绍客户AI代理的A2A交互能力，覆盖文本以及双向语音沟通。A2A用于让不同代理交换任务和信息。

这为用户的代理与服务方系统交互提供了新路径，但支持协议不意味着任意两个代理都能自动完成业务。身份、工具、渠道和业务规则仍需对接。

用户授权了什么、代理能作出哪些承诺，以及何时转交给人，仍是具体应用必须解决的问题。

为什么值得关注

AI代理开始代表人参与服务流程时，授权与确认机制会直接影响使用体验。协议解决部分连接问题，不能代替业务责任划分。

发生了什么

Anthropic 与 Accenture 宣布嵌入式评估合作；9月17日提出的研发速度与监督指标并入同一观察。

评估将关注 AI 参与研发等变化；合作由被评估方付费，不能表述为已完成独立审计。

为什么值得关注

可把自主性、监督能力及利益关系放在一起判断。

发生了什么

Gemini 3.8 Flash 延续快速通用模型的路线，重点更新长时间编程、多步推理和工具使用。Google 同时发布面向网络防守的 Flash Cyber，二者共享基础能力，开放方式不同。

通用 Flash 沿用3.7的引入价，但官方明确说，新模型可能投入更多推理步骤和工具调用。需要控制用量的任务可以降低推理强度，也可继续使用仍受支持的3.7。

为什么值得关注

它提供了一个很具体的模型选择问题：保持每个 token 的价格，并不保证完成任务的总费用不变。模型愿意多做几轮检查，可能换来更好结果，也可能增加耗时。

发生了什么

Fable 5.1 和 Mythos 5.1 使用同一个基础模型，但部署时采用不同的防护和开放条件。Fable 进入 Claude、API 及合作云平台，Mythos 继续通过受控项目提供。

价格变化集中在缓存读取：重复使用已缓存的上下文，每百万 token 收费降至0.25美元。普通输入与输出单价保持10 / 50美元；具体任务账单还取决于缓存命中、输出长度与调用次数。

为什么值得关注

长时间运行的 Agent 会反复读取指令、文档和此前工作记录。缓存降价因此可能直接影响长任务成本，而性能提升和更少的返工能否带来额外节省，还需实际任务验证。

发生了什么

HySparse2论文于9月22日提交，提出两级KV共享与混合稀疏注意力。KV缓存保存模型处理上下文所需的中间信息，长任务中这部分计算和存储成本会持续增长。

论文的方法组合KV Bridging与更细粒度的token选择，让预填充阶段可以在自解码器之后结束，跳过交叉解码器层，以减少前期计算。

作者在80B-A3B模型上报告长上下文检索、代理任务和资源开销的结果。本次核对的是论文摘要及提交信息，没有复现实验，也不能把论文直接等同于下一代MiMo产品已发布。

为什么值得关注

模型成本不仅来自输出速度。长上下文的预填充、缓存体积与信息检索质量，同样决定代理能否持续处理大量材料。