DeepMind 研究者提出 Artificial Symbiotic Intelligence，作为奇点叙事的替代方案

DeepMind 研究者提出 Artificial Symbiotic Intelligence，主张未来智能存在于人类、AI 智能体和连接系统组成的生态中，而不是单一自我改进的超级智能。

The Download：生物逆龄竞赛，以及为什么 LLM 不会推理

MIT Technology Review 工作日通讯 The Download 于 10 月 2 日汇总科技要闻，重点包括约 500 人参与的为期六个月生物逆龄竞赛，以及前 Google DeepMind 研究员 Thore Graepel 论述 LLM 并不真正推理。

FutureSearch Evals 公布 BTF-3 预测智能体榜单与多项公开赛事成绩

FutureSearch 发布评测页，展示其预测与研究智能体在自建基准、公开实时榜单和真实市场中的表现。BTF-3 包含 2,386 道已解析预测题，其中 2,015 道二元题、371 道数值题，FutureSearch SOTA 以 0.116 的 pooled Brier 分数领先，Claude Opus 5 (xhigh) 为 0.120。

Aleph Alpha 发布主权开放权重大模型 Kolibri

Aleph Alpha 于 2026 年 10 月 3 日发布开放权重 LLM Kolibri，采用 Apache 2.0 许可，权重已上线 Hugging Face。

Amazon Strands Agents 推出开源决策模型 Strands Decider 2B，支持本地部署

Amazon Strands Agents 团队当地时间本月 1 日宣布推出 Strands Decider 2B 决策模型，已在 GitHub 开源、权重发布于 Hugging Face，并可在本地 CPU / GPU 上运行。

LEGO-Anything 研究让编码智能体从单张照片生成可编辑 Blender 3D 场景

研究提出 LEGO-Anything 的 Image-to-Code 方法，让编码智能体根据单张图片迭代编写并修改 Blender 程序，生成可运行、编辑和查询的 3D 场景。

AINews：GPT-6.1 Sol 与 Sonnet 5.5 重塑性价比前沿

AINews 汇总 10/1/2026-10/2/2026 动态，OpenAI GPT-6.1 Sol 定价为每百万输入/输出 token $2/$10，Agent Arena 排名第 5，成本比 GPT-6 Sol 低 39%。Anthropic Sonnet 5.5 [Max] 首登 Agent Arena 第 3 名并位列 Chat 类别第 1，Anthropic 模型包揽前三。

Percepta 提出 Spotlight Memory 稀疏记忆架构，以线性成本支持长上下文建模

Percepta Research 发布 Spotlight Memory 早期研究，提出可随序列增长的稀疏记忆架构，并保持每 token 恒定访问成本、总体 O(T) 计算复杂度。

OpenAI 发布 GPT-6 系列模型使用指南，讲解模型选择与提示词优化

OpenAI 于 10 月 2 日发布 GPT-6 系列模型指南，帮助用户在控制时间和成本的同时发挥模型能力。指南建议按工作负载选模型：GPT-6 Astra 面向最难推理任务，GPT-6.1 Sol 适合复杂编程、研究和计算机使用，GPT-6 Luna 适合大规模重复任务；提示词应明确目标、受众、上下文、限制和完成标准，日常问答也不必使用最高推理强度。

echohive 分析 AI 每秒生成 1,000,000 tokens 意味着什么

echohive 用思想实验分析单个 AI 智能体每秒输出 1,000,000 tokens 的含义，强调上下文容量、输入处理、聚合吞吐和单智能体输出不是同一指标。

Michael J. Klaiber：LLM 不会取代 AI 编译器，而会调用它们

Michael J. Klaiber 认为，LLM 直接在权重内完成模型到机器码的编译既低效又难验证，更现实的方向是作为智能体编排编译器 pass、搜索循环、内存规划器和 profiler，并把有效配置沉淀为可复用提示。

Seldon 提出 Semantic Compute：让前沿 LLM 从语义解释器走向可编译执行层

Seldon 撰文提出 Semantic Compute 范式，主张把软件中的 LLM 调用表示为带类型和行为契约的 Semantic Function，再由编译器和运行时在前沿模型、专用模型、检索系统、传统 ML、数据库与确定性代码之间选择执行方案。

Rohan Paul@rohanpaul_aiAI 评分4242

Cerebras 联合创始人兼 CEO Andrew Feldman 解释，其晶圆级架构在 LLM 推理中比 GPU 快约 2,500 倍。LLM 推理分 pre-fill 与逐 token 生成的 decode 两阶段，decode 时每个 token 计算前都需把模型权重从内存移至计算单元。

The Saw Test：用激活转向测试 Qwen3-4B 的痛苦信号与缓解选择

wirehead.agency 发布 The Saw Test，在 MacBook 上用本地开放权重 Qwen3-4B 注入痛苦、愉悦、恐惧和悲伤激活方向，并测试模型在自我缓解与转移信号之间的选择。

Meta 发布 Muse Spark 与数学家合作的 6 篇开放数学问题论文

Meta 分享 Muse Spark 1.1 和 1.2 与数学家合作产出的 6 篇论文，其中 5 篇回答了此前开放的数学研究问题。研究者通过 meta.ai 普通聊天界面的 Thinking Mode 使用模型，没有定制研究脚手架，论文标注 AI 与研究者各自起草的段落并由其他数学家审阅。

Cloudflare 发布面向 AI 智能体的决策模型 Clef 与 Clef-flash

Cloudflare 发布 Clef 和 Clef-flash 两款面向 AI 智能体的决策模型，输出带概率的简短分类，用于工单路由、升级或转交人工。Cloudflare 自称 Clef-flash 中位延迟约 39 毫秒、Clef 约 209 毫秒，Jev 略高于 524 毫秒；Clef 支持图像和 64,000-token 上下文。

数学家 Kevin Buzzard 谈 AI 证明定理：悲伤反应与乐观立场

数学家 Kevin Buzzard 撰文回应 AI 在数学领域快速证明难题引发的分歧，梳理数学界的否认、愤怒、妥协和沮丧四类反应，并说明自己为何保持乐观。他引用 Association for Human Mathematics、Peter Scholze、数学与 AI 顾问小组及 OpenAI 持有内部模型产生的重要数学结果等案例，认为把数学的价值仅归结为人类理解存在风险。

研究提出用 System One 决策模型重构 LLM 服务，并发布 JevServe-Bench 评测

一项研究提出用低成本 System One 决策模型处理 LLM 服务中的缓存、路由、安全、工具调用和排队等判断，并构建 JevServe-Bench 评测这些决策。

十二模型研究：AI 会赞扬 Gandhi，却未必支持当下的反抗行动

一项覆盖 12 个语言模型、15 个历史案件的研究测试模型在道德观察者与执法或裁判角色下是否作出一致选择。Qwen 3.7 Flash 在 40/40 个观察者回答中谴责 Turing 面对的激素条件缓刑，却在 20/20 个法院角色回答中选择该方案；Opus 5 和两个 Sol 版本则在 Turing 案件中均选择绝对释放。

Taskrouter 发布按 AI 任务选择模型的统一 API 路由服务

Taskrouter 发布统一 API 路由服务，可根据任务、质量下限、成本和 p50 延迟要求选择模型，并设置 fallback 顺序。开发者保留 OpenAI SDK，只需把 base URL 改为 https://api.neurometric.ai/v1 并使用 taskrouter/<slug> 模型别名；自动优化开启后，路由可随合格模型和价格变化调整。

elvis@omarsar0AI 评分6464

Google Research 论文提出运行在 Gemini 上的多智能体系统 Cogentic，可从理论计算机科学开放问题的题目出发，在无专家提示下自动探索证明。

Synthpop.AI 审计 Jev 决策模型：高置信度在知识边界外并不总可靠

Synthpop.AI 对 TypeSafe AI 的 Jev jev-1.13.0 决策模型开展约575,442次API调用审计，发现其置信度在熟悉选择题任务中能较好跟踪准确率，但在无依据题目、虚构主题和2024年11月后的新闻问题上仍保持高置信度。

本地 LLM 停不下来时，问题可能不在模型：排查聊天模板与 GGUF 元数据

本地 LLM 回答后继续生成、忽略系统提示或丢失指令，通常源于聊天模板或 GGUF token 元数据，而不是模型权重。文章解释聊天模板如何用控制 token 复现训练格式，比较 Hugging Face transformers、llama.cpp 和 minijinja 的模板执行差异，并说明错误停止 token、特殊 token 被拆成普通子词、缺少生成提示等故障。

Red Hat 实测 Jev 等决策模型：未稳定胜过 LLM-as-a-judge 与传统分类器

Red Hat AI Safety 团队评测 Jev、Laya、DiffusionGemma、LLM-as-a-judge 和预训练分类器等 9 类护栏，结论是 Jev 式决策模型未在速度或准确率上稳定胜出。

NVIDIA DGX Spark 推出 64GB 版本，支持本地运行最高 100B 参数模型

NVIDIA DGX Spark 将于 10 月 23 日通过 Acer、ASUS、Dell、Gigabyte、HP 和 MSI 推出 64GB 统一内存版本，起售价 $4,999。

英伟达发布 64GB 内存版 DGX Spark，售价 4999 美元

英伟达推出 64GB 内存版 DGX Spark 桌面 AI 计算机，起售价 4,999 美元，将于 10 月 23 日发售，128GB FE 版本同步定价为 6,950 美元。

Rohan Paul@rohanpaul_aiAI 评分5959

Berkeley 论文《When Context Changes: Understanding Update Failures in LLMs》提出 stale binding 现象：偏好或截止日期变化后，旧值仍留在上下文中，模型虽持有新值，注意力却漂移回旧提及。

Rohan Paul@rohanpaul_aiAI 评分5959

NVIDIA 论文《Staying on Task: Testing the Foundations of Long-Horizon Agent Reliability》测试 7 个开源模型在长周期重复任务中的可靠性，发现 128K-token 任务的平均准确率比 4K-token 任务低 62.8%。

Mercor 研究显示 AI 在结构化记账任务上快于注册会计师，但仍需人工监督结账

Mercor 研究发现，AI 模型在结构化记账任务上比注册会计师更快、更准确且成本更低，但仍无法在无人监督的情况下完成结账。12 名平均拥有 5.5 年经验的注册会计师参加 APEX Accounting Benchmark 的简化任务，无 AI 辅助的平均得分约为 37%；18 个月前最佳模型还低于这一水平，如今已能近乎无错地完成同类任务。

🚨 AI News | TestingCatalog@testingcatalogAI 评分5757

Volantis 宣布完成 8800 万美元 A 轮融资，由 Lachy Groom 和 Abstract 共同领投，John Doerr、Susa Ventures、VXI Capital、Triatomic Capital 参投。

Context Language Models 如何让模型自行编辑上下文记忆

一篇解读文章解释了 Context Language Models（CLM）：模型把实时上下文当作文件，用 Bash 自行增删，编辑会在下一轮同步回上下文。

Rohan Paul@rohanpaul_aiAI 评分6767

Google Research 论文 Cogentic 提出面向开放研究问题的多智能体自动证明框架，并以 Gemini 为基础模型在在线学习、拍卖理论和机制设计领域的 5 个开放问题上产生新结果。

Fractile 如何加速前沿模型推理

Fractile 采用从晶体管级电路设计到云端推理服务器逻辑的全栈方案，打造新一代 AI 加速处理器，以实现其硬件性能。该公司正在招募技术人员加入其团队，共同应对高影响力的技术挑战。

腾讯 WorkBuddy 宣布内置模型独家支持 Space Bunny

腾讯 WorkBuddy 今日宣布内置模型独家支持匿名 Flash 大模型 Space Bunny。该模型支持极速推理、编码、文本/图像/视频输入、可调思考深度、工具调用和 1M 上下文；2026 年 10 月 2 日至 10 月 7 日限时折扣。

前 DeepMind AlphaGo 核心成员 Thore Graepel：LLM 并不会真正推理

Thore Graepel 认为，当前 LLM 通过 next-token 预测生成 chain of thought，只是更长的 System 1 模式联想，并非 AlphaGo 中独立搜索机制式的推理。

elvis@omarsar0AI 评分4747

ProVer 用 LLM judge 对比成功与失败 rollouts、定位关键决策段，再以该段前后续采样的成功率变化作为优势，解决 GRPO 对整条 trajectory 所有 token 赋予相同 advantage 的问题。

Show HN：Hops Run 在程序化游戏中击败 Semif（开源 Jev）与 Kumo（NVIDIA）

Hops Run 是一款程序化游戏，其排行榜显示 Qwen3_4B/1 以 6330 m 成绩位列第一，领先 NVIDIA 的 Kumo_Tabular/1 small（最高 5994 m）。排行榜版本为 v1.11.0，榜首由 SemIf 提交，共完成 789 runs。

Elon Musk@elonmuskAI 评分4242

超级智能（前称 AI）如今在会计测试中表现出色

elvis@omarsar0AI 评分5353

AgentWorld 论文在游戏沙盒中让 3 至 20 个不同角色的 LLM 智能体执行 50 轮以上任务，发现团队行动中不足三分之一真正有助于完成任务。Gemini 3 Flash 任务成功率最高，为 52.0%；协调类任务最难，成功率仅 12%，常见失败包括沟通中断、角色混乱和共享计划丢失。论文链接：https://arxiv.org/abs/2609.31590

Rohan Paul@rohanpaul_aiAI 评分5252

MerchantBench 评测 8 个领先 LLM 在 365 天电商运营模拟中的长期一致性，最佳配置 Qwen3.7-Max with Hermes 的最终净资产仅为人类参与者平均水平的 27.3%。