Y Combinator 与 Olam Labs 的研究者在《我的世界》中测试上百个智能体的协作与对抗，项目已开源，参考链接为 https://labs.ycombinator.com/projects/games/index.html。
游戏沙盒实验显示多智能体的价值取决于协调与决策结构，堆数量可能只带来官僚化空转。
弗吉尼亚理工、马里兰大学、MBZUAI与匹兹堡大学的团队提出Epi2Diff，把大模型推理轨迹拆为八类认知片段并结合题目内容，预测人类作答难度，论文已被期刊TMLR接收。
让大模型先解题再从解题过程反推难度，把难度判断从题干语义扩展到解题行为，为题库建设降低预试标定成本提供了新路径。
LeCun与Randall Balestriero发布新论文，在特定理想化条件下为柏拉图表征假说给出数学论证，并把主流的下一token预测归入Bad-View JEPA。
这项研究把模型能力的关键从参数规模移回训练目标设计，但结论目前只在跨模态表征对齐这一个指标上成立。
《柳叶刀·数字健康》10 月 19 日发表研究，美国麻省总医院、哈佛医学院等机构团队开发 FAHR-Face 基础模型，其下的 FAHR-FaceSurvival 用 34363 张癌症患者照片训练，仅凭面部照片预测生存风险。
研究的实质是把过去只能靠医生主观估计的患者身体虚弱程度，变成一张面部照片就能量化的风险信号，为治疗耐受性评估提供补充。
理论神经科学家 David Clark 在 arXiv 发布论文（编号 2610.12426），自述借开启 Max 模式的 GPT-6 Astra 独立运算 100 分钟，得出 Sompolinsky 1988 混沌神经网络模型完整李雅普诺夫谱的解析推导，该公开问题已悬置 38 年，2023 年仅有 Engelken 等人的数值解。
若属实，前沿模型已能产出原创解析推导而不只是数据驱动的模式识别；但目前结论仅出自论文作者自述，独立验证尚未出现。
Adobe 与 UC San Diego 研究人员在论文中提出 EditAgent，该系统把编辑请求拆成有依赖的步骤，为每步用通用编辑器和专用工具并行生成候选，再由未微调的语言模型依据局部放大图、改动区域图和亮度色彩实测数据一次选出最佳结果。
这项研究的实质是智能体可靠性来自架构而非单一强模型，工具选配得当、评审看到实测数据，普通模型也能压过微调模型。
赛迪研究院发布《新域新质创新发展十大趋势》，报告显示我国人工智能推理数据量首次超过训练数据量，标志从模型训练研发转入规模化产业应用阶段。截至 2026 年 6 月，日均词元调用量超 175 万亿，较 2024 年年初增长 1000 多倍；我国已建成 500 多家卓越级智能工厂，国产算力与大模型在钢铁、汽车等 20 个行业落地 1000 多个应用场景。
推理数据量反超训练数据量，说明国内 AI 的价值重心正从训练研发转向规模化应用，用模型成为主要增长面。
A股2026年三季报收官，5572家上市公司前三季合计营收56.65万亿元、归母净利润5.10万亿元，同比增长5.42%和7.76%，但Q3单季净利润同比下滑11.02%。
三季报的主线是AI算力从涨价预期走向业绩兑现，材料板块跟涨但叠加周期和低基数因素，地产与消费仍在寻底。
OpenRouter 撰文解释开放权重与闭源权重模型的区别，其平台数据显示开放权重占前 50 模型 token 份额从 2025 年 10 月的 27% 升至 2026 年 9 月末的 72%，期间闭源用量增长近 10 倍、开放权重增长超 60 倍。
开放与闭源模型之争正变成一笔可量化的账，约 4 倍价差对应约 11 分质量差距，开放权重成为多数工作负载的合理默认起点，闭源留给最难的环节。
据 Exin Therapeutics 联合创始人 Gabriel Ocana-Santero 在 X 上的自述，Claude Sonnet 5 在无人决策下为癫痫小鼠选定基因疗法并完成脑部注射手术。
实验把大语言模型推到真实手术的决策与执行位置，对齐问题从理论变成术中现实，模型拒绝执行本身成为流程风险。
微软研究院构建行业评估数据生成平台，用全合成企业环境评测 Microsoft Copilot，任何阶段不使用真实客户数据。合成环境以 O*NET 职业数据、在线招聘信息和 SEC 文件等公开数据为底，覆盖制药、资本市场和 IT 软件三个行业，每个环境含数百名虚拟用户。
微软把企业级 AI 评测的瓶颈从拿不到真实数据，转为生成可信的合成环境，评测基础设施本身成为其产品可靠性的一部分。
UniPat AI 与视觉推理实验室 Elorian AI 推出跨学科三维理解基准 ScienceVision，覆盖生物、化学、医学影像、机械 CAD、建筑 5 个学科 22 个子领域共 250 道基于真实三维数据的题目。
演示视频里的 CAD 效果与工程可用性之间存在落差，三维科学观察与推理仍是前沿模型的共同短板。
人工智能语言公平研究联盟上月发布的研究发现，AI 模型处理不同语言的 Token 消耗量差异悬殊，互联网最常用 20 种语言中最高为最低的 1.5 至 5 倍，其中一个模型中最多相差 17 倍。
AI 服务的实际成本不只取决于模型选型，还取决于语言本身，非主流语言用户在费用、速度和上下文容量上都要多付隐性代价。
清华大学、无问芯穹与智元联合提出群体经验学习范式CEL，并在96台真实机器人集群完成规模化验证，机器人可借鉴同伴成功经验而非只靠人类示教。未参训机器人600次测试总体成功率97.5%，插花、叠衣服、手机充电、凳子组装、手机包装五项任务全部超过6名人类操作员的平均水平；参训机器人从16台增至96台时，成功率从86.7%升至98.3%。
这项工作把具身智能依赖人类示教的瓶颈，转成机器人数量本身带动的经验积累，规模优势替代人力投入。
Claude Code 本身免费安装，费用来自所调用的模型。OpenRouter 用截至 2026 年 10 月 18 日的 30 天平台会话数据给出中位成本，2-9 轮会话在 Opus 5.5 上为 $0.31、Sonnet 5.5 为 $0.16、Haiku 5.5 不足 1 美分，10-49 轮会话前两者分别为 $1.39 和 $0.60。
OpenRouter 用平台真实数据把 coding agent 的会话成本变成可估算的账单，模型选择和会话轮数是两个主导变量，单次花费可相差数十倍。
Microsoft Research Focus 第 97 期由 Sowbhagya Suresh 主持，汇总微软最新研究进展，其中 ForkPilot 自改进智能体框架在六项基准上达到现有最佳方法水平，AI 处理需求最多降低 59%。
微软本期研究的主线是把智能体可靠性拆成可量化问题，何时回溯决策、为何失败、怎样从日志学技能都有了对应框架。
斯坦福 Percy Liang 团队及合作者推出 After42，让 AI 从宽泛目标出发提出候选研究问题，经尝试求解、批评和改写逐步筛选出更成熟的方向。
AI 正从解答问题延伸到科研选题，尝试求解加迭代改写把候选问题获专家认可率从 3% 提到 33%，但选题价值判断仍握在专家手里。
成立仅两个月的Physical Superintelligence（PSI）宣布，其自研AI科研系统Emmy在量子信息理论5个开放问题上取得成果，论文、Lean形式化证明与验证代码已在GitHub（github.com/physical-superintelligence/oqp-batch-2026）公开供学界审查。
AI科研系统开始产出量子信息开放问题层面的成果，但出自成立仅两个月的新公司自行宣布，含金量取决于学界对其公开材料的审查。
伊利诺伊大学厄巴纳—香槟分校、卡内基梅隆大学、哥伦比亚大学等机构研究人员提出实时交互式全模态智能综述，总结349篇工作，给出连接全模态智能与交互能力的统一概念框架。
全模态AI的研究重点正从压缩回答延迟转向何时回应、如何处理打断等交互决策，这类能力开始形成系统方法。
东京大学团队提出多模态交互式欺骗评估基准MIDA，用一夜终极狼人杀游戏测试GPT、Gemini、Claude、Qwen、DeepSeek等模型在多人互动中判断谎言的能力，论文已被EMNLP 2026主会接收。
总体准确率会掩盖辨谎短板，多模态模型的感知能力强不等于能推断他人意图，多人互动场景选型不能只看总分。
GitHub 发布 2026 年度 Octoverse 开发者报告，过去 12 个月代码推送达 179 亿次，超过 2024 与 2025 两年之和，提交数 343 亿约为两年前的三倍多。
GitHub 年度数据显示智能体已成为开发者日常工作方式，软件开发的速度与协作基准正在快速上移。
Gartner 调研显示，仅 3% 的企业通过 AI 实现了提高生产力效率、降低运营成本等目标；尽管 38% 的企业 AI 预算已超支，仍有 85% 的企业计划在 2027 年增加 AI 支出。
投入与产出出现明显落差，问题不在技术而在目标设定，多数企业把 AI 当降本工具考核的预期现阶段基本落空。
苹果团队提出 iPrefBench 基准，在可执行 iOS 环境中以 26 个应用、130 个未完全指定任务和围绕同一用户构造的 3051 条活动记录，评估移动端 Agent 面对模糊请求时应从历史推断还是向用户追问（论文 https://arxiv.org/abs/2610.34735）。
移动端 Agent 执行界面操作已接近可用，短板转向个性化，推断与追问的分寸成为新的评测与选型维度。
分子之心发布AI蛋白质从头设计平台MMDesign的技术报告，覆盖18个靶点、纳米抗体与大环肽两类模态共19个项目，18个获得实验确认的结合分子，项目成功率94.7%，453个受测候选中139个确认结合，整体命中率30.7%。
AI蛋白质设计的竞争正从单点模型性能转向可复用的系统性验证，分子之心以此争取药企研发合作，但关键数据均为厂商自报。
Axiom Math 10 月 26 日宣布，数十个 AI Agent 在 24 天内完成有限单群分类定理的 Lean 形式化，生成约 4310 万行代码、205 万个形式化声明，官方称给出第一份覆盖整个定理的计算机检查证明。
实质不是单个模型变强，而是多 Agent 分工加形式化验证的工程方法，把依赖数十年专家积累的大型知识工程压进了周级周期。
微软诊断系统MAI-DxO登上《科学》杂志，在《新英格兰医学杂志》304个疑难病例测试中诊断准确率约83%，允许查资料的医生组约36%、不允许时约22%；在325个急诊病例上系统约80%，医生约47%。
多角色会诊编排让通用大模型在疑难病例诊断上明显领先人类对照组，但测试病例与医生配置都偏向AI一方。
Anthropic 披露一项形式化验证研究，把开源软件编译到 RISC-V 汇编层后由 Claude 生成形式化证明，涉及 123 个开源软件、239 个程序入口，证明代码超过 1.8 亿行。
形式化验证把 AI 生成代码的信任交给独立检查器，安全工作的瓶颈从跑测试转移到定义规格与前置条件。
微软的MAI-DxO诊断系统登上《科学》杂志，用一个底层模型扮演五位分工不同的AI医生进行会诊式诊断，在《新英格兰医学杂志》304个疑难病例测试中准确率约83%，可查阅资料的医生组约36%（微软10月22日公布的官方口径）。
AI诊断的能力来源正从单模型转向多角色会诊流程加费用控制，医疗AI竞争也随之从文书工具延伸到诊疗决策环节。
美国麻省总医院布莱根团队的AI仅凭一张面部照片预测癌症患者生存情况，研究10月19日发表于《柳叶刀·数字健康》。在3820名留出测试患者中，风险分最高的122人90天内去世64人，最低的975人同期仅去世20人；被判定看着比实际年龄老5岁以上者，校正年龄、性别、癌种后死亡风险仍高出21%。
面部照片被做成了低成本的健康信号，它对医疗是分诊参考，对保险和招聘则是尚未被约束的筛选工具。
野村研报判断全球机器人仍处AlexNet时刻之后、GPT-2之前的加速期，机器人大脑尚未达到GPT-2水平，真正的ChatGPT时刻需由运营指标和数据飞轮确认，而非由发布会宣告。
机器人爆发的实质门槛在数据飞轮和工厂运营指标，而非模型发布，当前处于GPT-2之前的加速期。
清华大学、NVIDIA、CMU、UC Berkeley、Princeton、NUS 等海内外机构联合发起实时交互视频生成评测基准 StreamEval（https://streameval.ai），覆盖数字人对话、虚拟人表演、世界生成、指令编辑、参考编辑五类任务，共 300 个测试用例、38 个模型，代码、数据集与评分规则全部开源。
在连定义都未统一的实时交互视频赛道，清华与 NVIDIA 等机构先把公开、可复现的评测标准立了起来。
纽约大学与得克萨斯大学奥斯汀分校的研究团队让 14 个语言模型生成对话、编程和议论文，与人类写作对比后归纳出六种让 AI 文本难读的语言模式，如生僻搭配、名词堆叠和名词动用。
AI 文本难读源于训练奖励正确性而非清晰度，是训练方式的副产品，研究显示定向微调可以改善。
沙利文与头豹研究院《中国全栈AI云服务市场报告2026H1》显示，商汤大装置（SenseCore）在中国Neocloud（新云）赛道拿下近一半份额。商汤大装置日均服务Token量从年初约4000亿增至9月底6万亿，官方称四季度目标日均10万亿。
算力生意的计价单位正从Flops转向Token，Neocloud竞争核心从囤卡规模转向推理效率，商汤的份额优势建立在异构混推与算电协同的成本能力上。
哈佛 Gary King 团队的研究发现，Claude Opus 4.8 在 124 篇论文的审稿对比中全面胜过付费人类专家，GPT-5.5 作裁判时整体比较人类一次未胜，Claude 平均 8.7 分对人类 6.0 分。
专家级评审这类高门槛知识工作在受控实验中被模型全面反超，反对 AI 介入质量把关的主要理由正在失效。
Gartner 于 2026 年 4 至 5 月对全球 203 位 CEO 及企业高管开展的 2027 年 CEO 调研显示，44% 的 CEO 难以向利益相关方证明 AI 带来的财务回报，但 75% 的受访者仍计划增加技术投资。
AI 投入的论证重点正从个人生产力收益转向运营模式重构，回报难以量化但多数 CEO 仍选择加码投资。
阿波罗全球管理公司首席经济学家托斯滕·斯洛克发布研报称，尽管 AI 投入巨大，但在 Alphabet、亚马逊、苹果、Meta、微软、英伟达、特斯拉七巨头之外，还没有美国大型企业从 AI 获得实打实的利润增量。
资本市场对 AI 的审视正从能力宣传转向利润兑现，企业 AI 投入与财务回报之间的缺口被研报摆上台面。
哈佛研究人员10月22日发表论文，对比134组AI与人类撰写的审稿意见，AI在七个评价维度全面领先，三位前学术期刊主编盲评30次中有26次选择AI。实验以Claude Opus 4.8生成审稿意见、GPT-5.5担任盲评评委，开放联网后134组对比中AI胜出132组；在可核查论断中AI事实错误率为5.5%，人类为15.9%。
这项研究把同行评审从人类专属领域拉入可量化对比，AI以更低错误率胜出，专业审稿类知识工作的成本结构开始松动。
清华大学丁宁团队联合北京邮电大学、北京大学及自然意志研究员构建了跨本体灵巧操作仿真平台与评测基准HandsOn，包含66项人工验证任务和18,000条人类仿真遥操作示范，论文、代码与数据已公开（arXiv https://arxiv.org/abs/2610.26765）。
HandsOn把执行与泛化分开测量，这份考卷也量化出灵巧手操作从模仿示范到完成任务之间的真实差距。
中国信通院联合发布《大模型词元服务性能监测报告（2026 年）》，2026 年 6 月国内词元日均消耗量约 500 万亿，是 2025 年 12 月的近 4 倍。
词元用量与价格同步上行，说明国内大模型应用进入规模化阶段，竞争重心从价格战转向性能与稳定性。
一项覆盖5个模型、3款智能体框架、SWE-bench Verified 上45道最难任务加447题任务池的研究发现，更换框架对编程成绩的影响与重复跑一次的随机波动相当，任务级翻转率同为13%；但同一任务换框架成本最多差3倍，差距主要来自随每步重发的系统提示词，Claude Code 约16,600 tokens，mini-SWE-agent 不足1,000。
编程智能体框架的选型更像成本决策而非能力决策，各家宣传的跑分优势大多落在随机波动内，真实差距体现在账单上。