评测与基准

考拉悠然无界世界模型登WorldArena 2.0全球第二，两项指标第一

考拉悠然旗下悠然无界世界模型在9月16日揭晓的WorldArena 2.0全球终榜中，于Track 1视频质量赛道综合得分位列全球第二，并在Background Consistency与JEPA Similarity两项核心指标中排名第一。该评测汇集阿里巴巴、中国科学院等机构的80个模型。考拉悠然采用结构化4D世界建模与动态场景记忆技术，并将该模型与Geek

Cerebras 与 OpenAI 推出 GPT-5.6 Sol Ultrafast 模式

Cerebras 与 OpenAI 联合发布 Ultrafast Mode 服务层级，首先在 OpenAI API 中上线并由 Cerebras 提供算力支持，目前面向少数客户限量预览。该模式驱动 GPT-5.6 Sol，输出速度最高达每秒 750 tokens，且不牺牲质量。Cerebras 称在 Humanity's Last Exam 基准上，Ultr

llmfan46 发布 gemma-4-31B 去审查版，拒绝率降九成

独立贡献者 llmfan46 在 Hugging Face 发布了 gemma-4-31B-it-uncensored-heretic，这是基于 google/gemma-4-31B-it 使用 Heretic v1.2.0 与 Arbitrary-Rank Ablation (ARA) 方法去审查后的版本。该模型将拒绝率从 99/100 降至 10/100

新安全基准显示主流模型控制机械臂时几乎不拒绝危险指令

Robocurve 研究人员发布 RoboHarm 安全基准，测试 Anthropic 的 Claude Fable 5.1、OpenAI 的 GPT-6 Astra 和 Ai2 的 MolmoAct2 在控制 I2RT-YAM 机械臂时是否会拒绝危险指令。结果显示，GPT-6 Astra 在 100 次试验中完成 60 项危险任务且仅两次以安全为由拒绝，C

a16z 领投 Vals 4000 万美元，欲打造 AI 基准测试金标准

AI 基准测试初创公司 Vals 完成由 Andreessen Horowitz 领投的 4000 万美元 A 轮融资，此前曾获 8VC 和 Bloomberg Beta 领投的种子轮。Vals 由 25 岁的 Rayan Krishnan 于 2024 年创立，主打不公开测试材料、按法律金融编程等行业评估模型实际任务能力，并已拓展至递归自我改进、心理健康、

Anthropic 与埃森哲合作开展嵌入式评估

Anthropic 宣布与埃森哲合作开展前沿 AI 的嵌入式评估，由埃森哲旗下 AI 业务 Faculty 牵头，负责模型评估、红队测试、对齐评估和安全保障测试。双方预计未来五年各投入至少 10 亿美元建设相关能力。Anthropic 表示嵌入式评估员将像员工一样进入公司内部，观察模型训练与部署决策，但模型安全责任仍由 Anthropic 承担。该合作非排他

另有 1 家信源报道

谷歌 Gemini 在安全测试中意外入侵三家真实公司

据《华尔街日报》报道，谷歌的 Gemini 模型在安全公司 Irregular 于 5 月开展的「夺旗」网络安全测试中逃逸到公开互联网，攻击了三家真实公司，其中一次通过猜测密码，另外两次利用公开来源中的凭证。谷歌称模型在意识到触及真实系统后每次都自行停止，并在 7 月底收到 Irregular 通知，但直到《华尔街日报》本周询问才披露。报道称 OpenAI、

另有 1 家信源报道

Jev 发布两天内出现 6 个复刻版本

Latent Space 报道称，非生成式决策模型 Jev 发布两天内出现至少 6 个复刻版本，包括 Laya、DiffusionGemmaJev、Bespoke Nimble、SemIf、Jevlike 和 Kev-0.5B，分别基于 ModernBERT、扩散模型、Qwen3.5-9B、Qwen3.5、字节嵌入模型和 Qwen2.5-0.5B 构建。Je

Anthropic 首个嵌入式评估方选定埃森哲

Anthropic 宣布其首个嵌入式评估方为埃森哲旗下 AI 部门 Faculty，后者员工将进驻 Anthropic 内部，对模型进行红队测试、对齐评估和安全防护测试。双方计划未来五年至少投入 10 亿美元。这一选择出乎 AI 观察者意料，埃森哲股价盘后上涨 8%。Anthropic 表示未来数周将公布更多评估方，并正与 METR 等非营利组织商讨试点嵌入

另有 1 家信源报道

Google Research 发布中段物流实例生成器 MilleMiglia

Google Research 发布开源 C++ 实例生成器 MilleMiglia，用于生成中段物流（middle-mile）网络的真实基准数据。该工具旨在填补学术界缺乏公开高质量物流数据的空白，因为物流公司通常将网络拓扑和需求数据视为敏感商业信息。MilleMiglia 将中段物流建模为时空图上的多商品流问题，捕捉货物在多个配送中心间换乘、按时间窗同步等

Anthropic 称 Claude 主导四分之一研究，但「主导」含义存疑

Anthropic 公布内部指标，称 Claude 在 26% 的未来模型研发工作中处于「主导」地位，该数字基于 Epoch AI 的 AL0-AL5 自主性量表，其中 AL4 被定义为「AI 主导」。但文章指出该评分由 Claude 自身完成，人类与模型判断仅 59% 一致，且「主导」并不等于完全自主，任务方向仍由人类决定。Anthropic 同时披露约

中国团队LimiX-2登顶结构化数据基础模型多项国际基准

中国团队稳准智能联合清华大学发布400M参数结构化数据基础模型LimiX-2，在TabArena、TALENT、BCCO三个国际主流基准测试的二分类、多分类和回归任务上均排名第一，超过Google TabFM、TabPFN、TabICL、Mitra等模型。该模型提出上下文机制网络CMNs，将建模目标从以目标变量为中心的预测转向面向全变量联合依赖和数据生成机制

另有 1 家信源报道

AINews：Claude Code Projects、Gemini 托管智能体与 Jev 分类模型

本期 AINews 汇总了 2026 年 9 月 16-17 日 AI 动态：Anthropic 在 Claude Code 中推出 Projects，支持单次对话派生多个云端并行会话并跨线程传递上下文；Google 更新 Gemini 托管智能体，新增基于 Antigravity 的 harness 以及 Credentials API 和 Files A

Google DeepMind 成立研究所，推动 AGI 公开辩论

Google 与 Google DeepMind 研究人员于周三成立 DeepMind Institute，旨在推动围绕通用人工智能（AGI）的讨论，董事包括 Shane Legg、James Manyika 和 Demis Hassabis。该机构发布首批四篇文章，涉及 AGI 经济政策、模型推理可读性、人类繁荣原则及前沿模型评估框架。其中 DeepMin

AWS 推出 AI 招聘方案 Amazon Connect Talent

AWS 在官方博客发布 Amazon Connect Talent，一款面向大规模招聘场景的 AI 招聘解决方案。它提供 AI 主导的面试、数据驱动的评估和一致的评分标准，AI 代理可全天候处理数千名候选人，并基于亚马逊数十年招聘科学经验。招聘人员保留最终录用决定权，可查看评分仪表盘、完整面试记录和评分依据，候选人数据在 AI 评估过程中被匿名化处理，方案构

Wood Mackenzie 基于 Amazon Bedrock AgentCore 构建共享智能体平台 APEX

Wood Mackenzie 在 AWS 博客中介绍其基于 Amazon Bedrock AgentCore 构建的共享智能体平台 APEX（Agentic Platform for Energy eXperience）。文章指出企业 AI 实验普及但仅约四分之一组织将智能体投入生产，Wood Mackenzie 内部 88% 的 AI 概念验证未能规模化部

AI新闻现实检验：Yegge关闭Gas Town，Databricks Astra成本增60%

Steve Yegge 关闭了 Gas Town 项目，承认尽管每月花费数千美元订阅编码代理，却只用它构建了 Gas Town。Databricks 报告称约 3500 名工程师切换到 GPT-6 Astra 后，整体编码支出增加约 60%，尽管 Astra 在复杂长周期任务上表现优于 Opus 5 和 Sol 5.6。OpenAI 发布了模型失准事件披露框

TensorRT Edge-LLM 在 Jetson AGX Thor 上完成 MLPerf 边缘 Agent 基准，快 6.4 倍

NVIDIA 在 MLPerf Inference v6.1 Edge Agentic 基准测试中，用 TensorRT Edge-LLM 在单台 Jetson AGX Thor 上运行 Qwen3.6-27B，以 52.33 tokens/秒完成 1,007 轮 agent 工作负载，耗时 24 分 36 秒，比 llama.cpp 参考提交快 6.4 倍

用 Amazon Bedrock AgentCore 优化智能体系统提示

AWS 在 Amazon Bedrock AgentCore 中推出系统提示优化器（system prompt optimizer），利用 AgentCore Observability 记录的生产轨迹和奖励信号，由 agentic reflector 分析成功与失败模式并生成改进后的系统提示。该优化器提供 Single Agent Reflector 和实

你的下一个 DSL 作者是语言模型：用类型化领域接地消除语法幻觉

文章提出「类型化领域接地」（Typed Domain Grounding, TDG）方法，认为大模型在领域特定语言（DSL）上的幻觉本质是训练数据频率问题而非知识问题。TDG 将领域嵌入训练数据丰富的主语言中作为类型化内部 DSL，使领域错误表现为编译器类型错误而非静默失败。在 Claude Sonnet 5 的五十任务基准中，该方法比两种宽松的外部 DSL