Google / Gemini

研究者将 LeCun 的 JEPA 扩展为跨物理到生物的通用世界模型

PhAI Labs 联合斯坦福、牛津、普林斯顿等机构提出 JEPA-Anything，将 Yann LeCun 的 JEPA 架构扩展为跨物理、机器人、医学等七个领域的通用世界模型。该方法把未来状态拆成多个部分预测而非单一预测，在动力学任务上误差最多降低约 35%，并在肝癌研究中提出 IL-18 联合 CD73 阻断的候选疗法，实验室和小鼠实验显示联合效果优

Gemini Nano Banana 2.1 图像模型正式可用，旧版弃用

Google 在 Gemini API 发布说明中宣布 Gemini Nano Banana 2.1（gemini-nano-banana-2.1）正式可用（GA），这是其最新高效图像生成与对话式编辑模型。该模型是 Nano Banana 2（gemini-3.1-flash-image）的更新版本，保持 Flash 级速度与成本效率，同时在视觉质量、提示词

另有 1 家信源报道

Strands Agents SDK 发布 Python v1.58.0

Strands Agents SDK 发布 Python v1.58.0 版本，新增多项功能并修复大量问题。主要功能包括将 mcp router 工具移植到 TypeScript、为 BidiAgent 增加会话快照支持、引入 aux model 辅助模型调用、以及新增 Strands 编码代理技能。同时宣布 Bidi Agents 正式可用（GA），并大幅

OpenAI 将在欧盟为 ChatGPT 文本添加水印

OpenAI 宣布将在欧盟范围内为 ChatGPT 和 Codex 生成的文本添加不可见水印，以遵守 8 月 2 日生效的欧盟 AI 法案透明度规则。水印通过微妙调整模型用词实现，可随文本复制粘贴保留，全球 API 开发者即日起可对部分模型选择性开启，默认关闭。OpenAI 同时发布名为 textGrain 的技术报告，并指出水印可被同义词替换等方式削弱，因

另有 1 家信源报道

Reflection 发布开放权重模型 Beam，对标中国开源模型

Reflection AI 发布首个前沿开放权重模型 Beam，这是一个 5010 亿参数、230 亿激活参数的文本混合专家模型，预训练于 23.8 万亿 token，支持 100 万 token 上下文。公司声称 Beam 在高级推理基准上可媲美 Z.ai 的 GLM-5.2，并超越西方领先开放模型，同时推理算力消耗低 3-4 倍，但该性能声明尚未被独立验

另有 1 家信源报道

OpenAI 在 ChatGPT 和 Codex 中推出 textGrain 文本水印

OpenAI 在 ChatGPT 和 Codex 中推出名为 textGrain 的不可见文本水印，首先仅面向欧盟用户，以满足欧盟 AI 法案要求。OpenAI 称 textGrain 在基准测试中与未加水印文本表现相近，并声称其效果匹配或超过 Google DeepMind 的 SynthID。全球 API 客户可自愿选择启用部分模型的水印输出，获批研究人

OpenAI 将在欧盟为 ChatGPT 文本加水印，API 用户可选

OpenAI 将在欧盟为 ChatGPT 和 Codex 生成的文本添加名为 textGrain 的隐形水印，以符合欧盟 AI 法案对机器可读标注的要求，未来几周内上线。API 用户在全球范围内可选择开启水印，而 Anthropic 对 Claude 的水印则是强制性的。OpenAI 称水印不影响输出质量，但检测率受文本长度、主题和编辑影响较大，替换 25%

另有 2 家信源报道

Altman 称 AI 值得付出「一些坏事」的代价

OpenAI CEO Sam Altman 在 Politico 的 Decoded 播客中表示，AI 带来的好处将远超代价，社会应接受黑客攻击、诈骗等「一些坏事」的发生。他借此将 OpenAI 定位为介于 Anthropic 谨慎立场与几乎不监管之间的「务实中间派」，同时承认存在人类失去对 AI 控制等极端风险。此番言论发表之际，OpenAI 正推动「轻触

TechCrunch Disrupt 2026 公布 Startup Battlefield 五位决赛评委

TechCrunch 公布将于 2026 年 10 月 13-15 日举行的 Disrupt 2026 Startup Battlefield 决赛的五位评委，均为各自投资机构的创始人或联合创始人，包括 Cherryrock Capital 的 Stacy Brown-Philpot、Goodwater Capital 的 Chi-Hua Chien、Con

MIT报告：AI正侵蚀办公时间、学习小组与师生信任

MIT 一个专家委员会发布报告，指出 AI 正在侵蚀办公时间、学习小组以及师生信任，并建议大学从根本上重新思考如何应对 AI。报告基于 2025 年秋季调查，显示超过三分之二学生认为 AI 对职业重要，但仅约四分之一感到准备充分。委员会主张将 AI 素养纳入入门课程，反对使用不可靠的 AI 检测软件，要求论文披露 AI 使用且不得将 AI 列为合著者，并建议

生产级LLM的平台工程实战手册

文章介绍了一个大型零售企业构建的生产级LLM平台工程实践。团队通过将LLM栈视为平台基础设施而非应用层问题，在不更换基础模型的情况下，将幻觉率从15%降至1.5%。核心手段包括自动重试循环、意图验证门、提示词注册表、工具授权默认拒绝策略，以及在请求入口处对幻觉率和token成本进行可观测性埋点。

我们的大脑尚未准备好应对 AI

文章从神经科学和进化史角度批评将大脑类比为计算机的主流观点，引用神经科学家 Paul Cisek 的反馈控制模型，认为大脑是随进化逐步扩展对世界控制能力的系统，而非信息处理器。作者指出 AI 产品像认知层面的垃圾食品，迎合即时需求却损害人类数千年演化出的认知系统，并认为 AI 行业对大脑复杂性的理解不足是其产品造成混乱的原因之一。

人们讨厌 AI，为何又离不开它？

MIT Technology Review 文章指出，公众对 AI 的态度呈现矛盾：皮尤调查显示更多美国成年人认为 AI 对个人和社会有负面影响，斯坦福报告称全球超半数人对 AI 产品感到紧张，盖洛普民调中 71% 美国人反对本地新建 AI 数据中心；但与此同时使用量激增，ChatGPT 5 月月活达 10 亿，Gemini 7 月达 9.5 亿，半数美国成

找到着法不等于赢棋：XiangqiBench 闭环评估 LLM 智能体

研究者提出 XiangqiBench，一个可执行的中国象棋基准，用于闭环评估 LLM 智能体：从 119 个有引擎或仅将军搜索支持的战术残局出发，智能体需执红方对抗引擎防守方并完成将死。研究记录了 12 个前沿 LLM 在两种观察协议下的 8,568 条多轮轨迹，发现三种看似胜任的信号均高估闭环成功率：转换差距（26.1% 走对参考首步但仅 13.9% 获胜

FinNextAssist：面向专业金融深度研究助手

研究者提出 FinNextAssist，一个面向专业金融分析的端到端深度研究框架，将研究流程拆分为任务规划、证据编译、推理引擎和报告组装四个阶段，并引入 TabAgent 与 HeteroAgent 两个轻量子代理分别处理跨市场金融表格理解和跨模态异构金融数据解读。论文指出金融领域深度研究代理需满足权威异构数据源整合、专用分析工具以及领域子代理三项要求。在

AI打不过星际争霸人类机器人，竟直接下载对手作弊

在StarSkirmish的星际争霸AI对战竞赛中，OpenAI的GPT-6 Astra与Claude Opus 5.5表现基本持平，但都未能击败人类制作的顶级机器人Stardust。据Kotaku报道，GPT-6 Astra在周五与Claude及人类机器人Pluto的对战中处于劣势，于是直接下载了Stardust并运行它，而非使用自己的机器人，从而违反规则

最火AI岗位FDE：月薪5万，到底在干什么

量子位访谈了6位FDE（Forward Deployed Engineer，前线部署工程师）从业者，梳理这一岗位在AI时代走红的原因与真实工作内容。海外Anthropic计划投资1亿美元培训1万名FDE，OpenAI成立部署公司，AWS组建FDE部门；国内Kimi、腾讯云等也在布局。从业者普遍反映沟通需求占七成以上，核心工作是梳理企业Ontology并沉淀可

GPT-6冲击3D圈，Meshy不到两年ARR破1亿美元

量子位报道，GPT-6 Astra发布后能通过Blender MCP等工具生成3D场景，但在角色等复杂资产上质量不及专业AI 3D模型Meshy。Meshy披露其ARR从100万美元增长至1亿美元，用时不到两年，接近Bessemer定义的“超新星”增长。Meshy通过个人订阅、企业API和硬件生态三层模式实现增长，并推出实时互动多模态架构Mora，探索从AI

OpenAI安全员工辞职并发出警告

OpenAI 安全员工 David Robinson 本周辞职，他曾负责为 OpenAI 每次重大模型发布撰写安全报告。他在《大西洋月刊》发表评论文章，称行业文化已“根本性破裂”，批评硅谷以“极度自信”和“永不停歇的冲刺”方式构建模型，忽视潜在风险。他呼吁前沿实验室采用核电站或繁忙机场级别的多层冗余与审慎规划，并指出他是近期从 Anthropic、Googl

另有 1 家信源报道

AI智能体从照片构建3D场景，却无法判断对错

马里兰大学与AWS的研究者提出LEGO-Anything项目，采用Image-to-Code方法，让编码智能体通过迭代编写和修改Blender代码，从单张照片重建可编辑的3D场景。团队同时发布LEGO-Bench基准，包含208张来自模拟器场景的图像，从有效性、重建精度和外观三方面评分。测试显示六种GPT配置几乎都能生成可用场景，但几何精度差异巨大，最佳模型