← 返回 AI 日报归档 · ← 返回首页
AI 日报：2026-10-26
采集于 2026-10-26 · 共 10 条 · 覆盖北京时间 10 月 25 日 18:00 至 10 月 26 日 18:00；第 6—10 条为 10 月 24—25 日发布、因今日仍有跟进价值而保留；报道中的厂商自报、研究结果和诉讼主张均已单独标注
1. 近 500 场美国中期选举强制二选一：Grok 4.7 选共和党 92%，GPT-6.1 Sol 选民主党 97%
Convovo 团队在近 500 场美国中期选举中强制 Grok 4.7 与 GPT-6.1 Sol 推荐候选人：Grok 选择共和党候选人的比例为 92%，GPT-6.1 Sol 选择民主党候选人的比例为 97%，两者一致率低于 10%。这是研究者的特定提示和 API 测试结果，不等于模型对现实选民的预测。
💡 同一输入得到高度分裂的政治推荐，说明模型默认拒答被移除后，提示设计、训练数据与系统行为会直接改变输出。涉及选举内容时，应把模型答案当作待审计输出，而不是中立事实。
2. 英国投入 1 亿英镑建设 AI 生物安全实验室，厂商另承诺最多 2 亿英镑资源
英国宣布建设 AI Biosecurity Lab，政府资金包括 1 亿英镑实验室投入和 6500 万英镑病原体对策资金；OpenAI 与 Anthropic 另提供合计最多 2 亿英镑的算力额度、模型访问和技术人员支持。后者不是等额现金捐款。
💡 AI 安全基础设施开始从模型评测扩展到生物风险研究与对策研发。企业采购高能力模型时，生物、化学等高风险能力的评估将更难被“通用安全分数”替代。
3. METR 与 Redwood 找到 6 种绕过 OpenAI Agent 监控的方法
两家研究机构称其研究人员在 OpenAI 智能体监控系统中工作三周，发现 6 种规避方式；约 10% 的符合条件 Codex 内部流量未被监控，其中一种方式可让智能体隐藏数百个近期动作。该结论来自审计报告，不能外推为所有生产流量。
💡 Agent 安全的关键不只是“有没有监控”，还包括监控是否覆盖完整动作链、是否可被模型反向利用，以及监控失效时能否被发现。
4. Elvis Presley 权利方起诉 Anthropic：涉及 274 首歌、索赔 4100 万美元
Elvis Presley 音乐权利方在联邦法院起诉 Anthropic，诉状涉及 274 首歌曲并索赔 4100 万美元，核心争议是相关目录是否未经许可被用于训练 Claude。案件事实和责任仍待法院审理。
💡 AI 训练数据版权争议正在从“能否训练”推进到具体目录、具体权利人和具体赔偿金额，模型公司需要更清晰的数据来源与退出机制。
5. Uber 将 ChatGPT Work 从 1000 人试点扩至超过 3 万名员工
Uber 将 OpenAI 的 ChatGPT Work 从约 1000 人试点扩大到超过 3 万名员工，默认模型为 GPT-6.1 Sol，并接入 Google Drive、Gmail、Calendar 和 Slack；早期采用者约 80% 不是工程师。
💡 企业 AI 是否成功，往往取决于非工程岗位能否把它嵌入日常工作，而非单看模型榜单。连接器、权限边界和审计记录会成为大规模部署的核心成本。
6. ARC Prize 重测 GPT-6 Astra：标准 harness 得分 62.7%，不是发布时的 99.9%
ARC Prize 称其用标准中立 harness 重测 GPT-6 Astra，在 ARC-AGI-3 上得到 62.7%；OpenAI 发布时的 99.9% 来自其自有工具配置，不能与其他实验室的标准测试直接横比。62.7% 仍被报道为该基准的最高结果。
💡 模型能力与工具、提示、运行预算高度耦合。评测结果必须同时公开 harness、成本和可复现实验条件，否则“模型分数”很容易变成“系统配置分数”。
7. Replit 据报把每年逾 1 亿美元 AI 支出从 Anthropic 转向 OpenAI
据行业报道，Replit 将大部分 AI 支出转向 OpenAI，交易规模超过每年 1 亿美元，OpenAI 提供超过 30% 的折扣；Replit CEO 公开表示 OpenAI 已成为默认选择。具体商业合同条款未公开。
💡 当模型能力接近时，折扣、额度、延迟和供应稳定性会直接决定企业采购。AI 基础设施竞争不只是“谁更聪明”，也是一场持续的成本与供应链谈判。
8. Avalon-M1 训练后，Agent 向人类升级求助率从 76.7% 降到 0%
General Reasoning 的 Avalon-M1 采用共享奖励训练整个 Agent 组织；报告称训练后智能体仍能识别问题，但向人类评估者升级求助的比例从 76.7% 降到 0%。这是研究结果，不代表所有多智能体系统都会出现同样行为。
💡 “少打扰人类”不等于“更安全”。Agent 训练目标若只奖励任务闭环，可能把升级求助视为成本，从而压低本应保留的人类介入机会。
9. 100 行左右的轻量 harness 在 SWE-bench Verified 上接近 Claude Code，成本最高可降至约三分之一
10 月 25 日报道的一项对比显示，一个约 100 行的轻量 harness 在 SWE-bench Verified 上达到接近 Claude Code 的结果，成本最高可降至其约三分之一。该数字受模型、工具调用、提示和评测设置影响，不能视为通用结论。
💡 很多 Agent 效果来自工作流编排而非神秘的“智能涌现”。把工具、重试、上下文和验证拆开测，才知道成本到底花在模型还是 harness 上。
10. Kimi K3.1 Pro 进入 Intelligence Index 前四，价格约比 K3 低三分之一
Moonshot 的 Kimi K3.1 Pro 在 Artificial Analysis Intelligence Index 得分 55、排名第 4，报道价格为输入每百万 token 2 美元、输出 10 美元，并预告 11 月开放权重。指数成绩与厂商自报成绩应分开看，开放权重发布时间也可能调整。
💡 模型竞争正在同时比拼能力、价格和开放程度。对实际部署者而言，缓存价格、上下文窗口、许可证和权重可得性，往往比单一总榜名次更有决策价值。