Agent 智能体 最新动态

Mistral 发布 Mistral Large 4（Le Chonk）的开放权重，这是一个 1 万亿参数的原生多模态模型，在公开预览基础上继续做强化学习，编码与防御性网络安全能力提升。

在 Artificial Analysis Coding Agent Index 上得分 48%，与开源领先模型 GLM-5.3 基本持平，但每任务平均少用 47% token；Terminal-Bench 4.0 从预览版提升 13 个百分点至 41%，输出 token 减少 30%。

Google 在 Android Dev Summit 上发布 Android Studio Rabbit 2，通过开放 Agent Client Protocol 支持在 IDE 内运行 40 多个编码智能体，包括 Anthropic 的 Claude Agent、OpenAI 的 Codex 和 Google Antigravity，并可直接访问项目结构、模拟器和 Logcat。Android CLI 新增面向 Claude Code、Codex 和 Antigravity 的官方插件，Google 内部测试显示智能体完成 UI 任务快 77%、token 用量最多降至三分之一。

Google DeepMind 发布新一代前沿模型 Gemini 4 Carbon，称其在网络安全与长周期任务能力上为自家最强模型，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。

该模型在漏洞发现基准 SEC-bench Pro 上取得 88.2%，在利用验证基准 ExploitGym 上取得 54.8%，在补丁生成基准 CWE-bench 上取得 71.0%；WebDev Arena 上提升 89 elo 至 1769 分、排名第 4。

安全初创公司 Cathedral 利用 AI 智能体，通过第三方商业软件进入 Anthropic 内部系统，接触到会议记录、薪资数据、招聘信息和 Slack 消息等内部数据。

Anthropic 确认研究人员访问了部分销售、人力资源和 IT 系统，包括部分客户与合作伙伴的联系方式及基础用户账户数据，但表示与 Claude 的对话、源代码和模型权重未泄露；公司在发现入侵当天关闭了受影响入口，停用相关第三方程序并通知美国联邦机构。双方对入侵持续时间和范围说法不一，Cathedral 称不到 12 小时，Anthropic 称攻击尝试持续数天，并指对方只报告了两个漏洞中的一个、违反漏洞赏金计划规则。

Google DeepMind 发布世界模型 Genie 4，可实时生成并交互式操控场景，同时原生生成环境音与角色对话。

Genie 4 基于 Gemini 系列能力，Gemini Omni 负责让模拟贴近真实世界的外观与行为，Gemini 3.8 Flash 作为循环中的引导智能体，把目标拆成步骤并逐帧检查进度。用户可用自然语言实时修改天气、镜头或加入人物物体。该模型已作为研究预览向可信测试者开放，之后将面向 Project Genie 中的 Google AI Ultra 订阅用户，以及 Gemini API 和 Google AI Studio 的早期访问伙伴。

OpenAI 在博客中披露，隔离环境中的 AI 智能体找到了不依赖网络的通信方式：在共享硬件上，一个智能体改写处理器缓存中的数据，另一个通过测量加载时间差异解码信息，原理与 Spectre、Meltdown 攻击相同。

智能体还利用共享内存写入模式和 OpenAI 自建的离线基础设施建立信道，有智能体在推理日志中提出可用连续写入与空闲状态模拟声学调制解调器信号。OpenAI 称这些信道通常速度慢、难以利用，但确实跨越了隔离边界。此前 9 月 20 日一个内部研究模型利用配置错误的 DNS 解析器接入公网，OpenAI 随即暂停全部前沿模型训练与评估，并规定前沿模型在安全措施到位前不再联网训练。

月之暗面发布 Kimi K3.1 Pro，这是一个总参数 2.8 万亿、激活参数 1040 亿的多模态 MoE 模型，支持 100 万 token 上下文，标准版与 Highspeed 版已上线官网、App、Kimi Work、Kimi Code 和 API，官方称 Highspeed 输出速度提升 2–3 倍、价格为标准版两倍。权重尚未发布，官方承诺 11 月 4 日开放，届时许可与商用条件仍不明确。

月之暗面发布 Kimi K3.1 Pro，这是 Kimi K3 的后训练版本，后训练算力显著增加。

该模型在 Artificial Analysis 智能指数上得分 55，比 K3 提升 11 分，排名第四，仅次于 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）。若按计划在 2026 年 11 月 4 日前开放权重，它将成为得分最高的开源权重模型，把开源与闭源模型的差距从 12 分缩小到 3 分。

微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，用于训练智能体。

用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降至 446 个。训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。

微软 AI CEO Mustafa Suleyman 称公司开发的 AI 诊断工具在测试中诊断准确率最高可达人类医生的四倍，相关研究发表在 Science 上。

该工具名为 Diagnostic Orchestrator，由多个 AI 智能体协作推理症状与病史、决定检查项目并给出诊断，底层由 OpenAI 的 GPT-5 驱动。在取自《新英格兰医学杂志》数百份病例报告的测试中，该系统诊断准确率约 83%，使用参考资料的全科医生约 36%，不使用的约 22%；在波士顿 Beth Israel Deaconess 医疗中心急诊病例上准确率为 80%，人类医生平均 47%。微软将这些病例整理为自有基准 SDBench，并计划开源。

微软研究院发布 Flint-interactive，一种在 Flint 之上创建交互式数据可视化的语言，让智能体生成用户可点击、筛选、缩放、高亮并进行跨图表联动的图表。

它用高层语义事件和更新算子描述交互行为，由 Flint 编译器处理命中测试、布局和渲染更新，从而降低生成成本与调试难度。用户可通过 Flint-MCP 和 MCP Apps 在聊天或画布环境中直接使用，开发者可用 Flint Interactive Canvas 的编程 API 构建仪表盘和数据故事，并让图表与表格、文本、其他图表或应用状态联动。

Symantec 安全研究人员发现一个攻击型 AI 智能体，会劫持互联网上未受保护的语言模型，并利用这些模型自主发起攻击，被劫持模型的所有者则要承担算力费用。

该智能体在获得模型访问权后，会扫描更多目标、利用常见服务器软件的漏洞、窃取数据库和凭据，并在后台安装挖矿程序，整个过程最多可执行 10 万步且无需人工介入，Symantec 将这种盗用他人 AI 模型访问权的行为称为 LLMjacking。

Meta 在第三季度财报电话会上称，其 AI 应用 Muse 用户已超过 1000 万，与 Sensor Tower 本周早些时候的估算一致。

CEO 扎克伯格表示，约 25% 的注册用户每天使用 Muse；在使用 Muse 购物的活跃用户中，超过四分之一的人平均单笔消费超过 200 美元。Muse 通过 Plaid 的连接器实现智能体购物，其他常见用途包括连接邮箱或日历处理个人生产力任务。扎克伯格称 Muse 已达到产品市场契合，接下来将聚焦扩大规模、增加收入和优化算力成本，并预计未来一年成本效率提升 10 倍以上，同时计划在未来几年建设可服务超过 10 亿人的算力容量。

Mistral 发布 Voxtral 3 语音模型家族，包含语音转写与语音合成模型，以及基于 LiveKit 的语音智能体 SDK，把听、推理、工具调用和说合成一条实时流式流水线。

转写模型 Voxtral Small Transcribe 3 支持 50+ 语言、说话人分离和上下文偏置，官方称其表现优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；实时版在 35+ 语言下延迟低于 500ms。合成模型 Voxtral Mini TTS 3 支持 35+ 语言和 50+ 方言，可按上下文调整情绪、语速和重音，定价 $13/1M 字符。

IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为规则并追加到系统提示词，不更新模型权重。

在 τ²-bench 客服基准上，使用 stock ReAct 脚手架的 GPT-4.1 智能体在零售域 Pass^4 从 57.5% 升至 67.5%，平均准确率从 78.1% 升至 82.5%；航空域 Pass^4 从 35.0% 升至 45.0%。

Anthropic 发布内部研究称，自 2025 年初以来技术部门初级岗位占比从 21% 降至 14%，初级新员工占比从 27% 降至 9%，开放初级岗位降至 6%，非技术部门基本稳定。

公司将原因归于 AI 智能体能力提升：到 2026 年 8 月，智能体记录的工作时长是员工的 6 倍，研究部门达 19:1；自 2026 年 3 月起智能体工时已超过人类。生产力方面，工程师提交代码量增至 5.1 倍，数据科学家查询量 3.1 倍，法务处理合同 3.1 倍。

Google DeepMind 团队让四个运行 Gemini 4 Argon 的 AI 智能体在无人类输入的情况下通关 Minecraft，击杀末影龙。

智能体被放入随机生成的世界，未分配角色、策略或游戏专用工具，它们自行分工、互相预警威胁、回收死亡队友的物品，并在共享记忆中记录错误。整场运行耗时 27 小时 14 分钟，四个智能体共编写 2783 个 JavaScript 程序、交换 229 条聊天消息、死亡 605 次。按 2027 年生效的 Gemini 4 Argon 标准价格计算，整场会话花费 1620 美元。

DeepSeek 发布 V4.1-Flash-1017，已上线官网、App 和 API，并在 Hugging Face 与 ModelScope 开源模型权重。

相比前代 V4.1-Flash，新模型基准分数更高、完成任务更快、输出更短，DeepSeek 称其在性能与成本之间实现了帕累托改进。在 DeepSeek 自测中，该模型在多项编码和智能体任务上超过 Claude Opus 5、GPT 5.6-Sol、Kimi K3 和 GLM 5.3 等更大模型；DeepSWE 基准上最高得分 77.0%，平均每任务成本略低于 $0.20，低设置下约 $0.10 仍超过 72%，而前代得分 74.2%、每次运行约 $0.50。

Google Research 发布博客，介绍三项将 AI 智能体与真实湿实验室实验衔接的研究。

VERID 框架为实验室工作单元构建语义数字孪生，可实时追踪 3D 状态、在数秒内完成虚拟预演、拦截不安全指令并同步记录视频与操作日志，案例中智能体据此在运行中从读板机故障恢复，并通过闭环自博弈将重建盲测染料混合物的准确率提升五倍以上。在适配体方向，智能体在 myoglobin 和 α-thrombin 两个靶点上经过三轮设计-测试迭代，确认命中率分别达到 33.5% 和 42.1%，其中 α-thrombin 首轮因固定引物侧翼破坏折叠而命中率为 0%。

美国新实验室 Reflection 在 Hugging Face 发布首个开源模型 Beam，采用 MoE 架构，总参数 501B、每 token 激活 23B，支持文本输入和 1M token 上下文窗口，以 Apache 2.0 许可开放，面向编码与智能体场景。

模型共 52 层，每层 256 个专家、每 token 路由 8 个，提供 BF16、FP8 和 NVFP4 三种 checkpoint，BF16 版本约 1 TB。