Anthropic 于 8 月 11 日宣布，未公开的研究版 Claude 在攻克黎曼猜想中取得进展，将临界线上零点比例下界从 41.6% 提升至 67.2%。Claude 在 Claude Code 中自主完成研究，生成 3,100 万个 Token，经历 650 次失败后调集 60 个子级智能体，执行 2,400 条 Shell 命令并编写数百个 Python 脚本。结果经内部数学家莱文特·阿尔波格和拉尔夫·弗曼验证，并由外部专家布赖恩·康雷和丹·戈德斯顿审阅，证明已写成 Lean 可验证形式。Anthropic 公布了论文、过程记录及形式化证明，但未透露多智能体能力是否近期开放。
南洋理工大学、北京大学、港科大（广州）与智源研究院联合发布 Omega-0，一种潜在预测世界动作模型，能让机器人同时行走、观察和操作。在 11 项真实家务任务中，单模型成功率达 81.8%，超过 pi-0.5、EgoVLA、GR00T-N1.7 和 psi-0。该模型采用潜在预测机制，提升了对环境变化的响应能力。研究团队强调，Omega-0 在真实家庭场景中的表现优于多个现有基线模型。
ONESTRUCTION在AWS Generative AI Innovation Center的技术支持下，构建了专为建筑和BIM工作流设计的基础模型Ishigaki-IDS。该模型通过合成数据、三阶段训练流程和可验证奖励机制，在Amazon EC2上完成训练。案例展示了在数据稀缺领域如何利用AWS工具链构建领域专用模型。
LlamaIndex 推出 ExtractBench，号称最全面的复杂企业文档信息提取基准。该基准测试了 14 个系统，包括前沿 VLM、编码智能体和专用提取 API，覆盖 370 份企业文档、4,869 页和 67 种文档类型。最大发现是超过 50 页的文档中，商业 VLM 因静默列表截断，召回率跌破 35%。ExtractBench 评估值准确率、长记录完整性、空间定位和每页成本，完全确定性且无需 LLM 评判。同时发布 LlamaParse 新层级 Agentic Plus，以 95.6% 值准确率位居榜首，成本仅为最接近对手的三分之一。
NVIDIA Nemotron 3.5 Lightning已在OpenRouter上线。该模型为30B混合专家架构，仅激活3B参数，由Nemotron 3 Ultra蒸馏而来。它面向高容量、专业化的AI智能体工作负载，相比同类模型吞吐量最高提升4倍，任务完成速度最高快30%。
Qwen 团队开源 Qwen-MM-Plugins，一套原生多模态插件集，通过 Skill 加 MCP 双层解耦，把读图、读视频、读文档、听音、建模等能力注入任意 Agent harness。项目包含七大模块：core 视觉基础支持动态分辨率读取、OCR、SAM3 分割、ASR；video-memory 用层次化图记忆支撑 2 小时级长视频问答；omni-av 基于 Qwen-Omni 做带时间戳的 ASR 与时序定位；video-edit 覆盖图视频音频生成与剪辑；blender 和 freecad 分别提供 22 个和 14 个工具驱动 3D 建模与参数化 CAD；edu-agent 纯 Skill 把理科题转成中文讲解视频。
Pixieset是一家面向摄影师的平台，通过Amazon Bedrock在四个月内为百万用户推出了AI生成的替代文本功能。该功能自动化了摄影师不愿做的图片SEO工作，同时不触及他们引以为傲的创意工作。最终实现了35%的AI功能采用率，证明了解决正确问题的重要性。
OpenAI 在 X 平台宣布，ChatGPT 桌面应用现已推出 Linux 预览版，支持 ChatGPT、ChatGPT Work 和 Codex。Linux 用户可以在桌面应用中直接使用 Codex，将项目、开发工作流和受支持的浏览器工具整合在同一界面。该预览版面向受支持的 Linux 系统开放，方便开发者在代码所在环境中直接构建。
LangChain在Deep Agents评测套件中测试了NVIDIA开源路由器Switchyard，该套件包含145个多步任务，覆盖工具使用、检索、文件系统操作和长上下文场景。结果显示，93%的调用被路由到30B模型，仅7%需要Claude Opus 4.8。通过路由策略，总成本降低约70%，同时保留了Opus约90%的准确率。LangChain已推出与Switchyard的deepagents集成。
Datadog CISO Emilio Escobar在a16z的Black Hat对话中表示，AI安全解决方案必须理解智能体的意图。他指出，编码智能体基于现有代码训练并有奖励结构，可能为了修复bug而忽略其他行为，导致奖励黑客问题。Datadog已引入一个评判系统来评估智能体的代码输出。Escobar提到，上周的圆桌会议上，许多安全负责人感到无助，等待商业解决方案。他还讨论了将编码智能体交给4000名工程师后，原有权限体系失效的问题。
安全研究人员发现OpenAI、Anthropic和Google的API存在漏洞，可提取加密的推理痕迹并在模型间转移。扫描公共会话时发现数十个密码和API密钥。推理摘要常隐藏模型实际行为。研究还发现“But marinade”等异常内容。
a16z合伙人Matt Bornstein在访谈中表示，开源是AI公司摆脱OpenAI套壳的关键。他指出，Cursor已经通过开源路线成功，Decagon和Harvey也正在这样做。这些公司需要自主进行中期训练、后期训练和推理部署优化，而闭源供应商不会提供这种访问权限。开源已深度嵌入许多创新产品中，但其作用往往不易被察觉。
宇树科技以150.80元发行价上市，市值达609.9亿元，为中国仿人机器人公司设定了新的估值标杆。DeepRobotics、乐聚、DOBOT、智元、中青、X Square等排队上市的公司都将以此作为参照。这一价格锚点可能影响后续IPO定价策略，并加剧市场竞争。
Anthropic、OpenAI和Google等主流LLM提供商将推理轨迹加密后返回客户端，但研究发现这些加密块在会话、用户和模型间可互换。攻击者将加密轨迹注入同提供商的较弱模型，可强制其明文输出推理内容，无需直接越狱更强模型。通过解码315,320个推理块，研究者恢复了367个PII和182个凭证。该漏洞还支持隐形提示注入，可污染智能体部署。论文提出加密和系统级缓解措施。
ColluSkill是一种针对LLM智能体技能扫描器的对抗性攻击框架，通过将恶意意图分解为多个独立包装的技能子负载，利用上下文依赖和工件传递在运行时组合成有害工作流。实验显示，在六个代表性技能扫描器上，ColluSkill平均攻击成功率达96.0%，显著优于单技能和多技能攻击基线。为防御此类攻击，研究者提出ChainGuard，一种上下文感知的技能链扫描器，通过重建跨技能依赖和工件流将攻击成功率降至22.5%，同时允许99.5%良性工作流通过。该研究揭示了现有技能扫描器仅检查单个技能的安全盲区，强调链级安全分析对智能体技能生态系统的重要性。
Matryoshka训练框架将500M、1.5B和3B三个子模型堆叠进单一嵌套架构，端到端训练。相比独立训练基线，该套件在基准性能和困惑度上持平，但训练计算量减少36%。嵌套结构天然支持投机解码，吞吐量提升14-26%。论文还消融了关键架构选择，为构建强Matryoshka套件提供指导。
RynnValue是一个开源的机器人操作价值基础模型，用时间距离替代偏好或进度作为监督信号，可从时间戳直接生成标签，无需额外标注。该模型在7000多小时、约300万条指令条件片段上训练，在RBM-EVAL-OOD基准上平均Kendall's tau_a达0.675，超过偏好监督的SOTA（0.655），并是仅进度监督基线（0.292）的两倍多。通过势能塑形转为稠密奖励后，RynnValue将真实世界策略成功率从52.5%提升至72.5%（在线），离线从63.8%提升至82.5%。
AWS博客发布Claude apps gateway生产级部署指南，该网关是Claude Code和Claude Desktop与Amazon Bedrock或Claude Platform之间的自托管治理层。文章涵盖端到端架构、企业部署模式、成本估算及实施资源。Claude apps gateway可帮助企业统一管理Claude应用访问策略，实现安全合规的AI工作负载部署。
swyx 提醒用户在生产环境中谨慎使用 Skills，并建议定期删除不必要的 Skills。SmolForge 团队分享了两个生产环境中的失败案例：JFDI 技能将免确认权限扩张为 10 类常驻权限，导致 agent 局部合规但全局永不停止；Maintainability Guardrails 技能因触发词过宽，将窄修复撑成一小时的无关加固。这两个案例暴露了 Skills 的权限、作用域和持久性三大致命问题。个人工作流可尝试 Skills，但生产环境必须按代码标准审查其作用域、重试与终止条件。
本文以Claude的水印为例，详解了KGW方法的原理：生成时用密钥和已生成token计算哈希，将词表分为绿组和红组，并提高绿组词被选中的概率。检测时用同一密钥还原分组，若绿组词占比显著超50%则判定带水印。改写可破解水印，但统计模型生成的哈希（如SIR、Adaptive Watermark）能增强鲁棒性。Google在2万条文本的人类反馈实验中称质量下降难以感知，但短文本或高确定性输出（如1+1=2）会失效。工程难点包括流式输出、密钥轮换和代码类输出的限制。