AITOP日报

LlamaIndex发布ExtractBench基准，专门评估文档提取的视觉定位能力。测试显示，通用视觉模型和编码智能体在返回证据时得分为零，而专用VLM文档工具LlamaParse表现领先。LlamaExtract Agentic Plus在页面级F1达84.9%，词级46.4%，长文档上保持87.1%，其他系统在长文档上跌至0%。基准要求字段值和引用都正确才算分，词级框IoU需达0.5。

Cartesia 发布了基于状态空间模型构建的流式 TTS 模型 Sonic-3.6。该模型在 Artificial Analysis 的 Provider Voice 榜单上以 1,283 Elo 排名第一。它还在 Controlled Voice 榜单上取得 1,123 Elo 的成绩，该基准将所有模型克隆到相同的 8 个参考音色上。Sonic-3.6 实现了低于 90ms 的首字音频生成时间。

Axiom 发布了 AxiomProver 模型。该模型完成了 BGP246 定理的机器可验证形式化。BGP246 是素数间隙的最佳已知界限，接近孪生素数猜想。

AI系统压缩长对话时，平均丢弃83%用户规则（如“未经批准不发邮件”）。宾州州立大学研究者提出基于Qwen3.5-9B的附加模块。该模块可保留超90%的用户限制。

Google开源了SAM（Sovereign Agent Mesh），一个零配置、零信任的P2P覆盖网络，让自主智能体能在云、本地、笔记本和边缘环境间发现并调用彼此的MCP工具。SAM基于Apache-2.0协议，无需暴露任何内部端点至公网。身份通过OIDC流转为Biscuit能力令牌，节点在默认拒绝模型下离线授权每个请求。

Mojo 编程语言在发布 1.0 版本后，于 2026 年 8 月 18 日正式开源，编译器与工具链采用 Apache 2 许可证。Mojo 最初计划成为 Python 的超集，但 2025 年 8 月后调整方向，不再强求完全兼容。目前 Mojo 定位为独立语言，专注于简化 GPU 编程，语法受 Python 启发。官方表示 AI 辅助编码工具已能帮助迁移 Python 代码至 Mojo。

阿里云在 8 月 14 日 Apsara 发布会上于百炼平台推出了 Agent Studio。该平台定位为企业级智能体全栈解决方案。它提供托管运行时以及跨 MCP 服务的统一 API 密钥管理。平台还集成了智能体搜索和记忆功能以解决基础设施难题。

LangSmith 推出 Tuned Evaluators，自动对生产环境中的智能体行为进行评分。该功能首发指标为 Perceived Error，用于判断智能体是否提供有效帮助。在基准测试中，LangChain 的专用模型击败了所有测试过的前沿模型。该模型将评估成本降低了 82%。

Hugging Face在ICML复现挑战赛中，1,221名人类与编码智能体合作，复现了2,226篇论文。活动在HF Hub上公开进行，产生了6,816份复现日志、2,962个云任务和35,908条判断记录。Hugging Face CEO表示，Hub的下一个百万用户可能不是人类，这对开放科学是好事。

OpenAI 暂停了针对部署的最新模型的强化学习训练两周。团队在此期间加固了研究环境并进行了红队测试，同时扩大了监控覆盖范围。目前最大规模的前沿 RL 运行仍处于暂停状态。小规模训练和评估正在运行以验证这些安全措施并建立对齐证据。

OpenAI 和 Hugging Face 入侵事件发生 5 周后，防御者发现必须像攻击者一样测试模型。Cotool CEO Max Pollard 和 Neo CEO Nick Warner 指出，现有安全工具是为阻止人或恶意软件设计的，无法应对 AI 智能体。对话预测到 2027 年 50% 的企业应用将具备智能体能力，导致传统签名和行为检测失效。

安谋控股（Arm）首席财务官杰森·柴尔德透露，公司正推进战略转型，从授权芯片设计转向自主制造并销售成品处理器。Arm 于 2026 年 3 月推出 AGI CPU，这是其 36 年历史上首次自研芯片，面向 AI 数据中心推理负载，首批客户包括 Meta、OpenAI、Cloudflare 和 SAP。柴尔德表示，销售成品芯片比授权更复杂，需自行确保晶圆代工和内存供应，预计扩大产能需 2 年。Arm 预计 2027 和 2028 财年客户对 AI 芯片需求将超 20 亿美元。内存被指为 AI 基础设施主要瓶颈之一。

百度发布2026年第二季度财报，总营收313亿元，AI业务收入占比50%，连续两季过半。AI云基础设施中GPU云同比增长283%，连续四季度三位数增长。李彦宏表示将引进顶尖人才，让文心重回基础大模型第一梯队。沈抖称AI云收入下半年有望加速增长，利润率长期有提升空间。

Goldman Sachs预测，到2030年AI代币使用量将增长24倍，企业级Agent每月消耗约120千万亿代币。第一波是聊天，第二波是持续工作的Agent，第三波是物理AI（人形机器人、自动驾驶出租车）。物理AI预计到2040年每月消耗400千万亿代币，成为最大消耗源。每台机器人不仅持续运行推理，还自带硬件，使基础设施投资获得双重回报。

IBM Research 发布博客探讨智能体在长任务中的记忆压缩问题。文章介绍了基于 Hidden Markov Model (HMM) 的 ALTK 方法。该方法通过演化模型状态来减少对上下文窗口的占用。这种技术旨在解决长程推理任务中的记忆管理挑战。

Quipu 是一个可嵌入的知识图谱存储，要求每条事实必须通过治理门控，门控谓词评估待写入的后状态。数据、信任标签、裁决和规则本身都是双时态的，命名图作为权威和信任单位，在格下组合且组合不扩大。在 Census 基准上，门控存储 0/6 种植入缺陷，未门控 6/6；50/50 满意裁决按时间点正确重推导，最新规则集下全部误报。在 DEMM-Bench 上，内容读取回答全部 512 个属性级问题且零过度声明，容器存在基线最多过度声明 87.5%。

BATON是一种针对长时程机器人操作的新方法，通过将探索单元从整个任务细化为子任务，使成本从指数级降为线性。它引入了过渡感知记忆，包括验证器、交接和前瞻机制，以处理子任务间的状态转换。在RoboMemArena基准上，BATON将任务成功率提升了11.6%，累计成功率提升了14.9%。该方法无需更新参数，仅通过语言记忆和智能体协作实现。

Jason Wei在推文中反驳了“小模型加工具就能达到大模型智能”的观点。他认为，虽然理论上1B参数模型配合工具能完成任何任务，但实际体验差距明显。他提出三点理由：速度上直接回答远快于工具调用；理解深度上大模型能基于海量数据给出综合判断，而小模型只能搬运搜索结果；可靠性上每次重新查找和推导更容易出错。他以羽毛球训练类比，强调内化知识的重要性，并引用“苦涩的教训”支持扩大规模优于精巧设计。

Agentic AI 会话中缓存失效后发送简单的“hi”可能花费 1 美元。这是因为系统需要重新处理百万级 token 的上下文，而非仅处理当前输入。即使发生 1 个 token 的工具调用，cache miss 也需为上下文支付全额价格。Claude Code/Codex 可能会在 200-300K token 处进行上下文压缩以控制成本。

Axonius 利用 Amazon Bedrock AgentCore 部署了多租户 AI 智能体。这些智能体在数百个客户环境中实现了完全隔离。该方案无需从头构建自定义的计算隔离、身份验证或可观测性基础设施。

本教程介绍如何利用 Strands Agents SDK 在 Amazon Bedrock 上构建多智能体解决方案。方案结合 Claude Haiku 4.5 进行文本分析，并使用 Amazon Titan Multimodal Embeddings 进行视觉相似性搜索。三个专用智能体协同工作，能够准确分类保单和宣誓书等保险文档。

Krea 故意在训练集中移除了 AI 图像，因为蒸馏数据会导致模型走捷径。团队运行了 30 到 40 个内部分类器处理数十亿张图像，并自动替换温度超过 78 度的 GPU。专为小模型设计的框架让开源用户在 90 天内渲染了 130 万个视频。连续视频生成的成本降至 10 美元 3 小时，而旧方式约为 10 美元每分钟。