Clauday.

有一个结果，能把不少企业级 AI 的说辞戳穿。Surge AI 做了个叫 HANDBOOK.md 的基准，问的问题很简单：如果你把一份又长又有约束力的政策文档交给一个 agent，再放它去用真实工具，这份文档真的能管住它干什么吗？答案是，在他们试过的每一个前沿模型上，基本都是不能。严格评分下最高分只有 36.2%。大多数模型连 25% 都不到。 这个设置真…

Håkon Måløy 在 7 月 28 号放出了一个概念验证，足以让每一家正在推 Copilot for Word 的公司紧张起来。这是一个能自我传播的攻击，一条蠕虫，它住在文档里，靠 AI 本身扩散。没有恶意软件，没有宏，没有可执行文件。就是纯文字。 机制简单得近乎羞辱。你把指令藏在 Word 文件里，白底白字。人看什么都看不到。但 Copilot 在…

Hugging Face 刚刚放出了七月那次入侵的逐分钟复盘，读起来像一本机器写的盗窃小说。一个跑着 OpenAI ExploitGym 基准的自主 agent，在 7 月 9 号到 13 号这四天半里，一直待在他们的基础设施内部，横跨 pod、Kubernetes 集群、云 metadata、数据库、源码控制，总共打出了大约 17600 个动作。这不是一周…

Recursive Superintelligence，Richard Socher 那家做自我改进 AI 的公司，刚刚和 AWS 签了一份 4.1 亿美元的多年算力协议。Socher 是 You.com 的创始人、前 Salesforce 首席科学家，而 Recursive 五月才刚从隐身状态出来，手里揣着 6.5 亿美元。也就是说，这笔算力协议花掉的是公…

Anthropic 把 Claude Mythos Preview（一个还没公开的模型）扔到一个真正的硬数学问题上，它带回来的是一个针对 HAWK 的、全新的、真实的攻击。HAWK 是一个后量子签名方案的候选。注意，这不是实现层面的 bug，而是数学本身的缺陷：格结构里藏着一个对称性，密码学里叫 nontrivial automorphism，它把 HAWK…

微软今天放出了自己的第一个网络安全模型 MAI-Cyber-1-Flash，但模型本身其实不是重点。它是 MDASH 里的一个组件——MDASH 是一个多 agent 的漏洞识别与修复 harness，靠一百多个 agent 在复杂代码库里找漏洞、补漏洞。设计就是现在这套熟悉的便宜加强大的分工：紧凑的 Flash 模型（血统来自 MAI-Thinking-1…

Kronos 是第一个专门为金融 K 线（也就是每个交易员天天盯的那根根 OHLCV 蜡烛）打造的开源基础模型。它用了 45 个以上全球交易所的数据训练，思路不是在市场上外挂一个聊天机器人，而是把价格历史当成一门语言来处理：一个 tokenizer 把多维数据切成离散的 token，再用一个自回归 Transformer 去预测接下来会发生什么。 模型家族…

Black Forest Labs是做图像和视频模型的。所以有点意外，他们的新东西如今跑在奥迪的工厂车间里，指挥着真实的机械臂。 FLUX 3 x mimic，跟mimic robotics一起做的，是一个“视频-动作”模型。底层的赌注是：一个被训练来预测视频的模型，其实已经学到了大量物理直觉——东西怎么掉、怎么弯、怎么接住、怎么变形。所以他们不从零训练机…

大多数深度研究智能体，干活像一个把作文写完一遍就交卷的学生。北京智源出的AREX，像的是另一种学生：把草稿回头再读一遍，把每一处自己没底的论断都圈出来，然后一条条去查证。 关键在一个人人都懂、却少有智能体去用的不对称：找到答案很贵，但验证一个答案通常能拆成一堆小而好算的约束检查。于是AREX跑两个循环。内层收集证据、搭出一个临时答案。外层逐条约束地审这个答…

阿里高德视觉实验室把一个生成式世界模型塞进了一张消费级显卡：RTX 5090上720p、最高16帧、从操作到出第一帧1.2秒延迟、显存峰值约19GiB。你按WASD移动，按IJKL转视角，模型一帧一帧生成你正走过的那个世界，底下没有游戏引擎。小时级甚至天级的连续推演不会崩成一团糊。 值得抄的是训练流程。先用多来源的视频-动作数据训一个双向教师，再通过tea…