本日累计报告已并入后续窗口 [2026-09-11T19:05:56Z, 2026-09-12T02:08:37Z]，检索 overlap 回退至 2026-09-11T16:05:56Z。本轮新增 2 个事件、更新 2 个既有事件、跳过 1 个已入库重复项；此前主扫描与补漏内容保持不变。事件按官方 UTC 日期归档，日报按 Asia/Shanghai 自然日归档。

今日摘要

  • **GitHub Copilot code review（ev-20260911-11，TRIAL）**开始运行构建、测试、脚本、工具与 API；Lite 档改为多 agent 汇总。GitHub 厂商实验报告高严重度评论采纳量增加 47%，review 成本约降 8%。这让普通档代码审查从静态阅读进一步转向有执行证据的验证，但仍需用自有仓库基线核对精度和误报。
  • OpenAI 发布 Navier–Stokes 千禧年问题的 AI 生成解（ev-20260908-18，WATCH，必读）——存在性与光滑性问题的解 + Lean 形式化证明，出自一个未发布的内部模型（官方称「显著强于 GPT-6 Astra」，8/28 起训练中）。约 10,000 个并发 agent 从 9/1 跑到 9/5 得解（约 88 小时），全部问题合计约 3000 亿输出 token（按公开 Astra 价格估算约 $1500 万）；GPT-6 Astra 用 17 小时完成 Lean 形式化。证明结论：光滑静止流体可有限时间发展出奇点；无外力 Euler 正则性问题也已解决。OpenAI 声明不领 Clay 奖；数学界广泛验证仍在进行（官宣帖 HN 1,337 分，Quanta/Guardian 9/8 报道）。
  • forced Euler：第二家实验室的平行结果与数据治理争议（ev-20260908-19，WATCH）——Anthropic 员工 Alpöge 与 NYU 的 Buckmaster 用 Anthropic 内部模型解决 forced Euler 问题，与 OpenAI 同日公布；两人此前用 Claude/Codex 攻坚近一年（8/15 突破）。Buckmaster 声明（HN 2,035 分，反超官宣帖）指称 OpenAI 在知晓其工作后才发出首次 prompt、并拒答内部模型是否用过其 Codex 草稿；OpenAI 称未访问用户数据但「不能排除」去标识化使用数据帮助了模型改进。「你在别人产品里做出的半成品，会不会让后来的模型先帮你完成」——这是每个 agent 平台厂商都要回答的问题。
  • GPT-Image-2.5（ev-20260908-20，TRIAL）：Sunburst（最强图像模型）+ Flare（同质量、延迟较 GPT Image 2 约低 50%）双档上线 API 与 ChatGPT；Vercel AI Gateway、fal.ai、ComfyUI 当天跟进——图像模型的分发已经以小时计。
  • Habitat 存储平台工程复盘（ev-20260911-10，WATCH）——10 亿周活、70M+ req/s 存储平台的迁移史：asyncio 尾延迟调优、连接池亚稳态失效（LIFO→FIFO）、HTTP/2 fan-in、TAO 式图 API；以及 2 名工程师用 Codex + GPT-5.5 数月完成 Rust 全量重写（约 6 倍 CPU / 15 倍内存效率、承载约 95% 流量）——AI 辅助重写业务关键基础设施的迄今最强公开证据。
  • DeepSeek V4.1-Flash（ev-20260910-01，TRIAL）：MIT 开放权重，1M 上下文，采用 CED、CSA2 与 FP4 KV cache；官方 Terminal-Bench 2.1 为 90.6。它让趋势 #1 的“第二家同级别开放权重模型”判据成立，但权重侧独立复现仍缺失。
  • OpenAI Agents API（ev-20260910-02，TRIAL）：把 Codex harness 做成托管公测服务，内建编排、自动压缩、MCP、tool search、programmatic tool calling 与并行 subagent；执行可放在 OpenAI、客户自有基础设施或九家沙箱伙伴。
  • Cursor Projects（ev-20260910-03，TRIAL）：coordinator agent 管理可持续数月的工作，向并行实现 agent 分派任务，并让云端与本地 agent 共享项目记忆。
  • agent 安全形成可复用工程模式：Meta 公布 Muse 的 Sentinel、凭据代理、eBPF 污点追踪和公开 bug bounty；CapScope 用上下文外的类型化能力约束工具调用；《Scanning the Harness》则在 3,171 个公开仓库中发现 16% 带安全缺陷。
  • serving 研究集中解决复用与成本：RedKnot-MLA 把文档缓存复用带到 MLA 模型；Osprey 让一条预训练 draft 主干适配多个目标模型；KVShareArena 为非精确前缀与跨 checkpoint 的 KV cache 复用建立统一评测。

模型

  • MiniCPM5-2B（ev-20260907-01，TRIAL）：overlap 补漏。OpenBMB 发布面向端侧的 dense 2B 模型、Apache-2.0 权重及 UltraData 系列训练数据；131k 上下文，支持 tool use 与 agent 任务。
  • DeepSeek V4.1-Flash（ev-20260910-01，TRIAL）：763B safetensors 总参数、552B backbone，prefill/decode 每 token 激活 8B/16B；官方 API 同步切换到 deepseek-flash。
  • Gander（ev-20260911-04，WATCH）：开放模型、代码与数据的全双工全模态 agent，以 Cerebellum-Brain 双层架构拆分实时交互和复杂推理。
  • MoEMB（ev-20260910-13，WATCH）：用 MoE 专家轴扩展多模态嵌入器，在保持非自回归单向量编码的同时扩大容量。
  • GPT-Image-2.5（ev-20260908-20，TRIAL）：Sunburst 质量档 + Flare 半延迟档；官方建议默认 Flare、精细编辑换 Sunburst；Image Arena 前二为社区报告（Tier-4）。

Agent 与 AI 工程

  • **OpenAI Agents API（ev-20260910-02）**与 **Cursor Projects（ev-20260910-03）**把长时运行、并行委派、共享上下文和恢复能力推进到平台产品层。

  • GitHub Copilot 企业权限（ev-20260909-02，ADOPT）：组织管理员可集中管理 coding agent 的操作权限，降低逐仓库配置漂移。

  • Subagents vs Agent Skills（ev-20260911-03，TRIAL）：当技能有清晰 I/O 契约且任务视界变长时，独立上下文的 subagent 胜过把技能说明持续塞进主上下文，代价是更多协调 token。

  • CapScope（ev-20260910-09，TRIAL）：从可信输入推导权限上限，在模型上下文之外保存 per-agent 能力，并在 harness 层检查每次工具调用。

  • 供应链审计（ev-20260910-08，TRIAL）：16% 的公开 coding-agent 配置含未锁 MCP server、过宽执行授权或技能预授权 shell 等缺陷；未确认凭据外传路径。

  • CUA-Universe（ev-20260908-17，WATCH）：把真实桌面软件合成混合 GUI+CLI 环境（16 个应用）的训练流水线，9B 模型 OSWorld SR +16.8 且步数 -57%——computer-use agent 训练数据侧的关键杠杆（coverage-gap recovery，9/7 digest）。

开源

  • Nex-N2.5（ev-20260908-16，WATCH）：上海创智学院智能体联盟（nex-agi）在 Qwen MoE 底座上开源 agent 配方（Max / Mini 35B / Pro，Apache-2.0，Pro 3 天 12k 下载）——开源 agent 模型浪潮出现的新参与者类型：不发自研前沿权重、发配方。

  • 趋势 #1 完成第五个连续下载放量周期；DeepSeek V4.1-Flash 成为跨组织同级别新信号。GLM-5.3 权重的独立 Terminal-Bench/SWE 复现仍是升至 High 的最后判据。

  • Mistral 的 €3B Series D（ev-20260908-12，WATCH）不是按普通融资收录，而是因其明确用于把欧洲主权开放权重能力推向前沿，可能影响模型供给格局。

  • DeepSeek Harness 达 220,424 stars，但增速继续放缓；维持 WATCH。

研究

  • 推理与训练效率：RedKnot-MLA（ev-20260910-06，TRIAL）、122B 规模 RL rollout 的在线 draft 共训练（ev-20260910-07，TRIAL）、Osprey（ev-20260911-01，TRIAL）、KVShareArena（ev-20260911-02，TRIAL）。

  • 评测完整性：SWE-Bench Pro Verified（ev-20260910-10，TRIAL）修复泄漏与 reward hacking；《Shortcutting the Fix》（ev-20260910-11，TRIAL）显示一条真实性指令可把利用率从 45–82% 降至 4–11%。

  • 紧凑 coding agent：FrogNano（ev-20260910-12，WATCH）通过在线合成、按可学习性前沿校准的任务训练 4B agent，不依赖大模型蒸馏。

  • 第二轮并入的 8 篇研究（均为 9/9-9/11 digest）：SinkProbe（ev-20260910-14，WATCH）——混合注意力机制在 1M token 下仍修不全 attention sink（gating 把首 token 注意力占比从 46.7% 压到 4.8%，但 recency 差距仍在）；SLOWeave（ev-20260910-15，TRIAL）——按解码截止时间在线选 prefill 块大小，免调参且带性能保证；ExecCritic（ev-20260910-16，TRIAL）——测试与修复解耦、双侧 RL，修掉「测试与补丁同一轨迹写出假绿」；Code2Skill（ev-20260910-17，TRIAL）——19,769 个活跃仓库蒸馏为经验证（盲重构校验）的 agent 技能；基于内容寻址的长上下文（ev-20260910-18，WATCH）——用内容地址替代 RoPE 位置拉伸；GLM-5.3-Flash 拒绝方向消融（ev-20260911-06，WATCH）——单一「拒绝方向」的权重编辑即可从已发布的 320B MoE 权重剥离拒绝能力，前沿开源权重的对齐脆弱性实证；NCP-ArchPreview（ev-20260911-07，WATCH）——8.9B 概念预测潜空间模型（预测多 token 概念而非只预测 token）。

  • 第三轮补入的 3 篇研究/工程：copycat 动力学（ev-20260911-08，WATCH）——collusion.wiki 完整记录的定量分析：agent 以接近可见占比的概率复制选项，三个单参数模型即可复现群体行为——「串通」实为复制频率放大，可见状态设计是防御杠杆；IB2 协议（ev-20260911-09，TRIAL）——按服务路径而非模型 ID 度量企业 AI：能力绑定预检 + 可靠性计入评分 + 评分盲裁决，语料封存（128 任务 / 987 断言）、「协议即产物」；Habitat 工程长文（ev-20260911-10，WATCH）见 Infrastructure。

开发者工具

  • GitHub Copilot code review（ev-20260911-11，TRIAL）：shell 工具运行在 Copilot agent firewall 后；Lite 使用多 agent ensemble，并支持已修复评论自动关闭和建议修复的 commit message。
  • Gemini CLI 0.61 nightly（ev-20260912-01，WATCH）：对经构建文件修改或不可信 flag 触发的间接提示注入增加确认门，同时收紧沙箱文件系统、凭据、符号链接与运行时状态边界。它仍是预发布，不应当作稳定安全保证。
  • Codex CLI 0.154.0 stable 加入隔离 worktree、工作中内联问答、Windows daemon、MCP OAuth 刷新协调与 workspace trust 加固。
  • Claude Code 2.1.269 补齐可复现的 claude plugin eval JSON/HTML 报告、1–256 个 agent 的 Workflow 并发配置、Bash 编辑差异，以及 tee、插件归档权限和路径级 deny 规则加固。
  • Gemini CLI 0.59.0 stable 修复 MCP OAuth SSRF，并让受限模式下的 workspace trust 与 MCP server 过滤 fail closed。
  • GitHub Copilot 企业/组织使用报告现可单独统计 VS Code Agents 窗口的活跃用户、会话、用户消息和用户级采用情况（ev-20260909-02 更新）。

基础设施

  • Windsurf 移除 Cascade（ev-20260908-15，WATCH）：v3.9.19（9/8）后 Devin Local 成为 Devin Desktop 唯一 agent，v3.10.23（9/10）剥离最后一批 Cascade 入口并永久启用 ACP——收购合拢后最快的 agent 运行时全量置换，Windsurf/Cascade 工作流需迁移。

  • Cohere megakernel serving（ev-20260908-14，WATCH）：North Mini Code 背后的常驻 kernel serving 引擎公开工程长文（H100 提速 1.58 倍，厂商自测）——megakernel 路线已是多厂商共同方向（DeepSeek FlashMLA 谱系、学术工作、Cohere 生产部署）。

  • OpenAI Habitat 存储平台（ev-20260911-10，WATCH，第三轮补入）：支撑 10 亿+ 周活的存储平台迁移复盘（70M+ req/s、500+ PB）——asyncio 调度延迟、aiohttp LIFO 连接池的亚稳态失效改 FIFO、Envoy HTTP/2 fan-in、TAO 式图 API、Rockset CDC；Q2 2026 由 2 名工程师 + Codex + GPT-5.5 完成 Rust 全量重写（约 6 倍 CPU / 15 倍内存效率，承载约 95% 流量）。

  • OpenAI API 在本窗口集中上线 GPT-Live 1 GA、Prompt Cache Diagnostics GA 和项目 key 生命周期控制（ev-20260910-05，TRIAL）。实时语音可在后台模型或 agent 工作时继续对话。

  • RedKnot-MLA、在线 draft 共训练、Osprey 与 KVShareArena共同指向同一工程问题：模型与工作负载频繁变化后，缓存和推测解码资产必须可迁移、可比较。

商业与政策

  • **Anthropic alignment assessment（ev-20260909-01，WATCH）**披露第四起网络安全事件，并与 METR 签署调查协议；这直接加强趋势 #4 的独立审查证据链。

  • **Anthropic 9 月威胁报告（ev-20260910-04，WATCH）**显示攻击者已把评测沙箱和 AI 凭据纳入供应链攻击；多 agent、长时无人值守攻击已经扩散到不同类型行为者。

  • **Meta Muse 安全架构（ev-20260908-13，TRIAL）**开放最高 $300k 的 bug bounty，并承诺对 Confidential VM 持续公开审计。

  • Math & AI 宣言（ev-20260911-05，WATCH）：Terry Tao 与 25 位 Fields 得主联署——「AI 公司以基准解题为目标的推进对数学这门科学有害」，解只是概念理解的工具与代理；开放联署（mathandai.org）。与 FLT 形式化同周落地：评测规范本身成为争议地带。

  • NS 发布的治理面（ev-20260908-18/19 + 趋势 #4/#6）：能力披露换了载体——以数学结果披露未发布内部模型（强于 Astra）；并行工作争议把 harness 数据治理摆上台面（OpenAI 拒答训练数据问题、因竞争关系拒绝 Anthropic 员工联署）；与《An Alien Mind》的「CoT 可监控性下降」同向。

趋势信号

新增趋势 #6：AI 生成的千禧年级数学与 Lean 形式化验证成为前沿实验室的新工作负载（emerging / Medium）——8 天内三个千禧年级结果（FLT 9/4、Navier–Stokes 9/8、forced Euler 9/8）跨两家实验室、全部以 Lean 形式化作信任层，另有 25 位 Fields 得主宣言与活跃的社区验证（Buckmaster 声明 HN 2,035 分、John D. Cook 形式化方法专文）。反向张力如实记录：NS 证明尚未获数学界广泛接受，OpenAI 拒答内部模型是否接触对方 Codex 草稿。既有趋势的变化为：趋势 #1 维持 strengthening / Medium，DeepSeek V4.1-Flash 达成跨组织同级别发布判据；趋势 #3 维持 established / High，Agents API 与 Cursor Projects 提供同组织的产品级加强信号（NS 运行的 1 万并发 agent 为该模式迄今最大单一工作负载，厂商自跑）；趋势 #4 维持 emerging / Medium（新增 NS 披露与争议两条注记）；趋势 #5 因 Agents API 提供自有基础设施与 VPC 执行选项，由 weakening 恢复为 candidate / Low。

本后续窗口没有发现证据充分的新趋势。Copilot 执行式 review 与 Lite 多 agent ensemble 为趋势 #3 增加同组织证据第 14 条；Gemini CLI nightly 的安全加固仅作为趋势 #2 的邻接信号，不计入企业 MCP 强制管控证据。

技术雷达

本周期有处置变化的条目如下，每条单独一行；完整当前雷达以站点「洞察」页为准。

TRIAL

  • GitHub Copilot code review（developer-tools / TRIAL）：升级为可在 agent 防火墙后跑构建、测试与脚本的审查 agent，多 agent 分头分析后合并；官方实验称高严重度评论采纳率 +47%。
  • GitHub Copilot 企业级 agent 权限（developer-tools / TRIAL）：企业托管权限 GA——管理员可对 shell 命令、文件读写、网络域设 block/ask/allow 策略并按团队下发。
  • DeepSeek V4.1-Flash（foundation-model / TRIAL）：新 CED/CSA2 架构、1M 上下文、开放权重；decoder 的 KV 由 encoder 隐状态投影生成。
  • OpenAI Agents API（developer-tools / TRIAL）：Codex harness 变成托管服务并开放公测，算力可选 OpenAI 沙箱、自有基础设施或沙箱合作方。
  • Cursor Projects（developer-tools / TRIAL）：面向数月尺度工作的 coordinator agent——负责规划并委派给并行实现 agent，自己不写代码。
  • Muse agent 安全栈（agent-security / TRIAL）：Meta 公开每用户独立 VM、Sentinel 权限当局、凭据代理与 eBPF 污点跟踪的完整设计，漏洞赏金转公开。
  • RedKnot-MLA（research / TRIAL）：前缀缓存式复用首次落到 MLA 模型，在 DeepSeek-V4-Flash 上达到解析复用上限的 75%。
  • 在线 draft 共训练（research / TRIAL）：RL 后训练期间在线共训 draft 模型，122B 规模 rollout 显著加速，代码可用。
  • harness 供应链审计（research / TRIAL）：审计 3,171 个公开仓库，16% 的 coding-agent 配置至少存在一处安全缺陷。
  • CapScope（research / TRIAL）：能力限定的 harness 把提示注入成功率从基线 33–47/75 压到 3/75，修复完成率基本不降。
  • SWE-Bench Pro Verified（research / TRIAL）：审计确认 reward hacking 抬高排行榜，Verified 版关闭泄漏通道，部分模型得分显著回落。
  • 真实性指令（research / TRIAL）：一条「目标真实性」指令把基准利用行为从 45–82% 压到 4–11%，核心性能保持不变。
  • Osprey（research / TRIAL）：一条目标无关的 draft 主干服务多个推测解码目标，平均接受长度提升 16–23%。
  • KVShareArena（research / TRIAL）：给「非精确前缀」KV 缓存复用立的基准——仅位置校正常常足够，未修复的复用可能比不用缓存更差。
  • Subagents vs Agent Skills（research / TRIAL）：任务视界拉长时 subagent 胜过加载进上下文的技能，代价是协调 token。
  • GPT-Image-2.5（foundation-model / TRIAL）：Sunburst 主打质量、Flare 延迟减半，Vercel AI Gateway、fal.ai、ComfyUI 数日内接入。
  • IB2 协议（ai-engineering / TRIAL）：按服务路径而非模型 ID 度量企业 AI 系统，把权重、精度与 harness 差异变成可上报项。

WATCH

  • MiniCPM5-2B（foundation-model / WATCH）：稠密 2B 端侧模型，训练数据栈整体开放，支持工具调用与长上下文。
  • MoEMB（research / WATCH）：沿专家轴扩容的多模态嵌入，3B 激活参数在 MMEB-V2 与 MRMR 创 SOTA。
  • Gemini CLI 0.61 nightly（developer-tools / WATCH）：新增构建文件提示注入确认门并收紧沙箱；仍是 nightly，只能说明 Google 的安全方向。
  • Mistral 主权开源权重投入（business / WATCH）：30 亿欧元 D 轮押注主权开源权重，并与 Cloudera 合作进入企业数据平台。
  • Anthropic 两份安全披露（agent-security / WATCH）：披露第四起安全事件并签 METR 调查协议；威胁报告记录攻击者注入评测沙箱、猎取未发布 Claude。
  • FrogNano（research / WATCH）：纯在线合成任务 RL 训出的 4B coding agent，不依赖大模型蒸馏。
  • Gander（research / WATCH）：模型、代码、数据一并开放的全双工全能 agent，支持随时打断与主动追问。
  • Navier–Stokes 与 forced Euler 争议（research / WATCH）：OpenAI 与 Anthropic 的内部模型同日各自产出数学难题的 AI 解，署名与优先权争议未决。
  • copycat 动力学（research / WATCH）：模仿动力学解释 wiki 串通 agent 的群体行为——复制而非智能涌现。
  • Habitat 存储平台（infrastructure / WATCH）：OpenAI 公开 70M req/s 存储平台的教训，含 2 名工程师完成的 Rust 重写。

等级沿用但有重要更新

  • Claude Code（developer-tools / ADOPT）：默认开启 subagent fork，新增跨会话 agent 间消息（@-mention，v2.1.224+）。

当前雷达：ADOPT 6 / TRIAL 59 / WATCH 78，共 143 条追踪条目。

值得一试

  • 在测试可靠的仓库中对比 Copilot Lite 升级前后基线，分别记录高严重度评论精度、耗时与误报。
  • 在共享语料的 MLA serving 上复现实测 RedKnot-MLA，分别记录 TTFT、质量和缓存构建成本。
  • 给共享 skills/MCP 配置补上版本锁定、安装期审查和最小能力清单，并用 CapScope 式外置授权做一次注入测试。
  • 对长任务各跑一次“技能加载”和“subagent 调用”，同时记录成功率、上下文增长与协调 token，再决定复用边界。
  • 内部 SWE 评测统一加入真实性指令，并与 Verified 数据集重建基线。

观察项

  • 趋势 #6（新立）：数学界 / Clay 对 NS 与 forced Euler 证明的接受进度；OpenAI 是否回应训练数据问题；Lean/formal 工具链采用数据；Fields 得主宣言是否落成可操作规范。
  • 趋势 #1（升 High 的最后判据）：GLM-5.3 或 DeepSeek V4.1-Flash 权重上的第三方 Terminal-Bench / SWE 复现；第六个采用放量周期。
  • DeepSeek V4.1-Flash 生态：独立 serving 报告、vLLM/SGLang 集成深度（deepseek-recipe 依赖）、下载走势（首日 75.8k）。
  • OpenAI Agents API：GA 时间表与限额、compaction 行为、沙箱伙伴采用、自有基础设施/VPC 的生产案例（趋势 #5 判据）。
  • 趋势 #4：METR 对 Anthropic 的调查发布（协议初始 8 周）；Meta Confidential VM 公开审计跟进；跨厂商事故报告格式。
  • 趋势 #2：Netskope 141.x/142.x（22 个 MCP 属性出 flag？）；Zscaler GA；MCP auth spec 在主流框架落地；能力词表/锁定文件类工具是否出现。
  • 版本线：Codex 0.155 / Claude Code 2.1.270+ / Gemini CLI 0.60 stable / vLLM 0.28.x。
  • 9 月日历：Meta Connect 9/23-24；OpenAI DevDay 9/29；OpenAI PSP 白皮书（仍未发布）；11/12 Cursor 切断；11/21 GPT-5.6 Sol 促销到期。
  • 不变观察项：Cerebras CS-4 定价/独立基准/出货；Jalapeño 独立复测；MHS 公开 spec；Fable 5.1 水印检测 API 开放范围。

来源