AI 日报 · 2026-10-15

今天最重要的两条主线围绕「可审查的 agent」与「开放多模态模型」：Google 把此前的论文压力测试工具 PAT 正式产品化为 Deep Review，从学术审稿扩展到法律、金融文档，每周免费两次并承诺上传文档不用于训练；Swiss AI 则发布 Apertus 1.5，在 8B/70B 上加入图像/音频理解、可选思考模式和 26 万 token 上下文，以 Apache 2.0 完全开放。围绕 agent 规模化落地的讨论也很密集：OpenAI 的两个客户案例分别展示量化研究同时运行一万个 agent、持续 36 小时以上，以及 Block 用 Defense Factory 把检测回放和补丁生成压缩到小时级；LangChain 则从评测和「上下文腐化」两端给出工程建议。Google 还在年度 Research@ 活动中把 Earth AI 地理空间智能体推向合作伙伴，并提供 agent-to-agent API，用于疾病暴发、灾害准备等场景。其他进展包括 Ai2 的 HiRO-ACEv2 以约 1/300 成本生成 3 公里气候模拟、NVIDIA 推动 AI 定义晶圆厂，以及 Anthropic IPO 前披露季度营收增至 168 亿美元、蒸馏收入占比被削减。

北美一手（LLMs 官方 & 关联账号）

OpenAI

⭐⭐ [其他] How Third Moment Research runs 10,000 agents for 36+ hours

OpenAI 发布 Third Moment Research 的客户案例。这家 AI 实验室围绕「agent 应深入特定工作、并随使用而变强」的思路构建自改进系统：用 OpenAI 最新模型理解 agent 行为、找出反复出现的弱点，并自动生成数千个合成场景来改进 agent，循环往复。团队使用 Codex、GPT‑6 Astra、GPT‑6 Sol、GPT‑6.1 Sol 支持研究与计算工作，可同时运行 1 万个 agent，单次自主调查持续 36–48 小时，并用 Daybreak 测试 agent 工作环境的安全性。早期应用是量化金融：团队用 Codex（当时配合 GPT‑5.6）分析数千条模拟轨迹与代码库，定位出回测瓶颈——一年订单级美股数据的回测需数小时，agent 在等待中反复轮询、浪费 token 并污染上下文；Codex 找到缓存优化和内存打包方案并部署到生产，把回测从约 3 小时缩短到约 3–5 分钟。团队还把 Codex 作为外层 harness 中的子 agent，由 GPT‑6 Sol 或 GPT‑6.1 Sol 驱动，在任务未完成时判断重试、终止还是转人工。文中列出的数据包括单日消耗 1 万亿 OpenAI token。

⭐⭐ [其他] How Block is building AI-powered security with OpenAI technology

OpenAI 发布客户案例，介绍 Block（Square、Cash App、Afterpay 母公司）的安全团队如何借助 OpenAI Defense Factory（含 Daybreak）加速安全工作。Block 表示，检测调优可在不到 1 小时内将拟议的检测变更回放比对七个月的生产遥测数据，从提交高层级漏洞到生成自动化补丁建议约需 18 分钟。其自动化分诊系统每季度节省约 600 分析员工时，并完成约 1,100 分析员工时的调查，分诊吞吐量提升 50%，情报收集与调查量增加 50%，还新增了自主威胁狩猎能力。团队针对不同任务选用不同模型，把任务路由、人工接管与智能体交叉验证构建在 Daybreak 之上，并说明每个结果仍由人工核验。

Google

⭐⭐⭐ [产品更新] Analyzing technical documents with Deep Review

Google Research 公开发布 Deep Review，一个用于对复杂文档给出严格反馈与技术核验的 agentic AI 系统。该系统由此前帮助研究者在投稿前做压力测试的实验项目 Paper Assistant Tool（PAT）演化而来，过去一年与 STOC 2026、ICML 2026、NeurIPS 2026、ICLR 2027 四个计算机科学会议合作，为 16,000 多篇选择加入的稿件提供了投稿前反馈。其能力已从计算机科学论文分析扩展到法律、金融等领域的文档审核，并可用于起草过程中的迭代改进和评审过程中的论断核验。使用方式上，每位用户每周可免费获得两次文档评审，高用量用户可接入 Gemini API key 以获得更高额度和通过 Deep Review API 做编程集成；初期支持 PDF 和纯文本输入，多文件输入即将支持。Google 表示上传到 Deep Review 的文档不会用于训练、微调或改进其模型，文档会保留一年，仅用于在 Deep Review 界面中向用户展示；文中还提到 ICLR、NeurIPS、ICML 三大 AI 会议今年的投稿量超过 74,000 篇，而 2023 年约为 23,000 篇。

⭐⭐ [研究] Research@ 2026: 10 ways we're amplifying human ingenuity

Google 在年度 Research@ 活动上公布 10 项研究进展，主题是「放大人类创造力」。其中 Google Earth AI 扩大早期访问，邀请合作伙伴通过三种新方式使用其新实验能力：在 Google Earth 中进行更深入的地理空间分析、通过行星预测引擎生成风险评估与情景预测、以及通过实验性 agent-to-agent API 把地理空间推理智能体技能接入自定义工作流。这些能力同时接入 Google Dataset Search（可查询逾 1 亿个公开数据集）与 TimesFM，由 70 多个地理空间工具支撑，包括遥感基础模型 RSFM 和人口动态基础模型 PDFM，并在当天的 Earth AI 技术报告中给出基准验证。Google.org 将提供 1000 万美元资助从事危机韧性与公共卫生的组织，其中 200 万美元给 Milken Institute。另一项进展是多智能体编排器，让科学家复现既有方法并应用到新场景，例如把流体力学中的逆设计方法用于导尿管设计，在模拟中发现更能防止细菌感染的方案，该工具与 Empirical Research Assistance 互补。

⭐⭐ [研究] Putting Earth AI to work: Geospatial agents for our planet's biggest challenges

Google Research 发布了一份关于地理空间推理（Geospatial Reasoning）智能体的新技术报告，指出把领域专用基础模型、空间工具与前置规划结合起来，能让该智能体完成独立 LLM 无法胜任的复杂空间分析和行星尺度预测。报告给出了覆盖四个基准的系统评测，其中包括 Google 新开发并对外开放的 GeoKTools 和 GeoExpertQueries 两个基准，用于量化 Earth AI 专用工具与规划相对开箱即用 LLM 的价值。过去几个月，Google 邀请 WHO 非洲区域办事处、People in Need、GiveDirectly、Milken Institute 和 WPP 等合作伙伴，在疾病暴发调查、灾害准备、清洁能源筛查等真实工作流中测试该智能体。该智能体将 Gemini 与 Earth AI 基础模型（WeatherNext、Flood Forecasting、PDFM、AlphaEarth Foundations、Remote Sensing Foundations）以及 Google Maps Platform、Earth Engine、Data Commons、Dataset Search 相连，并通过模块化技能、前置规划和专用空间工作区处理大规模地图图层，每次响应都会展示分析计划和所用数据源。Google 同时扩大实验性访问：Ask Google Earth 的实验性深度研究更新，以及面向开发者的 agent-to-agent API 早期访问，并提供接入 Gemini 的集成方案。

衍生 & 周边（产品 / Agent / Tools / 观点）

模型发布

⭐⭐⭐ [模型发布] Apertus 1.5 Release Notes

Swiss AI 发布 Apertus 1.5，在 8B 和 70B 的 Apertus 1.0 基础上新增图像/音频理解、可选的思考模式、4 倍长上下文（262,144 tokens），并改进了指令遵循与工具调用能力。更新后的权重于 2026 年 7 月 24 日以 Apache 2.0 许可发布到 Hugging Face，模型保持完全开放（开放权重、开放数据、开放价值观与完整训练细节）。Apertus 1.5 是对第一代模型的继续预训练：8B 增加 4 万亿 token，总量达 19T；70B 增加 2 万亿 token，总量达 17T。多模态采用早期融合方式，图像经 Emu3.5 分词器（512×512 图像为 1,024 个 token）、音频经 WavTokenizer（每秒 40 个 token）与文本 token 进入同一序列，只扩展词表、架构不变，模型可理解图像与音频但仅生成文本。后训练分五阶段：SFT → 长上下文 SFT → RL → DPO → charter alignment。

产品更新

⭐⭐ [产品更新] NVIDIA and Semiconductor Leaders Advance AI Across Chip Design and Manufacturing for AI-Defined Fabs

NVIDIA 宣布，多家半导体企业正在采用 NVIDIA CUDA-X 库，以推进「AI 定义的晶圆厂（AI-defined fabs）」。这些库里包括新推出的 NVIDIA cuPotential 库，开发者可以用它构建模拟原子与分子相互作用的 AI 智能体。

研究

⭐⭐ [研究] HiRO-ACEv2: Simulating extreme weather at 3 km resolution for a fraction of the cost

Ai2 发布 HiRO-ACEv2，是其高分辨率气候模拟系统 HiRO-ACE 的最新版本；该系统由在 100 公里分辨率上运行的 AI 模型 ACE 和把粗分辨率结果细化到 3 公里的模型 HiRO 两部分组成。v2 最大的变化是新的降尺度模型 HiROv2，它能同时预测多个高分辨率物理场（不再只有降水），并提升了对极端事件的预测能力；在给定粗化的 X-SHiELD 数据时，其输出的高分辨率统计量与目标模拟的偏差在 3% 以内，即使对百万个数据点才出现一次的极端事件也是如此，同时能估算热带气旋总能量（包括训练中未见过的风暴）并生成具有真实风眼与雨带的飓风。结合同步更新的 ACE，团队生成了整年的全球 3 公里数据，成本约为运行 X-SHiELD 的 1/300，若只需单个区域，节省可超过百倍。作者也指出局限：由于 HiRO 是从 X-SHiELD 学到的，它目前只能配合与 X-SHiELD 匹配的那版 ACE 使用，无法用于更暖未来或 ERA5 等其他气候，后续计划在新的 X-SHiELD 数据集（包括 4°C 增暖情景）上训练，并加入近地面温度、雪与冰等输出。

其他

⭐⭐ [其他] The Most Common Questions About Agent Evals, Answered

LangChain 团队基于在 LangSmith 上的经验，回答了关于 agent 评测（evals）的常见问题。文章指出 agent 比传统软件更难测试，因为同样的请求输出会变化、可能有多個正确答案、且 agent 自行决定执行步骤（例如调用不需要的工具或未经用户许可采取行动）。起步方法是：先读 trace 了解 agent 实际行为，选定一个关心的行为，从真实 trace 构建 10 到 20 条样例的小数据集，跑一次 baseline 并保存为 experiment，之后把每次发现的失败加入数据集形成改进循环。文章还区分了上线前的 offline evals 与生产环境中的 online evals，建议能用代码评估器就用代码评估器、不能用时用 LLM judge，并用人工审查校验两者；对多步骤 agent 则评估完整 thread、执行轨迹（trajectory）和最终状态。此外提到 Terminal-Bench 这类 benchmark 属于任务更长、自带环境的 offline evals，由 Harbor 运行并把结果记录到 LangSmith experiments 中。

⭐⭐ [其他] Context Engineering with Deep Agents: How To Remember Without Keeping Everything In Context

LangChain 博客介绍「上下文腐化」（context rot）问题：长时间运行的 Agent 会不断累积指令、工具结果、文件等信息，最终超出模型的上下文窗口，导致准确率与推理能力下降。博客称 LangChain 的开源 Agent 框架 Deep Agents 用五种技术把上下文移出活动窗口（而不是删除）：卸载（把大型工具结果和用户消息存入文件系统，模型只看到预览）、摘要（对话接近上限时把旧消息压缩成摘要）、技能（任务知识仅在模型判断相关时加载）、子 Agent（把嘈杂工作放到独立上下文窗口，只把结果带回）、长期记忆（把学到的东西写入文件并延续到下一次对话）。文章以竞争分析 Agent 为例说明这些技术的应用，并说明 Agent 的记忆以纯文件形式存储在你可控的存储中，因此可以切换模型或服务商。

⭐⭐ [其他] Anthropic tells investors quarterly revenue up nearly 50% to $16.8bn ahead of IPO

Simon Willison 的链接博客转述《金融时报》报道：Anthropic 在 IPO 前向投资者披露，季度营收增长近 50% 至 168 亿美元。报道称第一季度（1/2/3 月）营收约 48 亿美元，第二季度为 115 亿美元，第三季度为 168 亿美元。第三季度每投入 1 美元「算力」带来 1.70 美元营收，剔除股权激励后的调整后运营利润率为 11%。Anthropic 还向投资者表示，「蒸馏」（其他 AI 实验室用其模型输出训练自家模型）占营收的 5% 至 7%，并已在第三季度「大幅」削减；Simon Willison 据此推算，若第二季度蒸馏占营收 5%，则其他实验室该季度为此花费超过 5 亿美元。

⭐⭐ [其他] Crossing the Threshold: How OpenAI and Anthropic Approach Autonomy and Safety in Financial Agents

Latent Space 报道了 AI Engineer New York 大会上前沿实验室与金融机构关于「agent 自主性与安全」的讨论。OpenAI 金融服务版 ChatGPT 负责人 Joseph Kim 提出「threshold of usefulness」（有用性阈值），即模型变得足够有能力且可靠、能为人节省时间的那一点，并预测到 2027 年金融业将减少对 Excel 和 PowerPoint 的依赖，agent 将能完成「投资想法生成与交易」，同时强调金融场景需要可追溯地核查数字来源。Two Sigma 架构 SVP John Feminella 介绍该对冲基金已实施五项控制措施，认为不应把安全与创新视为光谱两端，并批评「审批疲劳」；这些控制项可组合，每项只做一件事，其中自动模式分类器负责处理日常调用、只把最重要的请求交给人，模糊情况用分类器而明确情况用确定性规则。文中还提到 Anthropic 的思路是「先给 agent 上下文，再界定信任边界」，但原文在该处中断。