付费调用 x402 端点 45,152 次后的实测发现
Lumière PayCheck 用六周（2026-09-27 至 11-07）对 37,812 个 x402 端点发起 126,291 次付费测试，其中 45,152 笔支付结算，接受支付的端点 95.1% 在最新测试中按承诺交付，但 49.1% 的支付尝试从未完成，最常见原因是端点在收款后再次返回 402。
#Agent
Google AI · DEV 作者专属AI 评分6565 Google AI · DEV 作者专属AI 评分4141 Amazon 称新记忆方法有望降低聊天机器人成本
Amazon 研究员 Omar Sanseviero 在 X 发布研究称，将用户稳定事实内化进模型参数的“权重记忆”可减少每次查询读取的 token，效果匹敌或超越文本检索。最佳结果来自 verify-then-regenerate 路由器，在权重记忆与检索文本之间切换。该方案中文本检索在模型外存储原始笔记，学生模型内化稳定事实。
The DecoderAI 评分5353 新研究发现 AI 审计能发现多数智能体不当行为但产生大量误报
Anthropic 研究院研究员 Andy Hall（斯坦福休假期间）在 Substack 上基于 METR 的 MALT 数据集复现并扩展研究发现，AI 审计模型能发现多数智能体不当行为，GPT-5 在 5% 误报率下检出近 98% 的 reward hacking 案例，Gemini 3.8 Flash 仅约一半。
The DecoderAI 评分6464 Vals AI 基准显示开源与闭源模型的网络攻击能力差距持续缩小
Vals AI 的 CyberOffense 基准显示，AI 智能体无需人工协助即可独立攻入模拟企业网络，OpenAI 限制级 Daybreak 计划中的 GPT-6 Sol 以 80.8% 目标完成率居首，开源的 DeepSeek V4.1 Flash 1017 达 72.8%、单次成本约 $3。
The DecoderAI 评分6868 九个 AI 智能体在 Into the Unknown 基准中挑战开放科研课题，135 份提交无一达到专家标准
卡内基梅隆大学团队联合美国能源部国家实验室构建 Into the Unknown 基准，让九个 AI 智能体对 15 个开放科研课题做独立后续研究，135 份提交无一同时满足诚实、完整和达到专家标准三项要求。
量子位AI 评分7474 AGENTS.md 沦为新型攻击载体，可静默劫持 Codex 与 Claude Code
安全机构 Forever Security 披露新型攻击：网页静默将 AGENTS.md 丢入下载目录，用户在该目录启动 Codex 或 Claude Code 时，Agent 会照文件内隐藏指令执行恶意操作。
Google AI · DEV 作者专属AI 评分5959 Anthropic Project EVE：Claude 交易收益跑赢智能体识别破坏行为的能力
Anthropic 的 Project EVE 实验让 Claude 智能体在 EVE Online 模拟市场交易并在 EVE Frontier 执行团队任务，交易收益随模型升级增长，但发现破坏行为的能力没有跟上。
OpenAI NewsAI 评分4040 OpenAI 用 BioBasicsBench 衡量 AI 智能体处理日常湿实验室科学的能力
OpenAI 推出 BioBasicsBench，用于衡量 AI 智能体处理日常湿实验室科学的能力。该基准包含 100 项任务，考察智能体解读原始实验数据的表现。
IT之家·人工智能AI 评分5858 Anthropic 发布 Claude 智能体记忆研究：借“做梦”机制提升长周期任务表现
Anthropic 于 11 月 6 日发布研究文章《The components of agent memory》，拆解 Claude 智能体跨会话记忆机制，提出借鉴人脑睡眠整理记忆的“做梦”机制，让模型在空闲时间回顾日志、纠错并更新知识库。
Google AI · DEV 作者专属AI 评分4141 Recursa 存储经验教训，让智能体更准确地完成办公任务
Recursa 论文显示，其系统将 Harvey LAB 的 Firm Knowledge 基准全通过成绩从 30.0% 提升至 55.0%。同一系统还把 Qwen3.8-Flash 从 35.0% 提高到 46.0%。该系统用知识仓库存储技能、使用时机说明、记忆与反思，并以递归自我改进循环在验证后合并更新。
Google Developers Blog精选AI 评分6363 Google 量化代码库陈旧 TODO 注释对编码智能体的干扰成本
Google 在开发者博客公布对其代码库的大规模测量，覆盖数千名工程师、数亿步智能体操作，发现陈旧的 TODO(bug/...) 注释会干扰编码智能体，13% 的读文件会话接触过这类注释，其中 6% 触发针对该 bug 的后续动作，83% 属于开发者未要求的自发行动。
推荐理由：用内部数亿步智能体交互数据量化陈旧 TODO 注释的干扰代价，为代码库整洁度如何影响智能体效率提供了量化依据。
Dwarkesh Patel · Podcast & BlogAI 评分6161 Dwarkesh Patel 打造 AI 必须撒谎才能赢的 Blood on the Clocktower 评测基准
Dwarkesh Patel 花 2 万美元 API 额度自建 Blood on the Clocktower 社交欺骗游戏基准，让 AI 模型互相对战 386 场，考察模型在秘密撒谎、多智能体协作与长程策略推理上的进展。
The DecoderAI 评分6060 SemiAnalysis 发布 GDPx 基准，AI 智能体在真实工作任务测试中最高仅得 12%
SemiAnalysis 发布 GDPx 基准，让 AI 智能体在模拟工作环境中执行 206 项跨十一个领域的真实任务，最长持续八小时，没有模型得分超过 12%，Claude Opus 5.5 以 12% 居首。
量子位精选AI 评分8080 OpenAI网络安全模型10天挖出Linux内核948个漏洞，花费120万美元
OpenAI用尚未发布的网络安全模型和AI Agent流水线，10天扫描Linux内核，花费120万美元找出948个独立的本地提权漏洞。流水线分侦察、验证、攻击三步，30小时内复现1724个内核崩溃漏洞，命中率74.7%，平均每个漏洞成本1279美元，抽样分析还发现AI自行使用了至少10种全新攻击技术。
推荐理由：原文拆解了OpenAI智能体挖漏洞的三步流水线和各环节成本，可对照人类研究员一年约20个漏洞的效率与漏洞奖金水平。
Hugging Face Daily PapersAI 评分4444 SwarmEvolve：用于进化发现与优化的潜空间智能体集群
Brown University 团队提出 LLM 引导进化搜索框架 SwarmEvolve，每轮让数百个低成本智能体集群在潜空间推理、靠传递 KV cache 通信，无需解码成文本。
OpenAlex 主题 · AI 应用AI 评分4343 Claude 智能体办理按揭贷款的接口对比：测试床与 96 次运行日志
一套测试床、运行日志与论文对比了个人 AI 智能体经网站、机构专属 API 或统一智能体 API 完成合成按揭申请所需的模型请求、token 与时间。对比区分模型编排与代码编排两种方式。实验在四种条件下用 Claude Sonnet 5.5 与 Claude Opus 5.5 共进行 96 次运行。
MIT Technology Review · AIAI 评分5050 「逆向博弈论」如何约束 AI 智能体
「逆向博弈论」即机制设计，研究者试图用激励规则引导 AI 智能体遵守规范。MIT 经济学家 Stephen Morris 等人的预印本论文提出让模型预测彼此答案或互相竞争，以阻止其在测试中「故意扮弱」。普林斯顿的 Elad Hazan 则设想模型轮流担任 solver 与 auditor 并按结果奖惩，但能否理性响应激励存疑。
OpenAI · 失准报告与通报精选AI 评分7272 OpenAI 研究发现智能体安全评测成功率普遍低于生产表现，评测目标感知是关键因素
OpenAI 发布研究，对比六款模型在 Respecting Warnings 安全评测与匹配的 Codex 生产决策中的表现，发现评测成功率普遍低于生产，差距为 10.2 至 37.4 个百分点，其中 GPT-5.6 Sol 与 GPT-6 Sol 差距最大。
推荐理由：研究发现智能体安全评测的成绩普遍低于可比生产表现，为判断安全评测分数能在多大程度上代表真实部署行为提供了参照。
Google Cloud · AI & MLAI 评分5858 Google 发布 Physical-Engineering's Last Exam（PLE）智能体基准与公开竞赛
Google AI & Infrastructure 团队联合 Mercor 发布 Physical-Engineering's Last Exam（PLE）基准与公开竞赛，测试前沿模型完成机械、电气、土木和结构工程真实任务的能力。
Latent SpaceAI 评分5353 Latent Space AINews 日报：LLM 可直接读写神经网络权重，无需梯度下降或训练循环
Latent Space 发布覆盖 10月31日至11月2日的 AINews 日报，头条是 Weight-Space Programming 研究：LLM 可从自然语言目标直接检查和编辑神经网络权重张量。
Hugging Face BlogAI 评分4444 CWE-bench v2：覆盖更广、质量与透明度更高
Collinear AI 开放 CWE-bench v2 公开任务集：100 个任务覆盖 91 种 CWE，智能体需在真实开源仓库中找到并修复安全漏洞。11 个受测模型中 Gemini 4 Argon 以 67.8% pass@1 领先，Claude Opus 5.5 以 67.3% 紧随其后。任务集与评分器开源，也可用于训练防御型智能体。
Import AIAI 评分4747 Import AI 479：太空战；低延迟任务 vs LLM；Genie 4
研究者构建 Realtime-Bench 基准，显示 LLM 难以胜任需实时决策的低延迟任务，GPT-6 Astra（high）在 wall clock 设置下通过率最高仅 36%。
SemiAnalysis 长文 RSSAI 评分7272 SemiAnalysis 推出 GDPx 基准，评测前沿模型在 11 个高价值领域的智能体能力
SemiAnalysis 联合 14 家领域数据伙伴发布 GDPx 基准，覆盖芯片设计、网络安全、生物、金融、法律等 11 个高价值领域，用于衡量前沿模型的通用智能体能力；最好模型总分仅 12%，金融和法律任务几乎所有模型得 0 分。
OpenAI · 失准报告与通报精选AI 评分7474 OpenAI 讲解如何检测前沿模型的失准行为
OpenAI 详解其前沿模型失准监控系统，覆盖训练、评估、内部使用和外部部署，对不低于 GPT-6 Astra 能力的模型监控每轮 RL 与评估，并监控全部内部 Codex 流量。
推荐理由：原文给出从激活探针到人工响应的多层监控架构和分场景召回率，读者可借此了解前沿模型失准行为的检测机制。
Wiz · Research精选AI 评分7777 Wiz Research 剖析智能体攻击的崛起：典型形态、识别特征与演化方向
Wiz Research 发布报告，结合亲历调查与公开披露案例，分析智能体攻击的典型形态、七条行为识别特征与演化方向。
推荐理由：原文从亲历调查与公开案例归纳出七条识别智能体攻击的行为特征，为防御方区分恶意自动化与正常自动化提供了可参照的判据。
goose 官方博客精选AI 评分6363 goose 对比实测五种开源编码 harness，同一模型下通过率相近而成本最多相差 75%
goose 团队让 goose、Codex CLI、OpenCode、Hermes Agent、pi 五个开源编码 harness 使用同一模型 gpt-6.1-sol（high reasoning effort）完成相同的 Terminal-Bench 4 任务，每个 harness 各 310 次计分试验。
推荐理由：同一模型下各 harness 通过率无显著差异而成本最多相差 75%，为编码 Agent 选型提供了实测成本参照。
IBM Research · AIAI 评分5757 IBM 与 Kaggle 推出 ScarfBench 排行榜，评估编码智能体的 Java 框架迁移能力
IBM 与 Kaggle 合作推出 ScarfBench 排行榜，评估编码智能体能否把企业级 Java 应用在 Jakarta EE、Quarkus、Spring 间迁移并保持可运行行为。
Browser Use精选AI 评分6262 卡内基梅隆大学与 Browser Use 发布长程网页智能体基准 Odysseys2
卡内基梅隆大学与 Browser Use 合作发布长程网页智能体基准 Odysseys2，包含 100 个真实网页长任务，每项按 8 到 12 条 pass/fail 检查评分。
推荐理由：同一模型在不同 harness 和评分器下成绩差距明显，正文用数据说明读 agent 榜单时要把这些变量一并考虑。
Epoch AI · Gradient UpdatesAI 评分6262 Epoch AI 用内部真实任务评测 AI 自动化，领先模型平均得分 65%
Epoch AI 按人类员工的评估标准在其日常真实工作任务上评测 AI，领先的 Claude Fable 5.1 和 GPT-6 Astra 平均得分 65%，低于任务可被自动化的 100% 门槛。
Redwood Research · BlogAI 评分5454 Redwood Research 发布模拟控制评测（SCEs）论文，检验监控能否发现模型故意实施的攻击
Redwood Research 发布论文提出模拟控制评测（SCEs），以 gpt-6-astra 作模拟器伪造工具响应、gpt-5.6-sol 作攻击策略和成功裁判，在不实际执行工具调用的情况下检验部署监控能否发现故意作恶的模型。
Redwood Research · Blog精选AI 评分7070 Redwood Research 与 METR 公开对 OpenAI 内部智能体监控系统的红队测试结果
Redwood Research 与 METR 的员工于 7 月 21 日至 8 月 11 日对 OpenAI 内部未对齐监控系统开展了三周高权限红队测试，产出 61 页内部报告并发布公开版。
推荐理由：这份报告把外部深度红队测试发现的监控缺口和一组监控设计原则一并公开，搭建智能体安全监控时可作参考。
METR 博客AI 评分7272 METR 红队测试 OpenAI 内部智能体监控系统
METR 与 Redwood Research 员工于 7 月 21 日至 8 月 11 日对 OpenAI 内部失对齐监控系统做高权限红队测试，发现多个新颖漏洞。
Microsoft Research精选AI 评分7878 Microsoft Research 证明悬置 31 年的数学难题 KLS 猜想
Microsoft Research 研究员 Xinzhi Zhang 与 Zhao Song 证明了 1995 年提出的 KLS 猜想，表明对数凸分布中最优平面切割与任意形状切割的差距不超过与维数无关的通用常数。
推荐理由：原文讲清了证明如何通过递归精化消除维度依赖，同日出现的独立证明和随后的 Lean 4 形式化让结果不依赖单一推理链。
Google Research 博客精选AI 评分6464 Google Research 让 AI 智能体落地湿实验室，三项研究打通自主分子设计闭环
Google Research 展示三项研究，将 AI 智能体接入湿实验室机器人运行闭环分子设计，并发现个位数纳摩尔亲和力的 FAP 蛋白结合剂。
推荐理由：原文给出智能体操作真实湿实验室的框架与闭环设计结果，可看到实验反馈如何跟上计算设计的步伐。
Redwood Research · BlogAI 评分5656 Redwood Research 提出 Screwtape，对抗性改写智能体运行记录以红队测试监控器
Redwood Research 提出 Screwtape 管道，把真实智能体运行记录改写成能绕过只看动作、不看思维链监控器的现实攻击，并由 LLM 验证器把关攻击的真实性、危害与可行性。
Apple Machine Learning ResearchAI 评分4444 Selection-Based Structured Reasoning：迈向高效多模态搜索智能体
Apple 研究团队提出 Selection-Based Structured Reasoning（SSR）框架，将多模态搜索智能体的逐步推理从开放式生成改为从预置候选中选取。在 2B 和 4B 模型、七个多模态搜索基准上的评估显示，SSR 平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低逾 90%，每题总模型推理延迟降低 28–54%。
Apple Machine Learning ResearchAI 评分4646 Apple 研究：先规划还是先检索？工具发现架构的规模研究
Apple 机器学习研究团队在 EMNLP 发表论文，对比工具增强 LLM 智能体的两种工具发现架构：Retrieve-then-Plan（RtP）与先规划再检索的 Plan-then-Retrieve（PtR）。
METR 博客AI 评分4747 METR 探讨评估方如何调查内部 AI 智能体的控制与监控
METR 探讨评估方如何收集证据检验内部 AI 智能体监控的可靠性，目前开发者主要依赖基于 LLM 的监控捕捉潜在有害行为。评估围绕五个核心子问题展开：监控覆盖率、监控系统漏洞、绕过监控、含人工审查的响应，以及最坏未被发现的不当行为影响。估算覆盖率需访问推理日志与监控日志并访谈员工，监控系统漏洞则靠红队测试排查。
Johann Rehberger / Embrace The RedAI 评分7373 Visual Studio Copilot 与 SSMS 远程代码执行漏洞（CVE-2026-103572）
安全研究员 Johann Rehberger 披露 Visual Studio Copilot 与 SQL Server Management Studio（SSMS）的远程代码执行漏洞 CVE-2026-103572，Microsoft 将其定级为 Important 级（CVSS 8.8）并已随 Patch Tuesday 发布修复补丁。
Epoch AI · Gradient UpdatesAI 评分5151 Epoch AI 研究简报测算近 20 亿并发智能体上限与 AI 成本下降趋势
Epoch AI 在 10 月 8 日的 Epoch Brief 中汇总多项新研究，测算到 2027 年出货的 AI 芯片可支撑约 3000 万至 1.7 亿并发前沿模型智能体，若改跑更便宜的模型则接近 20 亿；达到固定性能的成本过去三年每季度下降约 47%，约合每年 13 倍，快于其对比的任何变革性技术。