2026-08-01 前沿科技洞见 · 日报

📊 今日关键数据

• 60.4% / 1.59 美元：Kimi K3 在 ARC-AGI-2 验证评测中的得分与单题成本（来源：ARC Prize）
• 3.3%：中国科大机器实验室 4,608 次测试中，无需人工修复即可执行的智能体工作流占比（来源：新智元）
• 30 倍：Composio 在相同模型、相同任务条件下测得的三套智能体框架最大 Token 消耗差距（来源：AI提效手册）
• 10 分：DeepSeek V4 Flash 0731 的 Artificial Analysis Intelligence Index 相比前版提升幅度，从 40 升至 50（来源：Artificial Analysis）
• 82.1% 对 17.7%：Spatial-IQ 遮挡物体计数中，人类与最佳现成多模态模型的准确率对比（来源：NVIDIA AI）
• 10 万人 / 12 个月：OpenAI 计划到 2027 年覆盖的高校科研人员规模及免费使用期（来源：BAAI 智源）

🔍 今日值得深读

欧盟开始执行通用 AI 模型与合成内容透明度规则

欧盟委员会宣布，自 8 月 2 日起扩大《人工智能法》适用范围。聊天机器人须明确告知用户其 AI 身份，AI 生成或修改的图像、视频和音频须标识并带机器可读标记；欧洲人工智能办公室也可开始执行针对通用 AI 模型提供商的规则。招聘、教育、执法和移民等高风险系统的规则则推迟到 2027 年 12 月，嵌入医疗器械、机械等产品的相关规则推迟到 2028 年 8 月。

• 关键变化：透明度义务和通用模型规则进入执行阶段，系统性风险模型还需防范网络攻击、模型失控和有害操纵等大规模危害。
• 为什么值得深读：模型提供商、内容平台和采用 AI 的企业需要同时处理用户提示、内容标记、风险管理与审计记录，合规要求开始落到产品接口和运营流程。
• 后续看点：欧洲人工智能办公室如何认定具有系统性风险的通用模型，以及延期的高风险系统规则在 2027 年前如何调整。

来源：华尔街见闻全球

Kimi K3 成为 ARC-AGI-1 与 ARC-AGI-2 最高分开放权重模型

ARC Prize 的验证结果显示，Kimi K3 在 ARC-AGI-2 得分 60.4%，单题成本 1.59 美元；在 ARC-AGI-1 得分 94.5%，单题成本 0.77 美元。它是该机构目前在两项评测中得分最高的开放权重模型，ARC-AGI-2 表现与两个月前发布的 Opus 4.8 low 档相当。

• 关键变化：开放权重模型在抽象推理评测上逼近近期闭源旗舰，同时公开了单题成本和可复现入口。
• 为什么值得深读：模型能力、开放方式和推理成本可以在同一套验证框架里比较，这比只看厂商自报榜单更接近部署决策。
• 后续看点：ARC Prize 已开始运行 Kimi K3 的 ARC-AGI-3 评测，结果将检验它在更强调交互与适应的新任务上能否延续优势。

来源：ARC Prize

机器实验室压力测试：智能体可直接执行的工作流仅占 3.3%

中国科大团队把 6 种智能体框架与 9 种大模型组合成 48 种配置，在含 45 个自动工作站的催化实验室完成 4,608 次测试。只有 151 个工作流无需人工修复即可执行，占 3.3%；最佳的 Claude Code 与 Claude Opus 4.7 组合达到 28.1%，Codex 与 GPT-5.5 组合为 19.8%。

• 关键变化：评测从生成实验计划推进到真实设备可执行性，并追踪规划、核验、下发和反馈后的重新规划。
• 为什么值得深读：语言上合理的方案常无法直接驱动机器；长链路中遗漏试剂、设备约束和步骤依赖，才是自主实验的实际瓶颈。
• 后续看点：后续系统能否突破局部参数调整，在实验失败后重写工作流骨架，并提高超过 30 步任务的稳定执行比例。

来源：新智元

同一模型换智能体框架，Token 消耗最多相差 30 倍

Composio 用 Kimi K3 在 Claude Code、Hermes 和 Kimi Code 三套框架上运行 28 个相同任务，成功数分别为 20、21 和 22。成功率接近，但单任务 Token 消耗最高相差 30 倍；中位数分别约为 34 万、6.7 万和 6.1 万，Claude Code 的中位耗时也最长。

• 关键变化：差异主要来自多轮交互中反复送回消息、工具调用、命令输出和文件内容，而非模型输出变长。
• 为什么值得深读：智能体成本不能只按模型单价估算，编排层的上下文管理、重试和工具轨迹会直接改变账单与延迟。
• 后续看点：现有智能体基准是否会加入框架层 Token、延迟和任务成本指标，并在更大任务集上复现这一差距。

来源：AI提效手册

Google 上线一天后撤回地球 AI 生图功能

Google Earth 接入 Nano Banana 2 后，用户可以按提示在真实卫星地图上叠加生成图像。功能上线一天即被撤回，因为生成截图可能被当作地理证据传播；Google 表示，部分分享内容疑似违反政策，将在加入更强防护后再处理该功能。

• 关键变化：生成式编辑进入具有证据属性的地图产品后，风险不再局限于单张假图，还会借用平台原有的可信外观。
• 为什么值得深读：新闻、研究和应急响应依赖卫星图像判断地点与事件，产品内生成功能会抬高来源验证和标记要求。
• 后续看点：Google 会采用何种水印、界面隔离或导出限制，以及这些防护能否保留地理专业用户的创作场景。

来源：TechCrunch

OpenAI 向高校研究者开放一整套科研工作区

OpenAI 推出 ChatGPT for Academic Researchers，今夏先提供 1 万个名额，目标是在 2027 年覆盖 10 万名高校科研人员，每人免费使用 12 个月。计划包含 ChatGPT、ChatGPT Work、Codex、扩容版 Deep Research、科研连接器和 75 个以上生命科学技能，但不含 API 额度，也不开放模型权重。

• 关键变化：免费计划覆盖文献、代码、数据分析、形式化验证和写作，不再只是单一模型的聊天入口。
• 为什么值得深读：科研机构会更快遇到工作流绑定、数据权限、结果复现和工具退出成本问题，尤其是在免费期结束之后。
• 后续看点：首批 1 万名研究者如何使用连接器和生命科学技能，以及一年后能否迁移完整项目记录与审计轨迹。

来源：BAAI 智源

🔥 今日聚合动态

DeepSeek V4 Flash 只改后训练，智能体得分与成本曲线同时前移

DeepSeek V4 Flash 0731 保持 284B 总参数、13B 激活参数、100 万 Token 上下文和原有价格，更新重点落在后训练。Artificial Analysis 的独立评测显示，其 Intelligence Index 从 40 升至 50，并进入智能水平与单任务成本的帕累托前沿；另一条材料确认模型权重、技术报告与 MIT 许可证已经发布。

• 互补信息：发布信息回答“是否可拿到和部署”，独立评测补上“能力提升发生在哪些任务、付出多少推理成本”。
• 后续看点：开放权重部署能否复现第一方 API 的缓存折扣和 Token 效率，以及 84% 的幻觉率在后续版本能否继续下降。

MiniMax H3 把多模态视频生成、局部编辑和开放权重放进同一产品

MiniMax 发布 H3，并通过首批合作伙伴提供服务，模型权重承诺随后开放。官方信息给出原生立体声和多参考输入范围；两组媒体实测则把焦点放在商业视频的文字保持、局部替换、多轮编辑与交付成本上。

• 互补信息：官方材料界定输入能力和开放计划，两组实测补上成片质量、编辑稳定性、定价与仍需人工处理的环节。
• 后续看点：承诺的模型权重何时发布，私有化部署能否保持在线服务的多模态控制与 2K 生成成本。

📰 独立报道

🤖 AGI 前沿

PyTorch 2.13 将 FlexAttention 带到 Apple Silicon

PyTorch 2.13 支持在 Apple Silicon 上使用 FlexAttention，并以 nn.LinearCrossEntropyLoss 将大词表模型的峰值内存最多降低 4 倍。在受测稀疏配置中，按掩码模式专门编译的内核相对 SDPA 最多加速约 12 倍，CUDA 反向路径还增加了确定性选项。

来源：PyTorch

Spatial-IQ 把三维物体计数拆成九类空间推理任务

NVIDIA Research 发布 Spatial-IQ：人类在含遮挡方块的计数任务上准确率为 82.1%，最佳现成多模态模型仅为 17.7%。按九类感知与认知子任务训练后，Qwen2.5-VL-32B 的物体计数准确率从 2.9% 升至 62.6%，论文、数据集和代码均已开放。

来源：NVIDIA AI

视觉提示工程让视频模型先“看懂”再推理

Google DeepMind 的 VIPE 方法先改写视觉输入，同时保留物体数量、位置和关系，再交给视频模型推理。在 VPCT 物理任务上，Veo 3.1 准确率从 41.3% 升至 59.3%；继续多次采样可达 68.0%。方法依赖编辑器不篡改任务信息，原生图像生成模型也未出现稳定收益。

来源：BAAI 智源

INTACT 让世界模型直接从意图生成动作

浙大、清华等团队提出无搜索控制方法 INTACT，把局部状态变化与未来目标映射到同一动作算子。模型只训练 1 个 epoch，在四项 LeWM 任务上平均成功率 95.33%；必要时加入小规模验证可达 96.86%，规划延迟从 1.48 秒降至最低 2.9 毫秒。

来源：AI提效手册

Seedance 2.5 支持 30 秒原生视频和 50 个多模态参考

字节跳动在即梦上线 Seedance 2.5，支持 30 秒原生视频直出、最多 50 个多模态参考，以及绿幕、白模输入。实测中，模型能够复刻白模的空间结构和镜头运动，并在文具广告的动态转换中基本保持文字一致；结果仍来自特定案例，不等同于通用成功率。

来源：十字路口 Crossing

Decagon 把大部分企业智能体推理迁到开源模型

Decagon 两位联合创始人在访谈中披露，公司已将大部分推理迁到开源模型，并围绕延迟、评测和微调构建生产系统。其经验是，企业智能体落地还需要前线工程、业务流程接入和持续评测，单纯调用前沿模型不足以支撑客服、销售与运营自动化。

来源：a16z Podcast

无可验证答案的强化学习，把环境当作奖励锚点

Prime Intellect 的 Will Brown 介绍了面向开放任务的强化学习路线：用真实文档和代码库生成有依据的问答，或先隐藏漏洞、后让模型找回，以此构造难度可调的奖励。该方法仍需检查完整轨迹和小规模实验，因为奖励漏洞会让模型学会绕过目标。

来源：AI Engineer

💰 资管与金融科技前沿

九方智投用实体对齐和交叉校验约束投顾智能体

九方智投发布 AI 股票机智航版，底层由自研金融模型、智能体框架、金融数据底座和合规风控平台组成。数据侧使用金融实体对齐、多源事实交叉校验、脱敏清洗和标注质检；模型侧把资源集中在贴近投顾场景与合规要求的后训练，并要求输出有依据、推理可追溯。

来源：中国基金报

🎓 学术前沿

AgentHOI 无需专项标注训练即可识别人和物的交互

北大团队提出 AgentHOI，把人—物交互检测拆成多模态语义推理与 GroundingDINO 空间定位。系统通过三轮推理补找遗漏交互，再结合动作、位置和外观描述消除多人多物场景歧义；整个流程不在 HOI 数据上更新参数，代码与模型已经开放。

来源：机器之心

Hyra 提出可无限扩展的加法组合构造并由 Lean 4 验证

腾讯科研智能体 Hyra 先把有限集合结果从约 1.14 提高到 1.21，随后提出十二进制结构、循环群对称加法基与中国剩余定理结合的参数化构造。研究人员整理证明并用 Lean 4 形式化验证，证明指标 C(A) 可无限接近理论上界 2；论文仍是预印本，尚未同行评议。

来源：智东西

量星-QAdapt 用神经预解码适配不同量子芯片噪声

中科量枢发布量子纠错模型 QAdapt，在经典解码器前先处理时空错误信号。其 HTNet 参数量比 Ising-fast 少 28.75%，在 110 种新噪声配置中全部胜出；未经重新训练迁移到 Google Willow 数据后，d=5 和 d=7 的逻辑错误率分别下降约 5.8% 和 2.5%。

来源：DeepTech 深科技