2026-09-11 前沿科技洞见 · 日报

📊 今日关键数据

• 4 倍：Agents API 早期用户报告多子 Agent 编排延迟最高降低 4 倍（来源：OpenAI）
• 近 80%：Speak 评估中，GPT-Live-1 相比旧式轮流对话系统减少近八成误打断（来源：OpenAI）
• 81.7 分：JoyAI-EchoWM 在 158 个 WBench Navigation 案例上的平均分（来源：AI提效手册）
• 54.8%：30B OpenResearcher 在 BrowseComp-Plus 的报告得分，较基座提高 34 个百分点（来源：Lambda）
• 4,084 道：WearableQA 基于 200 名用户真实可穿戴数据构造的十选一问题数量（来源：HuggingPapers）
• 38GW 以上：微软据称规划的 2032 年数据中心容量，当前约为 12GW（来源：Techmeme / Bloomberg）

🔍 今日值得深读

OpenAI 公测 Agents API，把 Codex 的长程运行框架开放给开发者

OpenAI 将支撑 Codex 的托管 Agent 框架封装为公开测试版 API：系统负责上下文管理、工具调用和子 Agent 编排，任务可持续运行数天；开发者可选 OpenAI 沙箱、自有基础设施或合作方沙箱。早期用户 Ciridae 报告评测分数由 0.71 升至 0.85，多子 Agent 流程延迟降低 4 倍。

• 发生了什么：一次调用即可指定任务、模型、工具与运行环境，并获得自动上下文压缩、MCP 工具兼容和长任务中间结果保存能力。
• 为什么值得深读：竞争焦点从单次模型调用转向 Harness、状态管理、运行可靠性和环境隔离，开发团队可以少维护一层 Agent 基础设施。
• 后续看点：公开测试期的长任务成功率、沙箱间迁移成本、权限控制，以及“无需额外服务费”在正式商用后的计价方式。

来源：OpenAI

GPT-Live-1 用单模型全双工音频减少语音 Agent 的脆弱交接

OpenAI 在 API 上推出 GPT-Live-1，让同一模型同时处理输入与输出音频，避开 STT—LLM—TTS 串联架构的延迟和交接故障；它还可把深度推理与工具调用委托给后端文本模型。Speak 的早期评估显示，相比旧式轮流对话系统，模型误打断学习者的次数减少近 80%。

• 发生了什么：API 支持语气、语速与风格控制、静默和背景噪声处理、长会话、电话场景；正式输入给出的全双工基准相对 GPT-Realtime-2.1 提升 30 分，前端语音层价格为每分钟 0.05 美元。
• 为什么值得深读：语音 Agent 的工程瓶颈正从识别准确率转到并发听说、打断时机、长会话状态和后端工具协作。
• 后续看点：真实呼叫中心中的端到端延迟、噪声条件下误打断率、后端推理调用成本，以及电话网络中的稳定性。

来源：OpenAI

AutoScientist-Quant 把搜索反馈与最终测试隔离，修复量化 Agent 的回测泄漏

Google 与剑桥研究者检查 AlphaAgent、QuantaAlpha 后发现：指标计算曾使用全样本，时间筛选逻辑也会让模型在训练时段接受评价。AutoScientist-Quant 因此把数据分成训练、验证、搜索反馈和最终测试四段，让 Agent 只能在 2021 年 6 月至 2023 年 6 月的反馈窗迭代，2023 年 6 月至 2026 年 5 月留作独立检验。

• 发生了什么：基线方案在沪深 300 上 IC 均为 0.024，但扣费年化超额分别为 -2.3% 和 -1.6%；修正流程并合并 Alpha158 因子库后，部分配置的沪深 300 扣费超额达到 3.5%。
• 为什么值得深读：它揭示了 Agent 回测的第二层泄漏——即使预测模型没见测试数据，Agent 只要依据测试期指标改因子，测试集也已参与训练式决策。
• 后续看点：独立时段成绩能否跨市场、跨交易成本设定复现，以及最终测试结果公开后是否启用新的封存区间；现有结果仍是历史回测，不是实盘记录。

来源：QuantML

京东开源 EchoWM，把可交互世界扩展到同步视听与跨视角控制

京东探索研究院开源 JoyAI-EchoWM：模型在一套框架内持续生成画面、环境音、音乐和语音，并响应第一、第三人称的相机与主体操作。论文报告在 158 个 WBench Navigation 案例上取得 81.7 平均分，一致性 89.8、交互性 87.2；四步因果流式版本 EchoWM-Flash 得分 81.0。

• 发生了什么：系统用统一相机意图表示适配不同视角，并以四阶段训练兼顾视听质量、交互响应与长时稳定性。
• 为什么值得深读：可交互生成暴露了普通视频容易遮蔽的错误——折返后物体位置、主体状态和声音都必须延续，评价对象从单帧观感变成状态一致性。
• 后续看点：开源版本在社区硬件上的实时帧率、长时间折返的一致性、复杂声音事件同步，以及 WBench 之外的复现结果。

来源：AI提效手册

DrugEvolve 让 Agent 自主改写、训练和复盘药物算法

浙江大学、上海交通大学和上海创智学院团队提出 DrugEvolve。研究者提供任务、数据、基线算法和目标后，Researcher、Engineer、Analyst 三类角色依次设计方案、实现和训练代码、分析成败，再把文献知识与每轮实验记录写入长期资源，形成持续迭代闭环。

• 发生了什么：系统优化的是药物研发算法本身，而非只对一个固定模型提问；数据库同时保留成功和失败轨迹。
• 为什么值得深读：它把科研 Agent 的评价推进到“能否稳定改善可执行基线”，同时覆盖多种数据形态与药物研发阶段。
• 后续看点：各任务相对人工与自动搜索基线的完整指标、总计算成本、失败迭代比例，以及新数据集上的可复现性。

来源：BAAI 智源

Alpha-R1 用语义门控筛选与市场状态匹配的配置思路

财跃星辰与上海交大开源 8B 金融推理模型 Alpha-R1。模型先结合决策时点前的行情和财经新闻生成市场状态，再用“语义门控”匹配候选配置逻辑；两阶段训练先由数值方法生成候选池，再以 GRPO 和模拟收益信号训练模型复筛。

• 发生了什么：团队以训练未见的 2025 年 12 个月行情做样本外模拟；消融实验中，去掉强化学习后，标普 500 任务模拟年化收益由 47.87% 降至 12.85%。
• 为什么值得深读：方法把资产配置从静态因子组合改成“市场状态—经济逻辑”条件匹配，并提供可读解释；模型、代码与技术报告均已开放。
• 后续看点：交易成本和换手约束下的净收益、不同市场状态的门控稳定性，以及跨年份、跨资产复现；全部数字均为历史模拟，不构成投资建议。

来源：财联社 AI Daily

📰 独立报道

AGI、Agent 与评测

OpenResearcher 以离线研究轨迹训练 30B 开放模型，BrowseComp-Plus 得分 54.8%

Lambda 披露，OpenResearcher 完全使用离线研究轨迹训练，BrowseComp-Plus 得分比基座高 34 分，并超过其列出的 GPT-4.1、Claude-4-Opus 与 DeepSeek-R1；模型还迁移到实时网络任务。正式材料未给出硬件、成本和失败类别，结论仍需论文与独立复现补齐。

来源：Lambda

AgentGrad 用顺序干预优化多 Agent 提示词，报告 2.5 倍加速

AgentGrad 逐一干预多 Agent 系统组件，再把结果抽象成语义文本梯度，用于定位和改写提示词。作者报告该方法在 5 个多 Agent 基准达到新的最佳成绩，优化速度提高 2.5 倍；正式材料未披露各基准分数、模型和预算条件，跨模型泛化仍待核验。

来源：HuggingPapers

Polaris-Bench 用极坐标重写 53 项任务，检查视觉推理是否依赖笛卡尔捷径

Google DeepMind 在 Hugging Face 发布 Polaris-Bench，将 53 项视觉推理任务改写到极坐标表示，以削弱模型从常见横纵坐标布局中套用模式的机会。当前正式材料只给出任务设计，尚无模型排行和误差拆解；它更适合作为检验坐标表征鲁棒性的新增测试集。

来源：HuggingPapers

WearableQA 用 200 名用户真实可穿戴数据构造 4,084 道十选一问题

Meta 发布 WearableQA，以 200 名用户的日常健康信号构造 4,084 道十选一问题，测试模型跨时间解释活动与生理数据的能力。正式输入没有列出模型基线、准确率和隐私处理方法，因此当前价值主要在真实数据分布与多选难度设计，不能据此判断模型能力高低。

来源：HuggingPapers

Show-Harness 用语义接口让 VLM 零样本控制两类真实机械臂

新加坡国立大学 Show Lab 提出紧凑语义接口，使前沿 VLM 可零样本控制 Franka 与 AgileX 真机，小型开放模型则用不足 1 个 H200 GPU 小时微调获得控制能力。材料未给出任务成功率和安全失败类型，后续需比较接口抽象带来的迁移收益与动作精度损失。

来源：HuggingPapers

宇树开源 UnifoLM-WLA-1.0，用同一模型协调桌面与全身移动操作

宇树开源升级版具身基础模型 UnifoLM-WLA-1.0，覆盖桌面操作与全身移动操作，并支持跨任务、跨末端执行器泛化。官方称其在多个开放模型基准达到新最佳成绩，但正式材料没有逐项分数与硬件条件；实际价值要看权重、数据和真机评测能否完整复现。

来源：Unitree

可编程世界模型把状态演化、持久记忆和视频渲染拆成三层

Alaya Lab 的方案不让视频模型独自承担世界一致性：Agent 编写可执行规则，持久状态引擎跟踪画面外实体，视频模型只负责渲染。这种分层结构便于明确规则和调试隐藏状态，但正式材料尚未提供长程一致性指标与速度成本，仍需与端到端世界模型对照。

来源：HuggingPapers

AI 战略与工程

Anthropic 披露针对 Claude 的大规模蒸馏活动

Anthropic 称，DeepSeek、Moonshot 等公司通过境外“中转站”、数千个虚假账户和数百万条真实用户查询，试图蒸馏 Claude 能力；TechCrunch 将其描述为近期持续升级的活动。相关数字与归因来自 Anthropic 单方报告，外部尚无独立技术复核。

来源：Techmeme / Wall Street Journal · TechCrunch

Anthropic 把模型滥用监测扩展到网络攻击、监控和生物风险

Anthropic 发布威胁情报报告，列出其阻断的网络行动、监控、影响行动、常规武器、生物滥用、诈骗及非法蒸馏案例。公司另称曾中止可能帮助生物武器研发的研究，但无法判断其合法或恶意目的；边界问题在于安全团队需要依据有限上下文暂停高风险科研。

来源：Techmeme / Anthropic

Google Cloud 把云端知识与工具封装成可安装的编码 Agent 插件

Google Cloud 发布面向 AI 编码 Agent 的插件包，让不同 Agent 安装针对 Google Cloud 的技能和工具。它把云文档、操作入口和工作流从临时提示词转成可分发组件；后续需观察支持的 Agent 范围、凭证隔离方式，以及插件升级时对既有自动化的兼容性。

来源：Google CloudTech

Slackforce Surfaces 允许在对话中生成可交互报表和微型应用

Slack 新功能可让 Slackbot 从相关对话及 Google Drive、Salesforce 等连接应用收集信息，再在聊天中生成报表、投票、仪表盘、演示或微型网站。产品把企业协作中的“找数据—写代码—发布界面”压成一条对话工作流，权限继承和生成结果校验将决定能否安全落地。

来源：The Verge

加州限制未成年人使用成瘾式功能及与聊天机器人的交互

加州州长 Gavin Newsom 签署一组儿童网络保护法案，限制 16 岁以下用户接触被认定为“成瘾性”的社交功能，并约束未成年人和聊天机器人的互动。对产品团队而言，变化落在年龄识别、交互限制和未成年人体验分流；具体生效日期与实施细则仍需跟进。

来源：Techmeme / CalMatters

资管金融与区块链

ChatGPT for Financial Services 内置金融数据与逐项来源追踪

OpenAI 推出面向金融机构的 ChatGPT Work 版本，由 Morgan Stanley 和 Evercore 参与设计，内置 Daloopa、PitchBook、LSEG News、Crunchbase 等数据，用于研究、建模和客户材料。数据由 OpenAI 索引托管，并提供细粒度引用与企业级连接、权限和治理控制，目前只向符合条件的机构开放。

来源：OpenAI

蚂蚁数科 Agentar 金融版用 2,000 多项指标管理岗位级 Agent

蚂蚁数科发布 Agentar 金融版，预置覆盖财富管理、投顾和零售经营的十大数字专家团，并统一管理模型、Agent、技能和任务流程。平台称内置 2,000 多项金融评测指标及双向安全校验；某试点报告客户活跃度提升 15%、单人服务量提高 5 倍以上，仍需更多机构样本验证。

来源：同花顺财经

德勤给出银行 AI 全生命周期审计路径，台账完整度成为首要缺口

德勤将银行 AI 审计覆盖到需求、数据、开发、验证、部署、监测和退出，并要求把业务场景、模型、人员与第三方供应链作为同一运行链检查。其 16 国 135 人调研中，72% 受访银行录入中央台账的 AI 场景不足实际数量一半，仅 44% 对 Agent 做全生命周期风险监测；该样本不能直接代表中国银行业。

来源：德勤

Coinbase 与 Moov 把稳定币通道接入 1,000 多家社区银行

Coinbase 与 Moov 宣布向 1,000 多家小型和社区银行开放稳定币受理、结算和实时资金能力，并称银行无需更换现有技术栈。与普通合作不同，这次新增的是可嵌入既有银行系统的稳定币基础设施；后续要看支持币种、结算边界、合规责任和实际启用机构数。

来源：Coinbase

Bybit 为 AI 交易工具建立与主余额隔离的子账户

Bybit 上线用于交易和账户管理的 AI 工具，启用后自动建立独立 AI 子账户，与用户主余额隔离。这个设计把 Agent 的资金权限限制在单独账户，降低错误操作波及全部资产的范围；正式材料未披露额度、撤销机制和模型决策边界，仍需产品规则补充。

来源：Tech in Asia

硬件与算力

层 Dropout 最高减少 25% 训练 FLOPs，并带来 1.5 倍推理加速

Cerebras 与 MBZUAI 的研究在训练时随机跳过部分层，报告最多节省 25% 训练 FLOPs，并实现最高 1.5 倍推理速度。正式材料没有列出模型规模、数据集、精度损失和硬件条件，因此这些是最佳条件结果；是否能在不同深度、不同架构上保持质量是复现重点。

来源：Cerebras

微软据称计划到 2032 年把数据中心容量由 12GW 扩至 38GW 以上

Bloomberg 援引消息人士称，微软计划把数据中心容量从当前约 12GW 提高到 2032 年的 38GW 以上，其中约三分之一围绕 AI 专用芯片建设；供给短缺此前已迫使公司放弃部分 AI 和云业务。规模意味着电网接入和供电可靠性会与芯片供应同样成为交付约束。

来源：Techmeme / Bloomberg