2026-10-25 前沿科技洞见 · 日报

📊 今日关键数据

• 90%+ P@10：Bridgewater 通过人工基准把 Vault 前十条检索结果精度从约 60% 提升至 90% 以上（来源：AI Engineer）
• 36.8/100：UI2App 中最佳交互推断得分；最复杂跨页面状态最佳仅 15.8（来源：新智元）
• 20.1%：加入三类插件后，Claude Opus 在 Agent4Sci 上的平均相对改进（来源：学术头条）
• 79%：受访企业称 GPU 至少一半时间完全闲置；调查覆盖 385 名合格受访者（来源：机器之心）
• 5.5% 对 15.9%：哈佛研究核查的具体论断中，AI 与人类审稿意见的事实错误率（来源：虎嗅）
• 20/27：OlmoEarth v1.3 的 128 维版本在 27 项地球观测评测中取得 20 项第一（来源：DeepTech深科技）

🔍 今日值得深读

谷歌与 Meta 开源 TorchTPU，让 TPU 成为 PyTorch 原生设备

TorchTPU 通过 PyTorch 的 PrivateUse1 接口把 TPU 注册为 C++ 后端，开发者可直接使用普通 PyTorch 张量；Hugging Face Transformers v5、vLLM、SGLang、Ray 和 TorchTitan 已同步接入。其 DeferAndFuse 模式把即时执行中的算子延后融合，报道援引技术报告称相较 Strict 模式提速超过 50%，但跨模型、训练规模和生产负载的迁移成本仍需实测。

• 发生了什么：谷歌与 Meta 联合发布原生 PyTorch TPU 软件栈，不再要求运行时依赖 JAX；追求性能时仍可通过 torch.compile 映射到 StableHLO/XLA。
• 为什么值得深读：金融机构采购或租用 AI 算力时，软件迁移成本往往比芯片峰值性能更能决定锁定效应。PyTorch 工作流若能平移至 TPU，异构算力议价空间会扩大。
• 后续看点：关注主流金融模型在训练与推理中的算子覆盖率、编译等待、分布式稳定性，以及与 CUDA 栈的端到端成本差。

来源：机器之心

Anthropic 用 Agent4Sci 检验科研 Agent：指标能提升，研究级洞察仍稀缺

Agent4Sci 覆盖 11 个科学领域、20 个基准和 25 个任务，把爬坡、保留集评估与审计分给相互隔离的 Agent。Claude Opus 4.6、Sonnet 4.6、Gemini 3.1 Pro 和 Codex（GPT-5.4）每次获得 8 张 H200、12 小时预算，平均相对改进分别为 10.4%、9.6%、6.8% 和 4.4%；轨迹显示主要增益仍来自调学习率、换骨干等成熟工程手段。

• 发生了什么：四个 Agent 合计改进全部 20 个基准，单项增幅为 1.1%–64.4%；加入研究构思、实验管理和定时检查三个插件后，Opus 平均相对改进升至 20.1%。
• 为什么值得深读：它把“自动科研”拆成可审计的生产流程，提示企业不要把指标爬升直接等同于新知识产生；隔离测试集和复查轨迹同样适用于模型风险、反欺诈等内部实验。
• 后续看点：插件增益能否跨任务复现，审计能否识别更隐蔽的评估投机，以及 Agent 是否会提出并验证超出现成工程套路的假设。

来源：学术头条

SKILLBROWSER 按执行状态检索技能，万级技能库不再全部暴露

南京大学研究指出，技能目录本身会成为上下文负担：在定理问答基准中，Qwen3.6-Plus 的正确加载率从 4 个候选时的 71.2% 降至 512 个候选时的 7.1%。SKILLBROWSER 让 Agent 在推理途中自行表达能力缺口，再由 SkillGrep 结合字面与语义匹配返回少量技能，而不是一开始按原问题静态检索。

• 发生了什么：在 26,262 个候选技能中，Agent 平均每条轨迹检索 0.766 次、每次返回 3.83 个技能，正确技能命中率为 72.6%；多步工具基准准确率为 43%–61%，静态检索为 17%–39%。
• 为什么值得深读：企业 Agent 的扩容瓶颈可能不是缺工具，而是能力目录、权限和运行态检索如何组合。少暴露技能还能缩小误调用与越权面。
• 后续看点：主动求助仍是弱点；材料显示 GPT-5.4-mini 在“无技能就做不对”的样本中仅 30.3% 会主动检索，需观察触发机制和权限策略能否共同改善召回。

来源：IT有个圈儿

哈佛研究让 AI 与专业审稿人盲比，134 组意见中 AI 占优

研究以 124 篇论文和 rapidPeer 的 134 份专业人类审稿为样本，由 Claude Opus 4.8 生成审稿意见，再以 GPT-5.5 做盲评；开放联网和专门提示词后，134 组中 132 组判 AI 更好、2 组不确定。三名前期刊主编另做 30 次盲评，26 次选择 AI，但模型评模型仍是方法边界，样本也不能代表全部学科与期刊流程。

• 发生了什么：经核查的具体论断中，AI 审稿事实错误率为 5.5%，人类为 15.9%；AI 给出的 651 篇带 DOI 或 arXiv 编号文献均真实存在，平均每篇审稿联网搜索 12.4 次。
• 为什么值得深读：结果更支持“AI 先做高覆盖审查、人类做责任判断”的流程重组，而非取消人类。金融模型验证、政策评审和代码审查也面临相同的产能与问责分工。
• 后续看点：需要由非模型评委在更多学科复现，并比较成本、审稿一致性、利益冲突识别和对真正新颖工作的误杀率。

来源：虎嗅

UI2App 只给截图测试应用生成，跨页面交互最高仅 15.8 分

UI2App 用 600 张截图组成 95 组多页面 Web 应用，不提供功能说明、点击轨迹或交互演示，要求模型生成可运行的 React 应用。评测分别检查可执行性（EXEC）、视觉相似度（VFS）和交互推断（IIS），避免把“页面像”误判为“应用能用”。

• 发生了什么：Gemini 3.1 Pro Preview 的 VFS 为 73.2、IIS 仅 8.1；Claude Sonnet 4.6 的 IIS 最高，也只有 36.8。最难的跨路由状态 S3，最佳成绩为 15.8，其余模型均不超过 3.5。
• 为什么值得深读：采购“截图生成应用”或低代码 Agent 时，视觉演示无法证明购物车、登录态、审批状态等业务逻辑正确；生产验收必须加入状态迁移和跨页一致性测试。
• 后续看点：观察模型在显式状态规范、测试用例或交互轨迹辅助下能提升多少，以及生成代码能否通过真实权限、并发与异常恢复测试。

来源：新智元

Block 发布纯音频全双工模型 Dessa，可在 M4 Max 本地运行

Block 称 Dessa 从零开始只用人类对话音频训练，不经过语音转文字，也不使用预训练模型；模型可同时听与说，并处理停顿、笑声、讽刺和情绪线索。团队称训练只使用一台 NVIDIA GB200 NVL72，推理可在 MacBook Pro M4 Max 上快于实时运行。

• 发生了什么：Dessa 把知识与对话能力直接建模在音频通道中，选择了不同于“ASR—LLM—TTS”串联的路线。
• 为什么值得深读：本地、低延迟的全双工语音可能改变客服、投顾辅助和无障碍交互的架构，同时也把身份冒用、情绪操纵、录音合规等风险带到端侧。
• 后续看点：目前没有公开论文、权重或标准评测，演示由官方挑选；Block 仅先招募安全研究者测试，需等待知识准确率、跨语言、延迟和攻防结果。

来源：亲爱的数据

Bridgewater 把 1 亿份文档做成 Vault，搜索 P@10 从约 60% 提至 90% 以上

Bridgewater 应用 AI 团队负责人 Sam Green 与产品工程负责人 Aaron Linsky 介绍了 Vault：平台汇集 135 个外部来源、公司备忘录和会议内容，完成清洗、权限控制并映射到内部本体。团队用人工构建的基准把前十条结果精度（P@10）从约 60% 提高到 90% 以上。

• 发生了什么：Vault 同时服务研究员和 Agent，但为两类用户设计不同检索路径；上层开始用于分析、预测、信号生成和主动推送待关注事项。
• 为什么值得深读：这是一条比“接入更多文档”更接近金融生产环境的路线：权限、语义标签、可测检索质量和人机共用数据资产先于自主 Agent。
• 后续看点：主动推送如何控制噪声与权限泄漏，会议内容如何追溯，以及检索改进能否转化为投资流程中的预测增益而非只改善搜索体验。

来源：AI Engineer（YouTube）

📰 独立报道

AI 安全与治理

OpenAI 红队 Agent 发现 Brotli 未认证远程代码执行漏洞

OpenAI 在加固训练环境的红队过程中发现，Brotli 处理恶意压缩数据时可触发未认证远程代码执行，影响嵌入该库的 Node.js、Bun、Envoy 等下游。根因代码今年 2 月已修复，但当时未被识别为安全漏洞，也没有新版本；Brotli 现已发布 CVE 和新版本，下游仍需分别升级。

来源：OpenAI

英国筹建 AI 生物安全实验室，企业提供最高 2 亿英镑模型额度

英国政府计划投入 1 亿英镑设立国家级 AI 生物安全实验室，用 AI 侦测和监控生物威胁；OpenAI、Anthropic 将提供最高 2 亿英镑模型调用额度，Google DeepMind 与 Basecamp Research 参与合作。实验室的职能边界尚未公开，后续关键是模型访问、敏感数据隔离和成果监管安排。

来源：财联社 AI daily

AAEI 将贸易合规任务分为自动化、需验证与不得自动化三层

美国进出口商协会白皮书把贸易合规工作分为机械性工作、合规认定和专业判断：文件提取与常规筛查适合自动化，商品归类等结论需专业人员验证，复杂估价、反倾销范围和自愿披露不应自动决策。文件强调，使用 AI 不会免除美国海关法下的“合理注意”义务。

来源：出口管制合规研究

金融科技与企业 AI

华为与九家银行提出金融智能体生产化六项准则

144 页《金融九问》将生产级智能体归纳为可解释、可度量、可规模、可治理、可持续和可进化，并把智能体定义为有身份、权限与职责边界的“数字员工”。材料要求监管知识可持续更新，高风险操作人工复核、异常实时熔断，为金融机构从 Demo 转入真实交易给出治理检查表。

来源：IT有个圈儿

新马泰扩展 BLOOM，测试代币化存款与受监管稳定币跨境互操作

马来西亚国家银行和泰国央行加入新加坡金管局发起的 BLOOM，研究不同国家对数字货币的接受与结算、支付系统互联，以及身份验证、交易审查和风险管理。参与方扩展至 Visa、万事达卡、Ripple、Airwallex、Nium、ShopeePay 和世界银行集团等。

来源：中国新闻网

79% 受访企业 GPU 至少一半时间闲置，70% 仍计划采购新平台

VentureBeat Intelligence 汇总 2026 年三季度三轮调查，共覆盖 385 名来自百人以上机构的受访者。79% 称 GPU 至少一半时间完全闲置；在这些机构中，70% 仍计划未来 12 个月引入或更换 AI 计算平台。64 名计划采用新平台者中，58 名没有经财务审核的 ROI 数据，样本为调查而非全市场统计。

来源：机器之心

AGI 与具身系统

谷歌 CEO 称 RSI 已参与 Gemini 4 Argon 研发

Sundar Pichai 在访谈中确认，递归自我改进（RSI）已成为 Gemini 4 Argon 研发的一项助力，并预计下一年 Agent 将更深入参与模型研发、多 Agent 协同会继续发展。他同时称 Gemini 4 发布 72 小时 Token 用量接近 25 万亿，但谷歌仍受算力约束，必要时会优先保障前沿模型研发。

来源：量子位

RoboSkill 让机器人保存并复用探索所得技能

复旦团队提出“探索—执行—进化”闭环，把机器人 Agent 现场生成的有效方法和代码存为可跨任务、跨模型复用的技能，并以触觉反馈缩短确认动作结果的时间。无既有技能时，GPT-6-Astra 与 Opus 5 在 LIBERO-10 四小时预算内最终成功率均达 100%，但平均完成时间仍以几十分钟计，显示效率而非可行性成为下一道门槛。

来源：量子位

科学智能与学术

Ai2 开放全球 10 米分辨率卫星特征，OlmoEarth v1.3 在 27 项评测中赢得 20 项

艾伦人工智能研究所发布 OlmoEarth v1.3，并开放覆盖全球陆地及邻近沿海水域的预计算卫星影像特征。模型融合 Sentinel-1、Sentinel-2 与 Landsat 数据；128 维版本在 27 项评测中有 20 项排名第一，训练 GPU 时长据称降至初代 v1 的 18%，可降低地表变化监测的特征计算门槛。

来源：DeepTech深科技

HyperQ 用 64 量子比特分支增强 11 亿参数语言模型

HyperQ 为每个 Token 的隐藏状态动态生成量子电路，并把测量特征加入 Transformer 注意力，只训练新增量子分支。方案采用稀疏连接与 IQP 电路，使相关经典模拟计算随量子比特数近似线性增长；材料称 11 亿参数模型在部分任务上可超过 80 亿参数基线，但实际量子硬件收益与端到端成本仍需独立复现。

来源：机器之心

VAST 自适应选择价值更新跨度，在 50 项长程任务中测试

港大与清华提出 VAST，以 G-function 估计任意状态片段的预期折扣回报，再由拼接策略共同选择未来子目标和时间跨度，避免固定 n-step 更新在长程任务中累积自举偏差。论文还给出 stitching Bellman 算子的收缩与固定点性质，并在 50 项离线决策任务中与基线比较。

来源：机器之心