Anthropic 的新增承诺需要放在过去两年的访问范围内衡量。2024 年 7 月，其第三方评估计划主要资助危险能力、安全等级和评估工具测试，外部方仍以模型表现为主要对象。2026 年 2—3 月，非营利机构 METR 开展公司级风险试点，把 Anthropic、Google、Meta 和 OpenAI 当时最强的内部模型、模型生成答案前留下的推理记录，以及内部使用和监控资料纳入同一次周期性检查。
→ 9月12日 Anthropic 阻断五起潜在生物武器用途案例：账户长期行为与跨模型调用链能否提高双用途研究识别率这条时间线解释了五案为何不能只按“模型有没有拒答”来阅读。Anthropic 逐步扩大的是检测上下文和访问控制，而不是用一个更大的分类器取代所有防线。
→ 9月11日 模型越强，Jane Street 为什么越重视那些「笨功夫」Jane Street 很早就在使用外部数据，但早期没有专门的 Alternative Data 团队。
→ 9月10日 Jane Street 另类数据团队：模型越强，为何越要下「笨功夫」Jane Street 很早就在使用外部数据，但早期没有专门的 Alternative Data 团队。
→ 9月9日 LEAP、Capability Frontier 与 BenchMIRT：三个评测方法把总分拆回证据、预算与题目传统评测可以简化成一条公式：一个模型，对每道题运行一次，把整套题的对错取平均。LEAP、Capability Frontier 和 BenchMIRT 都没有否定这张成绩单，而是分别放大了公式中的一个部分。
→ 9月8日 Harness-of-Harness 把 Coding Agent 的代码版本与验收证据绑在一起HoH 的位置要放回 Coding Agent 四年的演进中看。每一代方法都在补前一代留下的一个可复现缺口：
→ 9月7日 GPT‑6 Astra 发布：提升最明显的是长任务和电脑操作普通模型评测通常给出一道题，模型回答后立即计分。企业工作流更长：填写表单之后还要更新 CRM，修改代码之后还要运行测试，整理日程时还要核对邮件和权限。后续动作依赖前面的结果，早期信息一旦丢失，模型会重复查询、重走失败路径，甚至在错误状态上继续操作。
→ 9月6日 Claude 用 11 天形式化费马大定理：真正的分水岭是交付可核验成果2026 年 9 月 4 日，Anthropic 公布：研究员彭天翼提供少量高层指导，数十个 Claude 智能体借助协作平台 Prove2Me，用 11 天将费马大定理的一条完整证明路线写成 Lean 4 代码。项目生成约 30,300 个可验证定理，其中约 29,500 个进入最终证明；源码约 1300 万行，消耗约 60 亿个输出 token。
→ 9月5日 Harness-of-Harness：当写代码的 Agent 开始依靠“证据”跨天工作2026 年 9 月 1 日，上海人工智能实验室团队提交论文《Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement》，次日公开项目页面。Harness-of-Harness（HoH）不是新模型或代码编辑器，而是套在现有 Coding Agent 外部的控制系统：它反复调用同一组模型与编码支架，让项目规划者、开发者和独立 QA 每轮只交付一个可观察、可测试的软件增量，并把软件产物与测试证据共同传给下一轮。[论文原文](https://arxiv.org/abs/2609.01481) · [项目页面](https://flesymeb.github.io/HarnessOfHarness/)
→ 9月4日 GPT-6 Astra 上线：63%、99.9% 与 Critical 同时改写了模型边界2026 年 9 月 3 日，OpenAI 发布 GPT-6 Astra，先向少量受限组织开放，并计划数日内扩展至 ChatGPT Plus、Pro、Business、Enterprise、API 与 AWS。它被定位为覆盖电脑操作、浏览器、软件工程、科研和专业工作的通用执行模型。API 标准价格为每百万输入 token 10 美元、输出 token 50 美元；模型文档标注 105 万 token 上下文和 12.8 万 token 最大输出。
→ 9月2日 Astra 越过“关键”网络门槛：前沿模型的发布单位，正从模型变成权限2026 年 9 月 1 日，OpenAI 宣布即将发布的 Astra 已达到 Preparedness Framework 中的 Critical cybersecurity capability，成为该公司首个正式进入这一等级的模型。
→ 9月1日 DeepSeek 开源 V4-Flash-Vision-Exp：开放的是行动入口，不是可靠性证明2026 年 8 月 31 日，DeepSeek 发布 V4 家族首个实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp。它以 V4-Flash-0731 为语言与 Agent 底座，加入视觉编码器和视觉—语言对齐模块并持续训练；模型权重、Tokenizer、OpenAI 风格消息编码及最小 PyTorch 推理实现均以 MIT License 开放。
→ 8月31日 Google 给 Agent 造了一本会自己修订的百科全书，9B 模型靠它反超了 27BWikiSkill 把经验分成三层。
→ 8月30日 Claude 跑通自动化对齐研究闭环，7 类任务超过人类基线2026 年 8 月 28 日，Anthropic 发布技术报告《Automated Researchers Can Reliably Mitigate Alignment Failures》。截至 8 月 31 日，报告尚未见正式同行评审记录。研究团队让 Claude 充当自动化对齐研究员：阅读论文、提出方法、生成训练数据、编写训练代码、微调模型、提交评测，再依据结果继续迭代。它完成的不是一次问答或头脑风暴，而是一条从文献到新模型权重的实验链。
→ 8月29日 Prefix Sliding：长思考不必背着全部历史，但「忘掉中间」不是免费午餐2026 年 8 月 26 日，斯坦福大学、加州大学圣塔芭芭拉分校、华盛顿大学和 Prime Intellect 的 18 位研究者提交论文《Prefix Sliding for efficient test-time scaling》并公开代码。它要解决的问题很直接：自回归模型每生成一个新 token，通常都要保留此前整条推理轨迹的 Key-Value Cache（KV Cache），并读取越来越长的历史。模型想得越久，显存占用和单步注意力成本越高。
→ 8月28日 英伟达 129 亿美元收购 Hugging Face：把芯片护城河修到开源模型的分发层129亿美元成交价较Hugging Face 2023年45亿美元估值溢价约2.9倍，约为其1.5亿美元年化收入的80余倍，英伟达买的是开源模型分发入口而非仓库本身。Hugging Face 2026年上半年付费订阅用户翻倍，年化收入从约1亿美元增至1.5亿美元以上，CEO称公司已接近盈利。平台还帮助开发者针对不同硬件做优化，并提供云服务供给推理算力，几乎站在开源模型商业化的咽喉位置。英伟达管理层认为繁荣的开源模型生态是保住AI硬件霸权的关键，收购Hugging Face可让开源力量成为对抗闭源阵营自研芯片的缓冲层。
→ 8月27日 智谱开源 GLM-5.3-Flash：旗舰级智能降到 Claude Opus 4.8 约 1/40 的价格，国产芯片首次扛起全球推理流量2026 年 8 月 26 日晚，智谱认领此前在 OpenCode 与 OpenRouter 匿名测试的模型 Ox-Alpha（社区称「牛来」），并以 GLM-5.3-Flash 开源。它总参数 320B、激活参数 18B，在 Artificial Analysis 智能指数上拿到 57 分，与 Anthropic 的 Claude Opus 4.8 持平；定价为 GLM-5.3 的十分之一，限时半价后约为 Claude Opus 4.8 输出价的四十分之一。
→ 8月26日 2026-08-26 前沿科技洞见OpenAI 在 2026 年 8 月 25 日公布首款自研推理芯片 Jalapeño 的首批测试结果。在 InferenceX 基准上，Jalapeño 跑了 GPT-OSS 120B、DeepSeek R1、Kimi K2.5 1T 三个模型：峰值吞吐下每瓦 AI 工作量比对比系统高 1.5–1.9 倍，端到端延迟低 1.7–3.6 倍；高交互负载下领先幅度扩大到 2.1–4.1 倍。芯片额定功耗 700 瓦，测试负载中实际维持在 550 瓦以下。
→ 8月25日 2026-08-25 前沿科技洞见2026-08-25
→ 8月24日 2026-08-24 前沿科技洞见2026年8月23日，《华尔街日报》援引知情人士报道：英伟达计划通过约60亿美元收购Poolside，打造开源权重模型，直接对标DeepSeek、Kimi等中国开源模型。同日汇丰研报披露英伟达开源模型矩阵（Nemotron、Cosmos、GR00T N1、Alpamayo），并称英伟达已预订2026年台积电63%的CoWoS-L先进封装产能。一家靠卖GPU和CUDA软件栈起家的公司，开始亲自下场做开放权重模型。
→