AI 资讯：行业动态与要闻速览

三家最大的实验室在谈一个自办的发布前测试机构，Cohere 的 CEO 说那是卡特尔换个名字

OpenAI 的政策负责人于 9 月 18 日确认，三家最大的实验室已就一个「FINRA 式」的发布前测试机构工作了数周。Anthropic、OpenAI 与 Google DeepMind 自 7 月起在私下工作组里探讨这个面向高能力模型的安全审计与发布前测试的自律机构；讨论范围包括发布前的第三方评测、正式安全检查，以及针对网络攻击、生物武器风险和欺骗行为的统一风险协议。起点是 Google DeepMind 创始人 Demis Hassabis 7 月的一篇文章，提议一个以美国金融业监管局为模型的标准机构——由行业出资、政府监督、独立专家组成，在发布前约 30 天做评估。目前没有正式章程或最终的治理安排。敏感处在于反垄断：Amodei 一并推动统一基准与针对安全协调的反垄断保护，而三家直接竞争者约定共同压住技术，在监管视角下可能构成限制竞争。Cohere 联合创始人兼 CEO Aidan Gomez 9 月 13 日在公司网站发文，称这类行业自办标准机构「换个名字也是卡特尔」，并写道争的不是要不要规则，而是谁来写规则、谁能参与、规则保护谁的利益。

AI资讯编辑部
GitHub AI 周报 · 第 06 期

GitHub AI 周报 · 第 06 期（2026年9月19日）· AI之上

本期整理 2026 年第 38 周截至北京时间 9 月 19 日 11:24 的 GitHub Trending 周榜，按周 Star 增量收录 10 个 AI 项目，涵盖 AI 编程、AI Agent 与 RAG；逐项说明本周变化、适用场景和限制，并深读 Open Code Review、Orca 与 WeKnora。

AI资讯编辑部

OpenAI 出了法律版 Astra，而 Harvey 是它的 API 客户：九天前那个「谁是入口」的问题，答案是分层

OpenAI 于 9 月 17 日发布 Astra for Law。它不是新模型——而是把 GPT-6 Astra 包上一个法律检索索引、面向法律推理与起草的指令，以及为专业工作调过的设置。检索索引覆盖美国判例法、成文法、法规、法院规则和行政裁决，超过 2.3 亿个 URL 并每日新增，其中判例法来自非营利组织 Free Law Project 的 CourtListener 数据库。官方给的基准是 Vals AI 的 Legal Research Bench 上 200 道题，整体正确性通过率 54%，对照仅带网页搜索的 GPT-6 Astra 为 38.7%；有报道提醒 200 题是取自第三方私有验证集的小样本，不构成法律准确性的一般性度量。可用性上，先通过 ChatGPT 与 Codex 里的 Trusted Access 面向选定律所，API 即将开放，模型选择器里显示为 GPT-6 Astra Law，目标客户是 Am Law 200 律所。合作方包括共同开发的 Sullivan & Cromwell、Ropes & Gray 与 Cooley，而 Harvey 和 Legora 被列为 API 客户，Wachtell Lipton 与 Latham & Watkins 在首批 Trusted Access 之列。

AI资讯编辑部

第三方评测标准 AEF-1 不是这周才有的，这周变的是实验室终于来了：OpenAI 跟上 Anthropic，xAI 也联署

AEF-1 是 AI Evaluator Forum 推出的自愿性标准，给第三方评测方提供一套用来证明「自己是在什么条件下做出这份评测」的标准与检查清单，合规方式是填完清单并随评测结果一并公布。它覆盖五项原则：充分的访问与资源、最小化利益冲突、分析自主性、方法与结果透明、敏感信息保护；在访问一项上，它建议外部评测方能拿到系统提示词、训练过程与数据的信息、既有的内部评测结果，以及已知漏洞的信息，并要求具备「足以评估所评特性的技术访问」。需要先纠正一个时间线：这个论坛 2025 年 12 月就成立了，标准与一份 40 多位业内人士联署的公开声明同期发布——比这一周的新闻早了约九个月。真正在这周发生变化的是实验室的态度：OpenAI 跟上了 Anthropic 的嵌入式评估者承诺，xAI 也一并联署。Anthropic 一方对开放程度的描述相当具体：办公室工位、门禁卡、公司笔记本，权限大致相当于内部风险评估团队。组织者 Conrad Stosz 曾任美国 AI 标准与创新中心代理主任。

AI资讯编辑部

OpenAI 交出了失准披露框架，还附了六份自家的不体面案例：六个工作日、十二个工作日，时限写进流程了

OpenAI 于 9 月 16 日发布用于追踪、调查和披露模型失准（misalignment）的框架，同时公布过去六个月观察到的六起异常或令人担忧的行为报告，媒体报道集中在 9 月 17 日。它承认此前的披露是临时性的、频率低于理想——往往攒够几起才一起发，或者塞进新模型的系统卡。新流程是：任何员工都可以标记一个案例交由安全与对齐团队调查并申请公开；调查要弄清发生了什么、哪些仍不确定、是否该披露、哪些事实可以公开，并评估是否有第三方受影响需要先私下通知；随后分入三条轨道——可直接披露、小调查、大调查（慢轨）。时限是具体的：可直接披露的六个工作日内公开，需小调查的十二个工作日内公开，慢轨一般用于涉及第三方的复杂案例，调查结束前也可能先发初步通知。适用范围覆盖训练、评测、测试与部署，案例不必造成实际危害或呈现更广模式也算；越权行动、与其他模型串通、规避监督、护栏失效、以及与已发布安全评估相矛盾的行为都在其中。

AI资讯编辑部

工程能力被 AI 外溢给了所有职业，设计能力几乎没有：OpenAI 的跨职业数据里，次月回访率只有 18.5%

OpenAI 经济研究团队发布《Work at the Frontier》系列第二篇《How workers are unlocking new ways of working》，分析 2026 年 4 月至 7 月超过 150 万条与工作相关的 ChatGPT 消息。核心发现是跨职业的 AI 使用会复现：工人会回到本职之外的任务上，而这些活动在其可观察 AI 使用中的占比随时间上升；机制是先试一次、发现 AI 在这件事上有用、然后把它变成日常的一部分。但复现的比例并不高——跨职业任务的平均次月回访率为 18.5%，按任务差异明显，比如「解释财务信息」约 15%，研究者认为差异可能来自 AI 是否天然嵌进某个重复性流程，也可能来自职场规范、谨慎程度和出错代价的不同。第一篇（7 月发布，作者 Caroline Chin 与 Alex Martin Richmond）分析了 80 万条以上美国用户消息：16.8% 的工作相关消息、43.5% 的职业特定消息涉及另一职业的任务；方向高度不对称——设计师约 35.2% 的消息伸向别的职业，而设计类任务只占其他所有人消息的 1.7%；工程相反，只有 18.5% 向外伸，但工程类任务占了其他职业消息的 7.4%。这个模式在小组织里最强。

AI资讯编辑部

上海人工智能实验室放出 Atria Dawn Preview：MIT 许可、1.5TB 权重，基座不是自己的，加值全在后训练

上海人工智能实验室的 Atria Dawn Preview 在 9 月 11 日先把 Hugging Face 仓库放了出来（次日补上 FP8 检查点），当时没有博客、没有论文、没有定价和 API，只有一份写满的模型卡和约 1.5TB 开放权重；随后技术报告发布，作者超过 140 人。它的基座是外部的——Z.ai 的 744B 参数 MoE 模型 GLM-5.2——实验室的工作是在它之上做后训练，走一条叫 Verifiable Experience Pipeline 的路线，把工具中介的推理绑定到可执行环境和外部校验的结果上。定位是完成任务而不是回答问题：覆盖问题分析、方案设计、工具使用、代码实现、实验执行、结果分析和失败恢复的整个回路。官方给的 16 项基准里，它在五项上列表最高——AutomationBench 53.8、BrowseComp 92.5、DeepSearchQA 96.0、BFCL v4 77.0、CyberGym 86.5；其中 BrowseComp 的 92.5 对 GPT-5.6 Sol 的 92.2 和 Claude Opus 5 的 90.8，是单项而非总体排名。MIT 许可，instruct 与 FP8 两种检查点在 Hugging Face 和 ModelScope 上，可用 SGLang、vLLM 本地部署。

AI资讯编辑部

Claude Code 的周额度实际降了 17%，公告写的却是「永久提升 25%」

9 月 14 日起，Anthropic 把 Pro、Max、Team 和 Enterprise 的 Claude Code 周额度基线永久上调 25%，但同时让 5 月起生效、反复延期到 9 月 13 日的那个临时 50% 加成到期——两件事叠起来，用户手上的实际额度比前一周少了约 17%。算法很简单：原基线 100，临时加成期间是 150，9 月 14 日变成 125，比促销前多 25%，比促销期间少约 17%。公告只强调了 25% 这一半，X 上的开发者给原帖加了社区注释，Anthropic 随后删帖重发，明确承认了 17% 的下降，并称正在做「让你感觉从 Claude 得到更多、同时对用量有更多可见性和控制」的改动。另一条独立报道来自 The Information：Anthropic 在截至 8 月底的 11 个月里签下约 5170 亿美元算力合同，远超此前披露的 1800 亿，锁定至少 14.8 吉瓦，使总规划容量达到约 16 至 17 吉瓦。需要说清的是，这两件事目前是两条各自成立的报道，「额度下降是因为算力紧张」这个因果并未被确立。

AI资讯编辑部

语音 agent 的每小时成本被打到约 1.38 美元：谷歌发布 Gemini 3.8 Live，架构和 GPT-Live-1 走的是两条路

谷歌 DeepMind 于 9 月 15 日发布两个面向开发者的音频模型——Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，通过 Gemini API 和 AI Studio 提供。它们支持 97 种以上语言，能在后台发起 API 调用、处理视觉输入并同时保持说话；Extended Thinking 的定位是在模型做多步推理、后台跑工具时让对话继续下去。定价两者相同：音频输入每分钟 0.005 美元、输出每分钟 0.018 美元（按每百万 token 输入 3 美元、输出 12 美元折算），约合每小时 1.38 美元；对照 OpenAI 的 GPT-Live-1 每分钟 0.05 美元、每小时至少 3 美元。架构差异也值得注意：GPT-Live-1 是全双工语音模型，把推理和工具调用交给后端模型（推理与工具调用另行计费），而谷歌这两个是原生的语音到语音模型。在 Artificial Analysis 的语音到语音质量指数上，Extended Thinking 以 82.6 排第一。需要留意的边界：模型本身已稳定且正式可用，但谷歌更大范围的 Live API 仍处于预览；模型卡也写明可能出现幻觉、偶发缓慢或超时。

AI资讯编辑部

Andon Labs 开放了「让 agent 整个经营一家公司」的平台，同时公布自家店已烧掉 4 万美元、收入不够付 token 费

9 月 14 日，Andon Labs 以研究预览（waitlist 制）开放 Pion：一个云平台，让人把一家公司整个交给持续运行的 agent，配套工具包括邮件、电话、银行、浏览器和安全计算环境。它明确不是用来搭工作流或做部分自动化的。架构分两层——一个叫 Andonos 的管理 agent 统管运营，下面是持续运行的业务 agent 做日常工作；预览期不预先收费，Andon 用种子 token 资助有前景的实验，长期只取收入的一小部分。同时公布的自家数据相当不客气：今年 4 月开在旧金山的零售店 Andon Market 已烧掉约 4 万美元，收入远低于每月 1000 美元的 AI token 成本，房租与库存另算；斯德哥尔摩的 Andon Cafe 在早期食材变质亏损后过度纠正，菜单最后几乎只剩芝士吐司。两家都未盈利。联合创始人称这些真实世界实验属于「weak science」——条件不受控、无法归因具体结果。

AI资讯编辑部

Cloudflare 的新默认值 9 月 15 日生效：带广告的页面默认挡掉训练与 agent 爬虫，苹果谷歌微软同意把搜索和训练拆开

Cloudflare 7 月 1 日宣布的政策于 9 月 15 日正式生效：在任何显示广告的页面上，默认阻止「混合用途」爬虫。它把爬虫按行为分成三类——Search（为搜索索引抓取，默认允许）、Training（为训练或微调抓取）、Agent（用户指示的 agent 代表人访问页面），混合用途指一个爬虫同时做 Search 和 Training。新默认适用于新接入的域名、现有客户新增的站点以及所有未退出的免费套餐账号；现有付费客户保持既有设置不变。挤压机制是关键：一旦站点阻止 Training，任何把训练与搜索混在一起的爬虫会被整体挡下，连搜索那部分一起丢，Cloudflare 点名 Googlebot、Applebot 和 Bingbot 属于这种情况。同日它推出了出口——所有套餐可用的 Disallow AI Training 设置，让站点在搜索里保持可发现、同时拒绝同一爬虫用内容训练，苹果、谷歌和微软已实现或承诺在规定期限内遵守；另有 Accountable 认定，被认定「负责」的混合用途爬虫在搜索上仍被允许。旧的「Block AI bots」选项同日弃用。

AI资讯编辑部

把 1 亿 token 拆成并行会话，比一次长跑多 264 Elo：一篇论文量出了 agent 停滞的那个拐点

9 月 14 日提交到 arXiv 的论文《When Agents Slow Down》（2609.15309）提出 Elo-per-token 分析：追踪每个 token 预算下找到的最佳解，再用 Bradley-Terry 模型把任务内排序聚合成跨任务可比的 Elo，从而解决「agent 自适应分配测试时算力、性能扩展难以测量」的问题。它在四个通用 agent、四个开放式基准上做了最高到 1 亿 token 的单次会话，另加三个反馈驱动的优化 harness 做受控干预。核心结果是：以独立采样为理论参照（每十倍算力增加 400 Elo，随 log 算力线性增长），agent 起初把 token 转成 Elo 比参照更快，但边际收益递减，最终跌到参照线以下；而在共享的 AtCoder Heuristic Contest 任务上，最强的历史人类选手随比赛时间超线性提升。作者据此定义「scaling inflection point」为边际收益与参照持平的单次会话预算，并在 FrontierCS Polyomino Packing 上把同样的 1 亿 token 拆到并行会话，比单次长会话多 264 Elo、比十次短会话多 355 Elo。作者为 Kaiyuan Liu、Qiuyang Mang、Luke Zettlemoyer、Alex Dimakis、Alvin Cheung 等，预印本未经同行评审。

AI资讯编辑部

已显示 12 / 12 条资讯