01DeepMind发布AGI认知评测框架，向全球开发者众包评测设计
每家头部AI公司都说自己「接近AGI」，但没人拿得出一套公认的衡量标准。有人看数学竞赛成绩，有人看编程能力，定义完全各说各话。DeepMind本周给出了不同的回答：与其争论谁更接近，不如先定义「接近」怎么量。它发布了一套认知评测框架，配套的黑客松同步在Kaggle上线，邀请全球开发者参与设计具体的评测任务。
这套框架不看单项考分，评估的是AI面对从未见过的任务时能否灵活应对。DeepMind定了衡量维度的底层逻辑，具体的评测方案由社区来填。被采纳的方案将直接纳入其正式评测体系。
如果标准完全由一家公司制定，行业很难买账。让外部开发者介入评测设计，框架从起点就多了一层独立性。而在各家公司各自定义进步的局面下，谁先立起一套被广泛接受的评测体系，谁的尺子就成了行业的尺子。
「测量AI认知」正从哲学辩论变成工程实践。同期一篇论文提出用强化学习训练AI的「科学品味」，让模型学会判断哪些研究想法值得追。这种元认知能力的量化两年前还是纯思辨话题，如今已有具体的训练范式。DeepMind的黑客松则在对更基础的通用认知做同样的事。
Kaggle黑客松已开放报名。
02开发者说AI编码是赌博，企业押注专用代码模型的筹码越来越大
一篇题为「AI编码是赌博」的博文在Hacker News引来381条评论，开发者的不满很具体：AI写的代码看似能跑，但边界条件下随时出错，逐行审查的成本经常吃掉了自动生成省下的时间。问题不在技能，在信任。
企业端的反应恰恰相反。InCoder-32B刚刚发布，320亿参数专为芯片设计、GPU内核优化和嵌入式场景训练，是首个明确面向工业代码的基础模型。背后的逻辑是：通用模型不可靠，那就做专用的。
OpenAI的做法更激进。Codex Security直接抛弃传统静态分析，转用AI约束推理检测漏洞，理由是老工具误报太多。不是在旧流程上叠一层AI，而是整套检测方法从头来过。
三个信号拼在一起，裂缝的轮廓很清楚：开发者在一线踩刹车，企业在产品层踩油门，两边回应的是同一个可靠性问题，给出的答案截然相反。InCoder-32B的论文坦承，通用模型在工业场景「性能显著下降」，而它声称专用训练能弥补这个差距。
03OpenAI在东京为青少年装上护栏，同一周xAI因AI生成儿童色情被诉
OpenAI Japan本周发布「青少年安全蓝图」，针对日本市场推出一整套未成年人保护机制：强制年龄验证、家长监控面板、使用时长提醒，以及敏感内容的多层过滤。日本对青少年网络安全的监管向来严格，OpenAI选择在这个市场率先落地完整保护方案，用开发成本和产品限制换取进入学校和家庭场景的资格。
同一周，xAI在美国被三名未成年女孩的家庭起诉。她们指控Grok将真实照片生成了儿童性虐待图像，案件已进入司法程序。
同一个行业，截然不同的安全策略。OpenAI把青少年保护做成打开日本市场的前置投资，蓝图覆盖从注册到日常使用的全流程：未成年用户通过年龄验证后才能使用服务，家长可以查看对话摘要并设置使用时间和内容边界。
Mistral发布agent开发平台Forge Mistral上线Forge，为开发者提供构建和部署AI agent的集成平台。 mistral.ai
研究者提出Attention Residuals，用注意力机制替代LLM中的固定残差连接 现有LLM的残差连接以固定权重累加各层输出，导致隐藏状态随深度膨胀、单层贡献被稀释。Attention Residuals（AttnRes）改用softmax注意力对前序层输出做可学习的加权聚合，允许每层根据输入动态选择聚合哪些早期表示。 huggingface.co
千帆OCR发布：40亿参数端到端文档智能模型 Qianfan-OCR将文档解析、版面分析和文档理解统一到单一架构中，直接完成图像到Markdown的转换，支持表格提取、图表理解、文档问答等多种提示驱动任务。团队同时提出Layout-as-Thought机制，在端到端OCR中恢复显式版面分析能力。 huggingface.co
新框架让语言模型从真实部署经验中持续学习 研究者提出Online Experiential Learning（OEL），分两阶段运作：先从交互轨迹中提取可迁移的经验知识并累积存储，再用这些经验在线更新模型。该方法利用了当前完全被浪费的真实部署数据。 huggingface.co
视频扩散模型的推理能力来自去噪步骤，而非逐帧推理 此前研究认为视频模型通过Chain-of-Frames机制沿帧序列展开推理。新研究否定了这一假设，发现推理主要沿扩散去噪步骤展开，而非沿帧方向。 huggingface.co
MiroThinker-1.7发布，面向复杂长程推理任务的研究agent MiroThinker-1.7通过agentic中训练阶段强化结构化规划、上下文推理和工具交互，提升每步交互的可靠性。进一步推出的MiroThinker-H1扩展了重型推理能力，增加验证机制以支持多步问题求解。 huggingface.co
TRUST-SQL：在未知数据库schema下完成Text-to-SQL 现有Text-to-SQL系统依赖完整schema输入，但企业环境中数据库常有数百张表和大量噪声元数据。TRUST-SQL让agent主动探索并验证相关schema子集，而非一次性注入全部schema，并通过多轮强化学习训练工具交互能力。 huggingface.co
WorldCam用相机位姿作统一几何表示，生成可交互的3D游戏世界 现有交互式游戏世界模型将用户动作当作抽象条件信号，忽略动作与3D世界之间的几何耦合。WorldCam将相机位姿作为统一表示，将用户动作直接映射为相机运动，解决精确动作控制和长程3D一致性问题。 huggingface.co
FinToolBench：首个评估LLM agent金融工具使用能力的基准 金融领域的LLM评估长期停留在静态文本分析和文档问答层面。FinToolBench针对金融场景的高风险、合规要求和数据时效性特点，评估agent在真实金融工具交互中的复杂推理和多步操作能力。 huggingface.co
用隐空间熵感知解码缓解多模态推理模型的幻觉 研究发现多模态推理模型中的转折词（如because、however、wait）与幻觉高度相关，且倾向于出现在高熵状态。基于叠加表示理论，研究者提出从token概率分布中直接提取上下文推理信息，在解码阶段介入以减少幻觉生成。 huggingface.co