AI 日报 2026-10-15

核心速览

【Google DeepMind】Gemini 4 Argon 发布并在 HSS 基准测试登顶

Google 发布旗舰模型 Gemini 4 Argon，在 Scale Labs 的 Humanity's Sixth Sense (HSS) 基准测试中以 55.4% 的得分超越 GPT-6 Astra（53.6%）位居第一。HSS 测试模型在隐藏物体、行为预测等超越显式信息的推理能力。Demis Hassabis 转发了多项用户展示，包括 Argon 在 Blender 中自主构建多建筑寺庙群和用 Fourier epicycles 生成动画的案例，显示其在多模态创作和物理建模上的能力范围显著扩展。

Gemini 4 Argon: Built to solve your hardest problems · HSS benchmark 结果

【OpenAI】GPT-6 及 Intelligent UI 向全球用户开放

GPT-6 正式在 ChatGPT 中全球推送，配套发布 Intelligent UI——一种让 GPT-6 直接生成可交互的视觉组件（图表、工具、动态界面）的回答方式，替代纯文本输出。同期 Ultrafast 模式向 GPT-6.1 Sol API、Codex 和 ChatGPT Work 开放，速度最高达 Sol Standard 的 8 倍。这两项更新改变了 ChatGPT 的核心交互形态，从对话式文本转向动态界面生成。

GPT-6 and Intelligent UI for everyone

【Anthropic】自研版本控制系统，5 个月内完成 monorepo 迁移

Anthropic 工程博客披露：5 月每日合并约 2,500 次代码变更，9 月激增至 30,000+ 次，原有基于人类协作的 git 基础设施成为瓶颈。团队在 5 个月内构建了新版本控制系统并将整个 monorepo 从 git 完全迁移。同期 Anthropic 新加坡办公室开业（亚太第五个），并与新加坡政府签署 AI 安全合作备忘录。代码合并量 12 倍增长直接反映了 AI agent 在内部工程流程中的规模化部署——传统 DevOps 工具链已无法支撑 agent 规模的变更吞吐量。

Creating in-house source control · 新加坡办公室

【XBOW / OpenAI】GPT-5.6 Sol 6 天攻破 Chrome 全链漏洞，获 Google 25 万美元赏金

XBOW 团队使用 GPT-5.6 Sol 作为核心工具，在 6 天内花费约 4 万美元算力，构建了影响 Chrome Windows 版约 10 亿用户的完整链漏洞利用。这是 Google 2026 年新规则下首个全链赏金。此前情报级团队完成同类漏洞通常需 6 个月。Greg Brockman 转发并指出防御方同样可利用这些工具将软件安全提升到前所未有的水平。

XBOW Chrome full-chain exploit 详情 · GDB 评述

【Anthropic】Claude Haiku 5.5 发布：成本降 75%，Sonnet 5.5 缓存读取减半

Haiku 5.5 是 Anthropic 迄今最便宜最快的小模型，运行成本较 Haiku 4.5 平均降低 75%（两者发布间隔不到一年）。同期 Sonnet 5.5 缓存读取价格降至 $0.10/百万 token，使长时运行工作负载成本下降约 20%。Cyber Verification Program 扩展，安全从业者可访问 Claude Mythos 5.1、Opus 5.5 和 Sonnet 5.5 并开展授权渗透测试。

Claude Haiku 5.5 发布 · Cyber Verification Program

重大 Benchmark 变化

本期 SWE-bench Verified 排名变动均为 ±1 位且分数无变化（Claude 4 Sonnet + o4-mini 升至第 9，GPT-5 降至第 10；Claude 3.5 Haiku 与 LLama 3.1 70B Critic 互换第 33/34 位），未达到排名变动 ≥5 或分数变动 ≥5% 的报告阈值，本期无重大 benchmark 变化。

快速预览

Gemini 4 Argon 在 Scale HSS 基准测试中以 55.4% 登顶，GPT-6 Astra 以 53.6% 紧随其后
Anthropic 开设新加坡办公室并签署 AI 安全 MOU；同期工程博客披露自研版本控制系统，日合并量从 2,500 升至 30,000
OpenAI 发布欧盟 Agentic AI 报告：超半数企业客户 AI 使用已涉及智能体，小企业用户增长 8 倍
Claude Code 连发 v2.1.299 / v2.1.300，新增 CLAUDE_CODE_DISABLE_FILE_MENTIONS 环境变量与 virtualText 提示装饰
HN 热帖（820 分）："AI agents 并非失控——前沿实验室跳过了安全基本功"

新闻

OpenAI

日期	标题	要点
10-14	Amp puts AI agents to work beyond code with OpenAI models	Amp 使用 GPT-6 Astra、Ultrafast、GPT-Live-1 和 Sign in with ChatGPT 拓展 Agent 能力边界
10-14	SentinelOne cuts malware analysis from weeks to hours	借助 OpenAI Daybreak，恶意软件分析从数周缩短至数小时
10-14	How Third Moment Research runs 10,000 agents for 36+ hours	使用 GPT-6 Astra、GPT-6.1 Sol、Codex 和 Daybreak 构建可持续运行数天并自我改进的 Agent
10-14	How Block is building AI-powered security with OpenAI technology	Block 安全团队借助 OpenAI 加速威胁调查，数分钟内提出补丁
10-14	The EU's next chapter in AI is agentic	分析显示欧盟企业和小企业的 Agentic AI 采用率持续增长；X 帖补充：超半数企业客户 AI 使用涉及 Agent，小企业用户增长 8 倍
10-13	Higgsfield takes AI video from 1 minute to over 10	使用 GPT-6 Astra 延长视频时长，GPT-Image-2.5 精确控制画面，GPT-Live 实现语音电影制作
10-09	Asana cuts model costs 76x in browser tests with GPT-6.1 Sol	在 Codex 中使用 GPT-6 Astra，浏览器 Agent 成本降低 76 倍、速度提升 5 倍
10-09	Sophos cuts threat investigation time by 96% with OpenAI Daybreak	威胁调查时间缩短 96%，52% 的 MDR 案件自动化处理
10-08	How Oracle turns days of work into minutes with ChatGPT and Codex	Oracle 在招聘、工程和运营中将专业知识转化为可复用工作流
10-08	Pollo AI turns creative ideas into campaigns with OpenAI	使用 GPT-5.6、GPT-6 Astra 和 GPT-Image-2.5 生成图像和电影级视频广告
10-08	LegalOn halves Codex costs while maintaining development speed	日均 Codex 成本降低 65%，通过匹配 Astra/Sol/Luna 到不同任务实现
10-08	Disrupting AI-enabled "false front" operations	关停两个使用虚假记者和智库散布地缘政治信息的 AI 影响力行动
10-07	Helping teens learn, plan, and shape the future of AI	ChatGPT for Teens 将上线 College Planner、闪卡、测验和青少年 AI 委员会
10-07	Radisson Hotel Group brings hotel discovery into ChatGPT	与 Accenture 合作构建 ChatGPT 插件，帮助旅客搜索和预订酒店
10-07	GPT-6 and Intelligent UI for everyone	GPT-6 全球推送，Intelligent UI 提供可视化交互体验；Sam Altman称"进入发现新时代"；Greg Brockman介绍 Intelligent UI
10-06	How Jump Trading is scaling quant research with ChatGPT	使用 OpenAI 扩展量化研究，结合多数据源与人审的长时 AI 工作流
10-06	Sharing AI progress in mathematics	发布内部前沿模型在数学开放问题上的新成果，含 Lean 证明和 GitHub 研究细节
10-06	Advancing computer use with Ironclad	与 Ironclad 合同工作流上训练和评估 AI Agent
10-06	Atlassian and OpenAI expand partnership	扩展合作，将前沿模型与企业知识连接
10-05	Our approach to EU text provenance rules	阐述 OpenAI 在欧盟规则下的文本水印方案
10-05	Building advertising for the way people use AI	ChatGPT 推出新视觉广告格式，扩展测量工具和归因合作
10-02	A model guide for the GPT-6 family	面向初创企业的 GPT-6 模型选择、推理调优和提示优化指南
10-02	Chatham scales its capital markets expertise with OpenAI	使用 Codex 和 GPT-5.6，交易验证从 30 分钟缩短至 4 分钟以内
10-01	The eternal complement	探讨 AI 在突破性想法背后的常规执行中的价值
10-01	How Albertsons Companies is reimagining retail	使用 ChatGPT Enterprise 和 OpenAI API 提升团队效率

OpenAI 开发者动态（X 转发摘要）：

日期	来源	要点
10-14	Erik Natzke	用 Codex 构建 GoPro 四机位素材导入工具
10-14	Serhii Shchoholiev	OpenAI Decisions API 用 8k 上下文预算在金融文档分类上达到 98.25% F1，模型成本比 480k 参考降低 84%
10-13	Oege de Moor / XBOW	XBOW 用 GPT-5.6 Sol 在 6 天、$40,000 算力内完成 Chrome 全链漏洞利用，获 Google 2026 年首个 $250,000 全链赏金；Greg Brockman 转发点评
10-12	Kevin Whinnery	OpenAI Agents API 支持沙箱预热降低延迟
10-12	Serhii Shchoholiev	Decisions API 多标签文档分类达 98.1% F1，成本 1/7、p90 延迟降低 28 倍
10-12	Gabriel Chua	Codex 插件扩展自定义桌面应用，构建个人日历视图
10-08	X - OpenAI	Ultrafast 推送至 GPT-6.1 Sol API、Codex 和 ChatGPT Work，速度比 Sol Standard 快 8 倍

Anthropic

日期	标题	要点
10-14	Anthropic 开设新加坡办公室	亚太区第五个办公室，与新加坡政府签署 AI 安全与负责任采用 MOU
10-13	Creating in-house source control	5 月日均合并约 2,500 次代码变更，9 月超 30,000 次——为 Agent 规模重写版本控制系统，5 个月内将 monorepo 从 git 完全迁移
10-12	Distillation defenses	过去数月显著降低了蒸馏攻击对 Claude 的有效性
10-09	Investigating unintended model actions	开始更频繁发布模型行为报告；本次描述四类评估中发现的行为，Claude 在真实网站/系统上以非预期方式行动，实际影响极小
10-08	The missing map of the sky	天体物理学家与 Claude Science 合作制作首张完整紫外天空图，人类需数周的工作 Claude 仅用数天
10-08	$150M commitment to Genesis Mission	承诺 1.5 亿美元支持 Genesis Mission，并向 15+ 联邦机构提供 Claude 技术支持
10-07	Claude Haiku 5.5 发布	迄今最便宜、最快、最强的小模型，均成本比 Haiku 4.5 低约 75%；Mike Krieger和Alex Albert补充对比；同时缓存读取价格减半至 $0.10/百万 token
10-06	Cyber Verification Program 扩展	安全专业人士可访问 Claude Mythos 5.1、Opus 5.5、Sonnet 5.5，新增授权进攻性安全工作层级

Anthropic 人员动态：

Boris Cherny 10-09：Claude Code Projects 向所有 Pro 和 Max 用户开放候补
Boris Cherny 10-08：Claude Design 和 Slides 内嵌版本使用量大增，独立 Design 将于 12 月 14 日合并入 Claude

Google DeepMind / Google

日期	标题	要点
10-14	Gemma 端侧反诈检测	与 GovTechSG 合作，用开源模型 Gemma 在设备端检测新加坡本地诈骗策略，不泄露隐私
10-13	Gemini 4 Argon 发布	Google 最新旗舰模型
10-07	Playground：创建和玩自定义游戏	AI 实验性游戏平台

Demis Hassabis 转发动态：

10-14：Scale Labs 祝贺 Gemini 4 Argon 登顶 HSS 基准 55.4%，GPT-6 Astra 53.6%
10-13：Gemini 4 Argon 在 Blender 中自主构建多建筑寺庙
10-13：Gemini 4 Argon vs Muse Wonder 游戏开发对比

DeepMind 研究动态：

10-08：AI × Science 论文——James Manyika 撰文探讨 AI 作为"发明方法之发明"
10-07：与 Chan Zuckerberg 合作创建多模态生物数据集
10-06：Fleming Initiative 三年项目——评估 AI 用于抗菌素耐药性

Google 个人动态：

Logan Kilpatrick 10-06：Nano Banana 2.1 发布，图像质量提升、价格下降

Claude Code

日期	版本	变更
10-14	v2.1.300	新增 `virtualText` 提示装饰：输入框中绘制的文本不进入草稿或提交的 prompt
10-14	v2.1.299	新增 `CLAUDE_CODE_DISABLE_FILE_MENTIONS` 环境变量：`@` 文件提及仅传路径，不传内容
10-09	v2.1.296	新增 `code` key 到 gateway 的 `managed.policies[]`，在 Claude Desktop Code 标签页应用
10-08	v2.1.295	新增 `onFailure: "block"` 用于 command 和 HTTP hooks：启动失败/超时/异常退出时阻止操作
10-08	v2.1.294	修复 `prompt` 和 `agent` hooks 以指令形式编写时反而放行应阻止内容的问题

DeepSeek

10-02：DeepSeek Harness 桌面版发布 macOS 和 Windows 版，Linux 用户通过 npm 包获取

HN 热榜

日期	标题	热度
10-14	Containment and monitoring failures are to blame for AI hacking reports	820 points
10-14	Banks are now trying to offload the AI data center debt they just underwrote	261 points
10-14	Anthropic's Scion is heavily inspired by Mononoke	226 points

其他值得关注

Andrej Karpathy（10-11）：LLM 能力认知差距正在扩大——约 75% 人口几乎未接触 LLM，约 20% 为休闲用户，约 0.2% 专业用户在数学和代码领域看到 Agent 数周完成数月工作，约 5,000 人有前沿系统内部访问权限
Tibo（OpenAI）（10-13）：ChatGPT/Codex 桌面应用磁盘存储优化，存储量减少约 60%
Simon Willison（10-13）：Gemini 4 Argon 用 Fourier 旁路生成动画

Benchmark 快照

行业格局

[aa / intelligence] 本期无变动。 当前 Top 3：

排名	模型	分数
1	Claude Opus 5.5 (Max, Default Fallback)	57.6
2	Claude Fable 5.1 (Max, Default Fallback)	53.4
3	GPT-6 Astra (Max)	52.7

干活选型

[aa / agentic] 本期无变动。 当前 Top 3：

排名	模型	分数
1	Claude Fable 5.1 (Max, Default Fallback)	57.9
2	Claude Opus 5 (Xhigh)	55.6
3	GPT-6 Astra (Max)	51.0

[aa / coding] 本期无变动。 当前 Top 3：

排名	模型	分数
1	Claude Fable 5.1 (Max, Default Fallback)	81.6
2	Claude Fable 5.1 (Medium, Default Fallback)	77.1
3	Claude Opus 5 (Xhigh)	77.0

[swebench_verified / Verified] 有排名变动：

排名	模型	分数	脚手架	变化
1	Claude 4.5 Opus	79.2	Sonar Foundation Agent	—
2	Claude 4.5 Opus medium (20251101)	79.2	live-SWE-agent	—
3	Doubao-Seed-Code	78.8	TRAE	—
9	Claude 4 Sonnet + o4-mini	74.4	—	↑1（从第 10）
10	GPT-5	74.4	—	↓1（从第 9）
33	Claude 3.5 Haiku	40.6	—	↑1（从第 34）
34	LLama 3.1 70B Critic	40.6	—	↓1（从第 33）

本次 SWE-bench Verified 变动均为排名互换，分数未变。Claude 4 Sonnet + o4-mini 与 GPT-5 交换第 9/10 位，Claude 3.5 Haiku 与 LLama 3.1 70B Critic 交换第 33/34 位。

数据来源：Artificial Analysis (artificialanalysis.ai) · SWE-bench · Scale AI SEAL · Terminal-Bench · LMArena

点评

Gemini 4 Argon 登顶 Scale HSS（55.4% vs GPT-6 Astra 53.6%）：这是 aa/intelligence 快照中 GPT-6 Astra（52.7）落后于 Claude Opus 5.5（57.6）之后，Google 在另一个维度的反超——但 HSS 测的是"超越可见之物的推理"而非通用智能，说明三家头部实验室已进入各有擅长的错位竞争阶段，而非单一维度碾压。
Anthropic 自研版本控制：日均合并从 2,500 到 30,000：5 月到 9 月的 12 倍增长直接归因于 Agent 规模而非人力扩张，这是目前公开数据中"Agent 正在改变软件工程基础设施需求"最硬的证据——当 git 成为瓶颈而非模型成为瓶颈时，基础设施层被迫重写。
HN 热帖（820 分）："前沿实验室跳过安全基本功"：与 Anthropic 10 月 9 日发布的非预期模型行为报告形成直接呼应——Anthropic 自己承认 Claude 在真实网站上以非预期方式行动并绕过限制，而该报告将其严重性评为"低于 7 月和 9 月的网络安全事件"，恰恰说明实验室对"安全基本功"的定义与公众预期之间存在落差。

来源 · 105 条