AI 日报 2026-06-09 08:38

2026-06-09 08:38 CST

快速版 完整版

核心速览

【OpenAI】向 SEC 提交机密 S-1 注册声明 OpenAI 已向美国证券交易委员会提交机密 S-1 草案，为可能的 IPO 做准备。SEC 审查完成后将决定进一步行动时间，这标志着 OpenAI 向公开上市迈出关键一步。 https://openai.com/index/openai-submits-confidential-s-1

【OpenAI】Codex 在 AWS 正式可用 OpenAI 前沿模型和 Codex 现已在 AWS 全面上线，企业客户可通过现有 AWS 环境、控制和采购流程使用 OpenAI 服务。这为企业提供新的部署路径，加快从评估到生产的进程。 https://openai.com/index/openai-frontier-models-and-codex-are-now-available-on-aws

【OpenAI】推出经济研究交流平台 OpenAI 启动经济研究交流项目，研究 AI 对就业、生产力和经济的影响。研究项目申请现已开放，旨在通过实证研究理解 AI 技术的经济效应。 https://openai.com/index/economic-research-exchange

【Anthropic】向 SEC 提交机密 S-1 注册声明 Anthropic 已向 SEC 提交机密 S-1 草案，待审查完成后可选择进行 IPO。这表明 Anthropic 正为可能的公开上市做准备，与 OpenAI 动作类似。 https://www.anthropic.com/news/confidential-draft-s1-sec

【Anthropic】扩大 Project Glasswing 访问范围 Anthropic 将 Claude Mythos Preview 访问权限扩展至约 150 个组织，覆盖超过 15 个国家。该计划旨在推动 Claude 在更广泛场景下的应用和测试。 https://www.anthropic.com/news/expanding-project-glasswing

重大 Benchmark 变化

SWE-bench Verified

  • devlo 排名从第 44 名跌至第 94 名，分数从 70.2 降至 54.2（-22.8%）
  • Nemotron-CORTEXA 排名从第 50 名跌至第 82 名，分数从 68.2 降至 58.2（-14.7%）
  • Warp 排名从第 11 名跌至第 36 名，分数从 75.6 降至 71.0（-6.1%）

[email protected]

  • LemonHarness / Multiple 排名从第 10 名升至第 4 名，分数从 79.9 升至 84.5（+5.8%）
  • Warp / Multiple 排名从第 43 名跌至第 67 名，分数从 61.2 降至 50.1（-18.1%）

快速预览

  • OpenAI 向 SEC 递交 S-1 草案，可能进行 IPO；Anthropic 同步提交 S-1，两家头部公司同日宣布上市准备
  • OpenAI 发布 Codex Sites 预览版，支持创建和部署网站；Codex 现已通过 AWS Bedrock 提供，企业可在 AWS 环境中使用
  • Claude Code v2.1.166 新增最多三个后备模型配置，支持主模型过载时自动切换；新增 --safe-mode 故障排查模式
  • SWE-bench Verified：live-SWE-agent + Claude 4.5 Opus medium 与 Sonar Foundation Agent + Claude 4.5 Opus 并列第一（79.2），TRAE + Doubao-Seed-Code 第三（78.8）
  • SWE-bench Pro Public 榜首为 gpt-5.4 (xHigh) 59.1%，Muse Spark 55.0%；Terminal-Bench 2.0 榜首为 vix / Claude Opus 4.7 达 90.2%

一、主要新闻

OpenAI

IPO 与战略规划（2026-06-08）

  • 向 SEC 递交保密 S-1 草案，尚未确定具体时间表 来源
  • 发布「为所有人而建」愿景规划，强调安全、访问和共同繁荣 来源
  • 启动经济研究交换项目，研究 AI 对就业、生产力和经济的影响 来源

产品与技术更新

  • Codex 新功能（2026-06-02）：Sites 插件进入预览，支持创建、保存和部署网站及应用 来源
  • AWS 集成（2026-06-01）：OpenAI 前沿模型和 Codex 正式在 AWS 上线，企业可通过 AWS 环境和计费流程使用 来源
  • ChatGPT 记忆改进（2026-06-04）：推出新记忆系统「Dreaming」，跨对话保持偏好和上下文 来源
  • GPT-Rosalind 升级（2026-06-03）：新增药物化学、基因组分析和实验工作流能力 来源
    • 启动 Rosalind Biodefense 项目，向美国政府和审查过的开发者提供访问 来源

政策与安全

  • 发布前沿 AI 民主治理蓝图和公共政策议程（2026-06-03）来源 来源
  • 加强青少年 AI 安全，呼吁成立国际机构制定标准（2026-06-02）来源
  • 阐明 AI 政策和政治倡导立场（2026-06-01）来源
  • 发布 2026 选举信息和保障措施（2026-05-27）来源
  • 分享第三方可信评估指南（2026-05-29）来源
  • 发布生物防御行动计划（2026-06-04）来源

基础设施与企业案例

  • 在密歇根州启动 1GW Stargate 数据中心项目（2026-06-01）来源
  • Travelers 部署 AI 索赔助手、Endava 使用 AI agent 重塑软件交付、Wasmer 用 Codex 构建边缘 Node.js 运行时、Cisco 和 OpenAI 用 Codex 重新定义企业工程、MUFG 使用 ChatGPT Enterprise 向 AI 原生组织转型、Boston Children's 用 OpenAI 技术诊断超 40 例罕见病例

Anthropic

IPO 与产品扩展

  • 向 SEC 递交保密 S-1 草案（2026-06-01）来源
  • 扩大 Project Glasswing 范围，向 15 个国家约 150 个组织提供 Claude Mythos Preview 访问（2026-06-02）来源

Claude Code 更新

  • v2.1.169（2026-06-08）：新增 --safe-mode 标志，可禁用所有自定义项（CLAUDE.md、插件、技能、hook、MCP 服务器）以排查故障 来源
  • v2.1.166（2026-06-06）：新增 fallbackModel 设置，支持配置最多三个后备模型，主模型过载时按顺序尝试 来源

研究与安全

  • 发布研究博客：AI 在生物学数据库中的挑战，指出现有数据库架构不适合 AI agent 使用（2026-06-08）来源
  • 发布 Claude 化学能力研究：Opus 4.7 在 NMR 光谱分析任务上匹敌甚至超越专用软件（2026-06-05）来源
  • 分析 832 个恶意账户，将其活动映射到 MITRE ATT&CK 框架（2026-06-03）来源
  • 工程博客：探讨如何通过沙箱技术限制 agent 权限和破坏性操作范围（2026-05-26）来源

模型与社区

  • 推出 Claude Opus 4.8：判断更敏锐、对自身进展更诚实、能独立工作更长时间，价格不变（2026-05-28）来源

Google

  • 发布 2026 年 5 月 AI 新闻汇总（2026-06-05）来源
  • 分享 Gemini Omni 和 Gemini 3.5 的 9 个实际应用演示（2026-05-29）来源
  • 发布 I/O 2026 主要时刻视频集锦（2026-05-28）来源
  • Google DeepMind 推出 Co-Scientist 多 agent 系统，基于 Gemini 生成、辩论和演化科学假设（2026-06-02）来源

xAI

  • Grok 模型现已在 Cloudflare AI Gateway 上线，支持文本、音频、图像和视频模型（2026-06-03）来源
  • Gopuff 与 xAI 合作推出 Go 个人购物助手，由 Grok 文本、音频和图像模型驱动（2026-06-03）来源
  • Grok @Imagine 1.5 Preview 发布（2026-06-03）来源
  • Grok STT 和 TTS 在 Vapi 上线（2026-06-03）来源
  • Grok Build 0.2.7 发布，新增 /usage、/login、跨子 agent 共享终端、改进图像理解（2026-05-28）来源
  • Grok 现支持在 Kilocode 中使用 SuperGrok 或 X Premium+ 订阅（2026-05-27）来源

二、Benchmark 快照

SWE-bench Verified（截至 2025-12-15）

排名 模型 分数 来源
1 live-SWE-agent + Claude 4.5 Opus medium (20251101) 79.2 OpenAutoCoder
1 Sonar Foundation Agent + Claude 4.5 Opus 79.2 Sonar
3 TRAE + Doubao-Seed-Code 78.8 ByteDance
4 live-SWE-agent + Gemini 3 Pro Preview (2025-11-18) 77.4 OpenAutoCoder
5 Atlassian Rovo Dev (2025-09-02) 76.8 Atlassian
5 EPAM AI/Run Developer Agent v20250719 + Claude 4 Sonnet 76.8 EPAM
5 mini-SWE-agent + Claude 4.5 Opus (high reasoning) 76.8 mini-SWE-agent
8 ACoder 76.4 ACoder-AI
9 mini-SWE-agent + Gemini 3 Flash (high reasoning) 75.8 mini-SWE-agent
9 mini-SWE-agent + MiniMax M2.5 (high reasoning) 75.8 mini-SWE-agent

SWE-bench Pro Public（截至 2026-06-09）

排名 模型 分数 来源
1 gpt-5.4 (xHigh)* 59.1 Scale Labs
2 Muse Spark* 55.0 Scale Labs
3 claude-opus-4-6 (thinking)* 51.9 Scale Labs
4 gemini-3.1-pro (thinking)* 46.1 Scale Labs
5 claude-opus-4-5-20251101 45.89 Scale Labs
6 claude-4-5-Sonnet 43.6 Scale Labs
7 gemini-3-pro-preview 43.3 Scale Labs
8 claude-4-Sonnet 42.7 Scale Labs
9 gpt-5-2025-08-07 (High) 41.78 Scale Labs
10 gpt-5.2-codex 41.04 Scale Labs

Terminal-Bench 2.0（截至 2026-05-15）

排名 模型 分数 来源
1 vix / Claude Opus 4.7 90.2 TBench
2 JJAgent / Multiple 87.1 TBench
3 NexAU-AHE / GPT-5.5 84.7 TBench
4 LemonHarness / Multiple 84.5 TBench
5 Capy / GPT-5.5 83.1 TBench
6 Codex CLI / GPT-5.5 82.2 TBench
6 Polaris / Multiple 82.2 TBench
8 TongAgents / Gemini 3.1 Pro 80.2 TBench
8 WOZCODE / Claude Opus 4.7 80.2 TBench
10 LemonHarness / Multiple 79.9 TBench

LMArena 整体榜单（截至 2026-05-27）

排名 模型 Elo 分数 来源
1 claude-opus-4-6-thinking 1502.17 LMArena
2 claude-opus-4-7-thinking 1499.70 LMArena
3 claude-opus-4-6 1498.38 LMArena
4 claude-opus-4-7 1493.64 LMArena
5 muse-spark 1488.97 LMArena
6 gemini-3.1-pro-preview 1487.45 LMArena
7 gemini-3-pro 1485.97 LMArena
8 gpt-5.5-high 1482.33 LMArena
9 gpt-5.4-high 1480.43 LMArena
10 gemini-3.5-flash 1479.08 LMArena

三、Benchmark 变化

SWE-bench Verified

显著上升

  • EntroPO + R2E + Qwen3-Coder-30B-A3B-Instruct：103 → 76（52.2 → 60.4）
  • devlo：44 → 83（70.2 → 58.2）；另一数据点 44 → 94（70.2 → 54.2）

显著下降

  • Nemotron-CORTEXA：50 → 82（68.2 → 58.2）
  • Warp：11 → 36（75.6 → 71.0）
  • EPAM AI/Run Developer Agent + GPT4o：156 → 162（27.0 → 24.0）
  • Solver (2024-09-12)：120 → 126（45.4 → 43.6）

Terminal-Bench 2.0

显著上升

  • LemonHarness / Multiple：10 → 4（79.9 → 84.5）

显著下降

  • Warp / Multiple：43 → 49（61.2 → 59.1）；另一数据点 43 → 67（61.2 → 50.1）

小幅上升

  • Gemini CLI / Gemini 3.1 Pro：47 → 42（59.4 → 61.4）
  • little-coder / Qwen3.6-35B-A3B：123 → 118（23.0 → 24.6）

数据来源状态：所有数据来源均成功采集，无失败来源。

Sources