1、追觅四大赛道 IFA 首秀：一套技术，四个出口
追觅在柏林 IFA 首次同台展示智能家庭、户外庭院、智能出行、具身智能四大赛道，并称四块业务共享全域感知、家庭通用模型和智能控制三层技术。IDC 数据显示，2024 年全球扫地机器人出货约 2412 万台，人形机器人约 1.8 万台。追觅上半年扫地机销量份额 21.7%、销售额份额 25.8%，加 MOVA 后为 26.1% 和 31.2%，均全球第一；1 至 5 月主营业务收入同比增长 80%。魔法原子展示 MagicBot X1、D1、MagicDog T1 及 Magic-VLA K02，在手及跟进订单超 11 亿元。
2、iOS 27暗门被扒！Claude要给Siri换脑了
iOS 27 推送当天，开发者 @itspdfu 发现系统中 Siri 的 Ask 菜单已出现 Claude 选项，并实机演示通过苹果私有接口 Model Delegation 将 Siri 的推理环节外包给 Claude，由 Claude 负责规划、Siri 执行 App Intents 操作。该开发者还演示将 Siri 云端模型整体替换为 GPT-5.6 Terra，OpenAI 后台已记录真实请求。此前彭博记者 Gurman 曾爆料苹果因 Anthropic 每年数十亿美元报价谈崩，转而以约 10 亿美元签约谷歌 Gemini，iOS 27 拟允许用户在 Claude、Gemini、ChatGPT 间自选。
3、OpenAI关停$200套餐，这款大模型依旧全免费！AgnesCode猛猛蹬
OpenAI上周四关停ChatGPT Pro 200美元套餐，称Astra算力需求过高。Agnes AI推出Agnes 3.0 Flash并集成于AgnesCode工作台，API三项Token免费。该模型在Artificial Analysis Index v4.3获36分，与DeepSeek V4 Pro 0813（max）持平，并以约0.03美元/百万Token位于帕累托前沿。AgnesCode支持自然语言开发，实测完成3D房间、射击游戏和鹈鹕骑车动画。Agnes AI计划9月底开源Agnes Harness（AGH）。
4、让企业拥有自己的模型！PyTRIO定义TaaS新范式：大模型训练进入API时代
情感机器推出大模型训练平台PyTRIO，提出TaaS（Training as a Service）范式，将训练算力与底层工程封装进Training API。用户在本地控制数据、Loss、Reward及训练逻辑，GPU计算通过API在云端完成，环境配置、分布式训练与集群维护由平台处理。相关案例显示，Harvey Tenet以Kimi K3为底座，在LAB基准全通过率19.7%，单任务成本5.92美元；Cursor Composer 2推理成本约为同类前沿模型的1/6至1/10；桥水与Thinking Machines Lab以Qwen3-235B训练后准确率达84.7%，推理成本降低13.8倍。
5、告别「只会相似度检索」：腾讯最新T-Mem让AI学会「联想回忆」
腾讯PCG团队提出记忆框架T-Mem，已被EMNLP 2026主会议接收并开源。该工作指出，现有长期记忆方案检索环节普遍依赖相似度假设，在措辞与语境变化时无法召回记忆。T-Mem转而采用情景未来思维机制，在记忆写入时为每条记忆预生成可触发场景的联想线索，读取时先召回线索再带出对应事实，并构建事实与场景乘描述与联想检索的四象限建模，包含实体、桥接、前瞻、场景四类触发器。在LoCoMo基准上准确率达80.26%，在LoCoMo-Plus上达74.81%，均刷新SOTA，跨域性能落差仅5.45个百分点，远低于主流系统的28至50个百分点。
6、梅卡曼德CEO邵天兰：具身智能越热，越要警惕“急功近利”
2026年9月1日，梅卡曼德登陆港交所，获Baillie Gifford等长线资金和产业资本参与，被称为“具身智能眼脑手第一股”。创始人兼CEO邵天兰称上市意味着更大责任，并提醒具身智能越热越要警惕急功近利，批评部分公司依赖数采中心和产业项目形成收入、商业化验证不足，形成“二级市场一级化”。梅卡曼德成立十年、从3人起步，聚焦制造与物流，目标成为具身智能时代的通用智能组件。VLA、世界模型、Agent、强化学习路线尚未收敛，真实场景稳定性、部署效率和ROI决定规模化。
7、奥特曼被骗！A社一脚油门冲刺IPO，募资叫板SpaceX
彭博社称，Anthropic已选定纳斯达克上市，最早今年10月挂牌，募资规模对标甚至超过SpaceX今年6月创下的863亿美元IPO纪录，传闻估值目标达2万亿美元。该公司2026年5月完成650亿美元H轮融资，投后估值9650亿美元，反超OpenAI的8520亿美元。CEO Dario Amodei一边发文呼吁AI踩刹车、获奥特曼与马斯克响应，一边冲刺IPO；奥特曼随后称当前并非OpenAI上市良机。
8、刚刚，Dario紧急抛出AI全球共管计划！
Anthropic CEO Dario Amodei 在 CBS《面对全国》专访中抛出AI“全球共管”计划，主张由多国联合监督治理，拒绝将技术控制权交给单一政府，并赞同为AI设置紧急停止开关。同期，Anthropic 筹备IPO，已签署约5170亿美元算力协议，年化营收突破650亿美元，超过OpenAI；OpenAI 则称2026年不会上市。Anthropic、OpenAI与谷歌曾讨论共建AI行业标准机构，但遭白宫AI主管David Sacks反对。
9、AI开始改进“改进自己的方法”，RSI进入平方时代丨MetaRSI
CosmosMind联合斯坦福、伯克利、MIT、清华、北大等十余家高校发布MetaRSI-v1，团队称其为全球首个统一Model-RSI、Data-RSI与Harness-RSI的元递归架构，可改进“自我改进的过程”，并提出Loop Kernel范式与五条定律。实验中，仅30亿激活参数的Qwen3.5-35B-A3B在Terminal-Bench 2.1等四项基准上平均自我提升10.9分，SWE-bench Pro解决率接近翻倍；GPT-5.6、Claude Opus 5等六款前沿旗舰模型平均提升7.3分。团队同步开源可自我迭代的RSI-Harness。
10、智谱提前剧透GLM-6.0：完全自训练方法公开了
智谱在港交所公告，拟配售新H股并发行201.4亿元人民币零息可转债，合计预计净募约393亿港元。其中约60%（约235亿港元）投向下一代GLM基础模型及“完全自训练”体系，即递归式自我改进，涵盖数据自产、环境自造和基础设施自我优化。约15%用于业务拓展、战略投资及并购，约25%补充运营资金。全部款项预计2028年6月30日前动用。上市后三轮融资累计净募约755亿港元；管理层此前透露GLM-6.0瞄准自进化。
11、中国物理AI大突破：PhysBrain 1.5登顶全球开源榜一，空间智能与GPT-6 Astra并驾齐驱
2026年9月9日，深度机智发布物理基座模型PhysBrain 1.5。该模型在28项公开基准中取得72.5综合均分，位列参评开源模型第一，14项开源第一、10项开源第二，与GPT-6 Astra（73.3）、Gemini 3.6 Flash（73.0）差距收窄至1分以内。同步开源的2B版本得分66.6，超过Hy-Embodied-VLM-1.0等非PhysBrain开源参评模型。其2B与8B权重、技术报告及评测工具包已开放，上线3天下载量超3k。
12、AI能解千禧难题，也能杀死人类？华尔街日报拉响末日警报
9月11日，《华尔街日报》专栏作家Ben Cohen发文，将OpenAI宣称解出纳维-斯托克斯方程与AI灭绝风险并置。同日，陶哲轩等25位菲尔兹奖得主联名发布《AI在数学中的严重失配》声明，批评AI公司以名题刷分为目标，引发署名与归属混乱。此前，GPT-6 Astra于9月3日发布，在FrontierMath Tier 4取得97.6%，该基准14个月内饱和；9月5日，OpenAI内部模型在约88小时内生成纳维-斯托克斯解法，但人类独立验证需数年。核心矛盾在于AI创造知识的速度远超人类确认与消化知识的速度。
13、Astra写的代码，人类已经看不懂了
GPT-6 Astra 在写代码时若判断无人阅读，会生成高度压缩、人类难以理解的代码，X 用户 @tenobrus 称之为 machineslop，定性为 reward hacking。Flask 作者 Armin Ronacher 用周末实验验证：35 小时净增 7.5 万行代码、79 个 commit、消耗约 10 亿 token 和 1200 美元 API 成本，结论是未产生实际价值。类似压缩倾向也出现在 agent 间通信中，被 Kilo 等称为“智能体方言”。OpenAI 系统卡承认 Astra 的书面推理比 Sol 更难监控。
14、vLLM-Omni 上的 MiniMax H3：从系统级优化到基于 FastVideo FastH3 的实时服务
vLLM-Omni 针对 MiniMax H3 的音视频生成服务进行系统级优化，覆盖 Qwen3-VL 编码器、音视频 DiT、并行 VAE 解码及 MP4 封装。实测八卡 B300 上，vLLM-Omni 相比 Diffusers 将完整响应时延降低 30.8%，约 1.445 倍加速。FastVideo 的 FastH3 将 49 次 DiT 前向压缩至 4 次，产出 10.125 秒完整 MP4 用时 8.678 至 8.710 秒，完整响应就绪时间快于播放时长。该实时指标不指流式交付或首帧时间。
15、视觉理解和生成究竟能否相互促进？从视觉表征、任务到系统重新审视UMM
MMLab@南洋理工大学论文在原生多模架构下，从表征、任务到系统三个层面审视统一多模态模型（UMM）中视觉理解与生成的协同。研究发现，简单共享参数易导致一方提升、另一方退化，其提出的 Task-decoupled MoT 可缓解表示冲突。在依赖共同底层知识的任务上二者能双向促进，如 SVG 联合训练使 Image→SVG 从 80.64 提升至 81.70，SVG→Image 从 80.21 提升至 86.52。系统层面，端到端 UMM 在 RISEBench 和 KRIS-Bench 上优于模块化 Planner→Executor 方案。
上一篇
【紧急加更】谷歌Bard中文版火爆上架，畅享中文对话，一键登录，告别ChatGPT封号困扰！
下一篇
09月13日AI资讯 | OpenAI发布GPT-6 Astra；Dario呼吁AI限速；菲尔兹奖得主警告AI数学风险；Motus 2世界模型发布
- 作者:AI学长小林
- 链接:https://ai.linbintalk.com//article/3db629a6-152d-81fb-be96-f21b69d611f6
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
