编辑精选

你的 agent 用起来有多费力？一个评测框架的真实案例

大多数评测只看最终答案，但 Hugging Face 的这篇博客告诉你，结果相同、代价天差地别。一个注重过程的评测框架如何发现加速大模型的同时伤到小模型的“反常”现象。

OpenAI联手Molecule.one，让GPT-5.4像一位真实的化学博士后一样工作：独立提出科学猜想、设计实验方案、在自动化实验室里跑完10080个反应、分析数据、再提出下一轮假设。关键结果是，它推荐的TEMPO氧化剂让药物化学中最棘手的磺酰胺基团偶联反应产率翻倍。

MolmoMotion用物体表面稀疏3D点预测未来运动轨迹，不依赖物体类别模板，精度远超现有方法。仿真环境机器人任务成功率76.3%，通用性强到可以直接从视频学到物理规律并迁移到机器人控制。核心价值是让AI从看懂过去进化到预判未来。

GLM-5.2把1M上下文窗口真正做成了可工程化使用的稳定基座，而不是营销噱头。通过在架构上用IndexShare将计算量降2.9倍，在训练里加入反作弊模块防奖励欺骗，它在长程编程基准上成绩仅次于Claude Opus 4.8，是开源模型里最强的。

西门子联合 Google Cloud 搞了个 Knowledge Fabric 系统，用 Spanner 知识图谱结合多智能体拆解任务，成功改造了上亿行陈旧工业代码。核心思路是把代码当结构画成图，而不是当文本喂给大模型，结果很扎实——改造旧系统的效率翻了几倍。

Yahoo广告平台用双图架构解决Agent自动化中的信任和审计难题：一张知识图让Agent基于确定的业务事实做决策，另一张上下文图让每步操作都可回溯和解释。对于需要监管合规的企业AI落地，这是非常实用的参考范式。

AI应用的黄金时代，拼的不是模型大小，而是如何用有限的预算榨出最多智能。

Google 揭露了一起针对北美医学和军事机构的长期渗透，黑客利用科研软件 REDCap 的版本兼容漏洞切入，植入能通过软件升级“永生”的恶意软件，最后竟然用企业邮件系统的合规规则来悄悄外传情报。整个过程花了超过一年，手法极其隐蔽。

美国政府以发现一个狭窄越狱漏洞为由，直接下令Anthropic停用已上线的Fable 5和Mythos 5，连内部外籍员工也不能用。Anthropic一边照办，一边公开反驳：这个攻击甚至不如其他模型的日常能力，并质问——如果所有模型都因发现一个非通用漏洞就停发，行业会怎样？