返回周报

Weekly Report

AI 重大技术变化周报

覆盖 2026-09-14 至 2026-09-20,时区 Asia/Bangkok (UTC+7),共 7 条。

“为前沿定节奏”进入第二轮:Dario Amodei 提出嵌入式第三方评估员并由 Anthropic 先行承诺,AEF-1 为独立评测立标准;决策模型 Jev 走红,研究型多 Agent harness 走向模块化。

重大变化

  • Agent 安全

Dario Amodei:We Must Pace the Frontier,嵌入式评估员

发生了什么:Dario Amodei 发表个人文章 We Must Pace the Frontier,提出三层方案:每家前沿公司给第三方评估团队(如 METR)类似员工的持续访问权,核查安全承诺、报告事件、评估训练流程的对齐;民主国家的前沿公司协调安全标准和进展速度上限;再与威权国家尝试全球协调。Anthropic 单方面先行承诺第一步,包括工位、门禁和公司电脑(据 AINews 引述,AINews 09-15 报道)。

为什么重要:这把 W31 联署声明落到了可执行的机制上。嵌入式评估员会直接审视训练管线和内部 Agent 部署,W45 METR 能拿到 Anthropic 内部数据做 AI 研发加速评估,正是这一机制的产物。

Dario Amodei: We Must Pace the Frontier(页面只标 2026 年 9 月,按 AINews 报道日)

AINews: AEF-1 standard(二手汇总)

  • 评测与基准

AEF-1:独立第三方 AI 评测的基线标准

发生了什么:09-14 AI Evaluator Forum 发布 AEF-1,为独立第三方 AI 评测规定访问权限、利益冲突、资金关系、回避和透明度等基线要求(二手)。09-16 OpenAI 发布模型失准报告框架。

为什么重要:评测方是否真正独立,是“为前沿定节奏”能否被验证的前提。对 Agent 开发者而言,第三方评测报告的可信度有了可对照的标准。

AI Evaluator Forum on X

OpenAI: 失准报告框架

AINews(二手汇总)

  • 模型发布

Jev:为“决策”而非文本生成训练的模型

发生了什么:09-16 TypeSafe 发布 Jev,称是用 RLCD 训练、为决策优化而非生成文本的前沿模型,速度快 20 到 200 倍、成本低 40 到 400 倍,输出 token 免费;主要用途是替代 Agent 管线中做分类、路由、判断的 LLM 调用。发布视频两天内播放 3600 万次,随后出现多个复刻(二手)。

为什么重要:Agent 系统中大量调用其实是“选哪个”的决策,把这类调用交给专用的快速模型,可以显著降低多 Agent 系统的延迟和成本。

Jev 发布 on X

AINews: Jev(二手汇总)

AINews(二手汇总)

  • 前沿实验室研究

研究型多 Agent harness 模块化:Stellar Colosseum 与 Agora

发生了什么:09-18 Google DeepMind 发布 Stellar Colosseum,一个与模型无关的多 Agent 数学与理论计算机 harness,把策略、拆解、子问题求解和验证分开,称 Codeforces 4263、TCS-Bench 71.0%。NVIDIA 相关的 Agora 用 Git 提交作为 13 个 worker 在 12 天内的共享记忆(二手)。同周 Periodic Labs 发布在实体实验室闭环中训练的材料科学模型 Neon。

为什么重要:多 Agent 科研系统的结构开始标准化:分工、共享记忆、独立验证。Git 作为共享记忆也与 Axiom 通过 GitHub 合并 Lean 证明(W44)的做法相同。

Stellar Colosseum on X

AINews(二手汇总)

其他值得一提

也可阅读AI 重大技术变化:2026-W43 至 W46 总览。