在庭审中，OpenAI总裁格雷格·布罗克曼透露其持股价值近300亿美元。马斯克的律师史蒂文·莫洛就此盘问，质疑他为何不将大部分收益捐给公司的非营利基金会，并援引其2017年日记中“如何达到10亿美元财富”的记载，以证明布罗克曼与CEO奥尔特曼更关注个人致富而非造福人类。布罗克曼辩称当时是在权衡公司发展路径，且OpenAI的成就靠团队拼搏而来。法官指出他未直接回答捐款质疑。

Google工程总监Addy Osmani提出“特工技能”框架，界定AI智能体所需的核心能力。该框架将技能分为基础与高阶两类：基础技能涵盖规划、工具使用、记忆及多模态理解；高阶技能包括团队协作、个性化、创造力与长期目标达成。Osmani指出，拥有这些综合能力的智能体可更自主地处理复杂任务，例如仅凭一句“规划假期”指令即能完成全流程安排。这标志着AI智能体正从简单指令执行者向能解决复杂问题的“数字员工”演进。

meng shao@shao__meng

55

为实现语音AI的自然对话感，OpenAI采用WebRTC支持音频流式处理。针对1:1场景，采用Transceiver模型集中管理WebRTC状态，使后端可横向扩展。为解决WebRTC与K8s的端口和状态粘性问题，设计了Relay+Transceiver架构：轻量Relay层收敛公网UDP入口，并利用ICE ufrag字段编码路由信息，实现首包精准转发至对应Transceiver。该设计保留了协议语义，状态集中，并通过全球部署Relay优化路径，最终在K8s上实现了低延迟、高可扩展的语音交互系统。

北京大学在建校128周年之际，发布了首部AI生成的校庆宣传片《举火》。该片回顾了学校自1898年创办以来的重要历史事件、知名校友及科研成果，例如在23位“两弹一星”元勋中，有12位是北大校友。视频以“举火”为主题，展现了从历史传承到当代青年接续奋斗的脉络，标志着北大在利用人工智能技术进行形象传播方面迈出新的一步。

知名科技博主 John Gruber 披露了 Y Combinator 在 OpenAI 的具体持股比例。根据其从知情人士处获得的信息，Y Combinator 持有 OpenAI 约 0.6% 的股份。以 OpenAI 当前 8520 亿美元的估值计算，这部分股权的价值超过 50 亿美元。这一具体数字此前难以获知，揭示了这家知名孵化器在人工智能巨头中的财务利益规模。

Rohan Paul@rohanpaul_ai

54

Google DeepMind的研究通过“师生对话”框架训练大型语言模型（LLM），使其能在对话中有效利用用户反馈进行学习。传统LLM将对话视为独立轮次，难以整合修正信息。该研究让“学生”模型尝试回答，由掌握额外信息的“教师”提供指导，并训练学生利用指导得出正确答案。在线强化学习训练效果优于离线过滤，且在简短对话中习得的技能能迁移至更长对话。该方法从数学任务泛化至编程任务，并能处理信息逐步到达的模糊任务。通过“Q-priming”步骤，模型在模糊任务中主动寻求澄清的可能性提高五倍以上，使对话更像与一个能在交流中实时学习的伙伴协作。

Rohan Paul@rohanpaul_ai

69

白宫正考虑对主要AI模型建立发布前政府审查机制，审查核心聚焦于模型的网络能力，即其发现、利用或串联软件漏洞以改变现实安全风险的水平。此举标志重大政策转向，此前政府曾放宽对强大AI系统的报告要求。政策转变的直接诱因是Anthropic公司的Mythos模型，该公司评估其发现软件漏洞的能力过强，广泛发布风险过高。此类模型能快速扫描代码、识别弱点并建议攻击路径，虽对防御方有用，但也恐助长攻击者入侵关键系统。审查不一定会阻止发布，但可让美国政府提前获取并测试先进模型。

Berryxia.AI@berryxia

65

Claude Code创始人Boris Cherny通过30分钟视频，系统讲解了该工具的高级工程化用法。核心观点是：为Claude提供越多上下文，它就越智能。视频详细演示了如何通过CLAUDE.md文件在企业、项目、本地层级注入上下文规则，如何将内部工具集成到Agent工作流，并优化了数十个终端设置与权限管理等细节。他指出，多数用户仅发挥其10%潜力，仅用于简单对话，而未能将其作为驱动整个工程团队的生产力基础设施。

ginobefun@hongming731

46

本期早报聚焦AI对软件开发的变革。Anthropic Claude Code创始人宣称“编程已被解决”，软件创作将交由AI Agent。OpenAI罕见公开其支撑9亿周活语音服务的WebRTC Relay重构技术细节。同时有观点指出，企业应用AI失败的核心原因在于自身无法清晰定义需求。此外，内容还涵盖了Supabase Skills、规范驱动开发等工程实践与一篇AI主题科幻短篇。

Anthropic宣布与黑石、赫尔曼与弗里德曼及高盛共同成立一家新的AI服务公司，旨在面向各行业的中型企业落地其AI模型Claude。该公司将通过Anthropic的应用AI工程师与客户团队协作，为中型企业构建定制化的Claude解决方案并提供长期支持。此外，据彭博社报道，Anthropic正考虑新一轮融资，估值有望达到9000亿美元（约合6.15万亿元人民币），或将超越OpenAI成为全球最具价值的AI初创企业。

meng shao@shao__meng

66

KroWork的核心创新在于“chat-to-software”模式，旨在超越仅能提供建议或代码的传统AI聊天机器人。它是一个桌面AI智能体，能通过20多种内置技能端到端自动化执行任务，并将完整工作流转化为名为“Kro App”的持久性本地应用程序。该应用可一键安装至系统菜单，像常规软件一样运行，且重复使用无需消耗token或重新构建。所有操作均在用户本地设备上完成，保障数据隐私，无需云端依赖，用户也无需具备编程背景即可创建属于自己的可复用软件。

评估人的动作完成质量（熟练度）对教学、康复等领域至关重要，但其挑战在于细微的时空差异分布于多视角视频中。本文针对Ego-Exo4D数据集提出三种创新方法：SkillFormer采用参数高效的判别式架构实现选择性多视角融合；PATS通过保留基础动作的局部密集片段来改进时序采样；ProfVLM则将任务重构为条件语言生成，通过门控跨视角投影器和紧凑语言模型，同时输出熟练度标签与专家风格反馈。这些方法仅需比视频Transformer基线少20倍的可训练参数和少3倍的训练周期，即达到最优准确率，推动了该任务从封闭集分类向可解释反馈生成的范式转变。

APEX是首个面向AI生成音乐的大规模多任务学习框架，旨在联合预测流行度与美学质量。该框架基于Suno和Udio平台的21.1万首歌曲（约1万小时音频）训练，利用自监督音乐理解模型MERT提取音频嵌入，同时预测基于参与度的流行度指标（播放量与点赞数）以及五个感知美学维度。在包含11个未见生成系统的Music Arena数据集上进行分布外评估发现，加入美学特征能持续提升人类偏好预测准确性，表明所学表征在不同生成架构间具备强泛化能力。美学质量与流行度共同揭示了AI生成音乐的互补价值。

推理密集型检索旨在为下游推理提供证据支持，而非仅匹配主题相似性，这对需要迭代搜索与证据合成的智能体搜索系统至关重要。针对现有评估与训练的不足，研究发布了BRIGHT-Pro专家标注基准，为每个查询扩展了多维度黄金证据，并在静态与智能体搜索两种协议下评估检索器。同时，研究构建了RTriever-Synth合成语料库，通过生成互补正例和正例条件硬负例，对Qwen3-Embedding-4B进行LoRA微调得到RTriever-4B。实验表明，维度感知与智能体评估能揭示标准指标所掩盖的检索行为，而RTriever-4B相比其基础模型取得了显著提升。

针对流式视频扩散模型的分布匹配蒸馏方法普遍均等对待所有输出，限制了质量提升。Stream-R1框架提出统一的奖励引导机制，从两个层面自适应重加权蒸馏目标：在序列间，依据预训练奖励分数对损失进行重缩放，让高可靠性序列主导优化；在序列内，利用同一奖励模型的反向传播生成像素级时空权重，将优化集中于预期增益最大的区域和帧。该方法在标准基准测试中，于视觉质量、运动质量和文本对齐方面均持续优于基线，且无需改变架构或增加推理开销。

JoyAI-Image是一个统一的多模态基础模型，集成了视觉理解、文本生成图像和指令引导的图像编辑功能。它通过空间增强的多模态大语言模型与多模态扩散变换器的耦合架构，实现了感知与生成的交互。其可扩展的训练方案融合了统一指令调优、长文本渲染监督及空间编辑信号，增强了模型的几何感知推理与可控视觉合成能力。实验表明，该模型在多项基准测试中达到领先或极具竞争力的性能。其核心在于通过增强理解、可控空间编辑和新视角推理之间的双向循环，推动模型向更强的空间智能演进，为下游应用提供了新路径。

针对现有基准将专利审查简化为分类或静态抽取的局限，本文提出了PatRe，首个模拟完整专利审查生命周期（包括审查意见生成与申请人答复）的基准。它包含480个真实案例，支持基于标准答案和检索模拟两种评估设置。研究通过多类大语言模型的实验发现，专有与开源模型性能存在差异，且审查员分析与申请人答复任务间存在不对称性。这些结果揭示了LLMs在模拟专利审查中复杂的法律推理与技术新颖性判断时，兼具潜力与当前局限。相关代码与数据集已开源。

研究通过Fitbit应用向13,917名参与者随机部署SymptomAI对话代理进行症状访谈与鉴别诊断。在1,228名报告临床诊断的参与者中，SymptomAI的诊断准确性显著高于独立临床医生（OR = 2.47）。采用专用症状访谈策略（在诊断前获取额外信息）的代理表现优于用户引导对话。基于1,509个普通人群对话的辅助分析验证了结果的普适性。此外，利用SymptomAI诊断标签分析超50万天可穿戴数据发现，急性感染（如流感）与生理指标变化存在强关联（OR > 7）。

本文提出了Workspace-Bench 1.0基准，用于评估AI智能体在需要处理大规模异构文件依赖的真实工作空间任务中的能力。该基准构建了包含5类工作者档案、74种文件类型、超2万个文件（最大20GB）的模拟工作空间，并设计了388项附带文件依赖图的任务，总计7399个评分项，要求智能体进行跨文件检索、上下文推理与自适应决策。同时提供的精简版Workspace-Bench-Lite（100项任务）可将评估成本降低约70%。对4种主流智能体框架和7个基础模型的测试表明，最佳智能体得分仅为68.7%，远低于人类表现的80.7%，平均表现仅47.4%，揭示出现有AI在此类任务上仍远未达到可靠水平。

为系统评估交互式世界模型的物理交互能力，研究团队提出了iWorld-Bench基准测试。该基准包含一个33万视频片段的数据集，并精选了2100个涵盖多视角、天气与场景的高质量样本。针对现有模型交互模态不统一的问题，研究设计了一个统一的动作生成框架，构建了六类任务共4900个测试样本，以综合评估模型在视觉生成、轨迹跟随和记忆等方面的性能。通过对14个代表性模型的评估，研究揭示了当前关键局限，为未来方向提供了见解。相关排行榜已公开。

TestingCatalog News 🗞@testingcatalog

50

Anthropic计划为其Claude Cowork平台推出名为“Orbit”的主动式AI助手。该助手能够主动分析用户来自Gmail、Slack、GitHub、日历、Drive、Figma等多个应用的数据，并生成个性化洞察。用户还可以部署“Orbit apps”并置顶常用功能以便快速访问。这一动向标志着AI助手正从被动响应转向主动服务模式，OpenAI的ChatGPT Pulse、Google及Perplexity也都在开发类似功能。据悉，Orbit很可能作为一项高级功能，仅向Claude Max订阅用户开放。

IBM近日发布了采用Apache 2.0许可证的Granite 4.1大语言模型系列。随后，Unsloth提供了该系列3B模型的21个GGUF量化变体。作者利用这些大小从1.2GB到6.34GB不等的量化模型，尝试生成“鹈鹕骑自行车”的SVG图像以测试其能力。实验结果显示，所有模型生成的图像质量均较差，且未观察到模型大小与输出质量之间存在明显关联。基于此次不理想的尝试，作者表示未来将选用更擅长图像生成的模型重新进行此类实验。