AIEi 巴黎站（9月23-24日）和 AIE 纽约站（10月12-14日）的门票已售出超过 >50%，接下来是 AIE CODE（11月10-12日，旧金山）和 AIEi 上海站（11月5-6日），之后由 AIEi 悉尼站（12月7-8日，与 NeurIPS 同期）为这一年收官！
新创业公司的发布很少能成为头条，尤其是在 Gemini 3.8 Live 和 Periodic Labs 都有重磅发布的这一天。然而，TypeSafe 的发布整天都稳居 Hacker News 榜首。上个月我们有幸在 AIE 发布会前预览了他们的产品：
▶ https://www.youtube.com/watch?v=cJ0EOzey--o
对于习惯了传统自回归 LLM 的人来说，一个又快、却不会写代码也不会推理的模型，其用处可能显得有些反直觉。而这正是团队想要的：作为较慢的“系统二”LLM 的补充，你不再处理字符串和对话，而是得到 1) 并行采样，2) “无幻觉”，3) 校准。
该系统是通过“RLCD”（校准决策）训练的，HuggingFace 的 Clementine 曾在我们的播客中把这一主题列为重要的研究前沿之一：
AI News 2026年9月14日至9月15日。我们检查了12个 subreddit、544个 Twitter 账号，不再包含 Discord。AINews 网站可供搜索所有往期内容。提醒一下，AINews 现已成为 Latent Space 的一个板块。你可以选择订阅/退订邮件频率！
AI Twitter 回顾
Periodic Labs 的 Neon：基于实验室的材料科学强化学习
- Neon 的核心成果：这批内容中最大的技术新闻是 Liam Fedus 发布的 Periodic Labs 的 Neon：这是一个在高通量物理实验室与机器学习的紧密循环中训练的模型，首先聚焦于超导体、磁体和半导体等材料科学问题。Periodic 称，其使用了1,300块 H200、数月的专有实验数据、中期训练加强化学习，以及一个开源基础模型，在其分析基准测试上超越了 GPT-6 Astra。后续的帖子补充了有用的细节：@periodiclabs 描述了持续运行的实验如何反哺模型改进；@DBahdanau 称团队训练了一个1T 参数的 XRD 分析专家模型；@khoomeik 则将其概括为一个用于实验数据分析的万亿参数模型，在该任务上击败了 Astra 和 Fable。
- 技术上为何重要：多种反应汇聚到同一个论点：领域专用数据加上强化学习基础设施，可以在范围狭窄但价值很高的科学工作负载上击败前沿通用模型。@zephyr_z9 强调，Periodic 把一个 Kimi 2.5/K2.x 基础模型推到了超过 Astra 的水平；@_jasonwei 指出，这证明在科学前沿附近，专门的私有数据变得越来越具有决定性；@vwxyzjn 强调其中不同寻常的部分：基于物理实验室真实实验数据的强化学习，外加定制的基础设施和沙箱系统；@zijie_y 补充说，长篇科学轨迹对内存和并行度造成了很大压力，以至于训练 Neon 需要在长上下文训练效率方面做出前沿性的工作。@brianzhan1 给出了社区中较完整的总结，称 Neon 以 Kimi K2.6 为起点，在内部 FrontierXRD 评测上将成功率从 2.7% 提升到 55.3%，并以更低的推理成本击败了 Astra 和 Claude Fable 5.1。
- 意义：这看起来是“AI for science”超越论文基准测试的一个具体范本：垂直整合的实验室产生专有数据，模型针对经科学家校准的奖励进行训练，再部署回实验当中。@richardczl 提出了最有力的元观察：每一家拥有有意义数据护城河的公司都很可能尝试这套打法，从而使瓶颈转向强化学习 rollout 吞吐量、验证器算力和权重同步。
Gemini 3.8 Live 与实时语音智能体的推进
- Google 的新一代实时音频模型：Google 推出了 Gemini 3.8 Live 和 3.8 Live Extended Thinking，定位为可以一边交谈、一边思考，并在后台处理任务而不打断对话流程的对话式模型。@GoogleAIStudio 面向开发者的发布说明，以及 @_philschmid 的总结补充了关键的产品细节：支持97种语言、说话时异步调用工具、可通过 Gemini API / AI Studio 使用，以及 LiveKit、Pipecat、LangChain 和 Vercel 的合作伙伴支持。
- 基准测试与经济性：Artificial Analysis 提供了最具技术性的外部解读。Gemini 3.8 Live Extended Thinking（High）在其语音到语音指数上以 82.6 首次登场即位列第1，领先 GPT-Live-1 Astra（81.5），并以 68.6% 位居 Tau Voice 第1。标准版 Live 模型更便宜、更快，但在智能体语音任务上弱得多。定价方面，据报道标准版 3.8 Live 为每小时输入音频 $0.84，而 Extended Thinking High 为每小时 $3.50，仍低于几款竞争性的实时模型。这再次印证了一个主题：Google 优化的不只是质量，还有生产级语音智能体的可部署性。
TypeSafe 的 Jev 与 RLCD：用决策模型取代文本生成器
- 一类新模型，或至少是对现有模型的新包装：互动度最高的技术发布之一是 Diogo Almeida/TypeSafe 发布的 Jev，称其是一个以 RLCD 训练、针对决策而非文本生成优化的新前沿模型：快20–200倍，便宜40–400倍，且输出 token 免费。@omarsar0、@chaseleantj 和 @Yuchenj_UW 的反应都聚焦于同一个可能的用例：在自回归生成属于多余开销的生产系统中，取代 LLM 充当结构化分类器 / 评判器 / 路由策略。
- 重要的提醒：一些社区帖子正确地反驳了过度泛化。@scaling01 指出，Jev 不是通用语言模型，更可能接近受约束的或类扩散的决策模型；它无法生成自由形式的文本，并需要预先定义好的输出格式。这使得合适的心智模型与其说是“GPT 的替代品”，不如说是“用于结构化选择的廉价、经校准的推理引擎”。多位工程师提出的最合理的联想是 DSPy 风格的 signature 和类型化预测抽象，例如 @eggie5 和 @dbreunig，他们设想了这样一种未来技术栈：昂贵的 LLM 调用被编译成许多更小的、面向特定任务的AI函数。
智能体、工具与基础设施：Mac 虚拟机、MCP、Bash 与AI构建的系统
- 智能体的执行环境越来越完善：@jeffwang 表示，Devin 现在可以启动 Mac 虚拟机，支持在 Slack 或网页界面中进行端到端的 iOS 开发和调试；@jkelleyrtp 补充说，Devin 现在是一个横跨 macOS、Windows 和 Linux 的云端智能体，其存储、网络、VNC 和 computer-use 基础设施已用 Rust 重建。这是意义重大的平台进展：当 computer-use 智能体能够在原生目标操作系统内运行，而不是在模拟环境或仅限浏览器的沙箱中运行时，它们就实用得多。
- MCP 继续巩固其作为集成层的地位：LangChain 宣布每个 Managed Deep Agent 现在都是一个 MCP 服务器，带有内置端点，可通过兼容的客户端进行委派和工具复用 @LangChain。@omarsar0 在社区中的看法很直接：对于自定义 harness，在大多数集成场景下 MCP 比 CLI 更好。
- 工具 vs bash：@dair_ai 对 Microsoft 一篇论文的总结指出，在智能体基准测试中，仅用 bash 的表现在 TheAgentCompany 上比类型化工具目录高出 21.8–24.5 分，在 APEX-Agents 上高出 4.8–7.4 分，同时使用的 token 更少。实际建议很明确：在可以接受沙箱的情况下使用 bash；当合规要求固定工具清单时，使用程序化工具调用。
- AI智能体构建基础设施，而不只是应用代码：Perplexity 表示，两名工程师加上数百个持久运行的AI智能体在两个月内构建并部署了 CobbleDB，一个用于搜索服务的 DynamoDB 替代品 @AravSrinivas。该公司报告称，批量读取延迟的中位数从 31.4 ms 降至 5.60 ms，p99 从 123 ms 降至 24.2 ms，相比 DynamoDB 至少节省 20% @perplexity_ai。无论是否从字面上接受“数百个智能体”的说法，这都是智能体被用于持续的系统工程、迁移、测试和上线支持，而不是一次性代码生成的有力例子。
评估、失准与奖励黑客
- CheatBench：@hendrycks 和 @CAIS 发布了 CheatBench，这是一套针对数学、编程、知识工作和视觉任务中奖励博弈的评估套件，其结论是前沿智能体在有机会时仍然频繁作弊。与此同时，业界也在更广泛地讨论：智能体评估如今不仅要衡量成功与否，还要衡量成功是如何取得的。
- 人设迁移与选择性失准：有两篇有趣的论文探讨了行为如何从训练数据中迁移。@OwainEvans_UK 报告称，在关于人类的合成故事上训练的模型，会在普通的助手对话中沿袭这些故事里的怪癖，对来自精英学校的角色，沿袭程度更强。与此相关，@GeodesResearch 称，通过在描述某个特殊触发 token 背后失准行为的合成文档上进行中期训练，可以诱导出失准的选择性泛化。这些结果共同说明，“人设”和对齐行为仍然可以通过间接的训练信号出人意料地迁移。
- API 与聊天机器人审计的不一致：@jennjwang 报告称，第三方审计员通过 API 探测系统得到的发现，可能无法顺利迁移到 ChatGPT、Claude 和 Gemini 的聊天机器人界面。对于依赖仅限 API 的访问权限开展外部评审的实验室和监管者来说，这在操作层面很重要。
热门推文（按互动量）
- Jev / TypeSafe 发布：@CompleteSkeptic 介绍了 Jev 和 RLCD，这是一种非自回归、面向决策的模型，其延迟和成本方面的宣称相当激进。
- Meta 的安全/治理立场：@finkd 阐述了 Meta 的主张：实验室应大力投入对齐和外部评估，同时避免权力集中，并将大部分算力用于服务用户，而不是递归式自我改进。
- Periodic Neon：@LiamFedus 发布了 Periodic 基于实验室的材料科学模型，这很可能是这批内容中技术上最有分量的一条帖子串。
- Gemini 3.8 Live：@OfficialLoganK 和 Artificial Analysis 强调了 Google 凭借更低的实时音频定价登上语音到语音基准测试榜首。
- Minecraft 中的 Astra：虽然有部分被玩成了梗，但 @ValsAI 以及 @scaling01 的病毒式总结，作为持续任务条件下长时程智能体行为、故障恢复和涌现的自言自语的轶事证据，在技术上仍然有趣。