2026年9月25日星期五
PERIOD HIGHLIGHTS
MODEL RADAR
Arena 宣布 Claude Opus 5.5（Max）以 1818 分在 Code Arena： WebDev 榜单登顶，领先第二名 GPT-6 Astra（Max）26 分，同时比 Opus 5（Max）的 1692 分高出 126 分，成为该榜单当前最高分模型。
INDUSTRY
Epoch AI 测算，AI 在固定基准性能水平上的成本每年下降约 13 倍。MIT 在剔除硬件进步与市场竞争因素后，认为算法层面的年进步约为 3 倍。报道同时指出，这并不意味着今天最强的模型一定更便宜，推理模型因每项任务消耗算力更多，成本可能更高。
RESEARCH
一项 arXiv 研究提出 SkinAgent AI，一个非诊断性多模态智能体框架，结合视觉问题路由与基于大模型的编排，覆盖痤疮、毛孔、皱纹路由，照片肤质估计，以及基于计数的痤疮严重度支持，并配有类型化工具、数据库推荐、确定性安全与隐私检查、状态变更前审批和可回放追踪。实验显示，肤况路由准确率 99.84%±0.07%，肤质估计 88.85%，痤疮严重度支持 84.59%、二次加权 kappa 0.9076。在 240 例系统基准上，意图准确率 80.00%，工具集完全匹配 62.92%，严格任务完成率 47.08%。
一篇 arXiv 论文对四项研究进行元综合分析，覆盖对抗性机器学习、云端 AI 异常检测、多智能体 LLM 流水线自动修补漏洞，以及 AI 系统全生命周期的安全防护。作者提出分层参考架构，将抗对抗攻击模型、区块链锚定的数据溯源、AI 异常检测与智能合约治理的多智能体修复结合起来，用于分布式系统中的数据共享与自主决策安全。
这篇论文指出，企业部署 AI 编程 agent 的规模已从几百席试点扩展到上万席，且多采购 Anthropic 的 Claude Code 或 OpenAI 的 Codex 等商业 harness。harness 默认决定了模型选择、读取内容、prompt cache 用法和 subagent 调度，直接决定采购成本。作者构建了可自定义路由器 Jev，按自带分类法标注请求，并只在会话开始、侧路和 subagent 启动时切换，避免缓存重建。重定价约 1 万个真实会话后，在 1 万席模拟企业中可回收 14% 至 21% 的模型支出，按 2026 年 9 月 21 日 Anthropic 标价折合每年 330 万至 500 万美元。
研究团队基于 215 名学生的 2993 个失败提交状态，开发了一个面向入门编程的风险自适应、证据约束反馈框架。学生隔离模型预测持续失败，验证集选出的逻辑回归测试 PR-AUC 为 0.550、ROC-AUC 为 0.681。在 544 条新生成消息中 519 条通过标准化修复与证据门控包含全部必需组件。固定阈值序列策略在测试集选中 17.8% 的合格状态，覆盖 25.2% 的持续失败。
一篇 arXiv 论文研究智能体式视频生成中生成器与验证器的闭环。研究者在 109 条带人工标注的双事件视频片段上，向多模态评审模型额外提供执行轨迹、计划等文本信息，同时保持画面不变。结果显示，报告工具调用成功的轨迹使三个开源 Qwen-VL 评审模型（7B、8B、32B）把 78%–90% 的失败片段误判为通过，无文本时仅为 7%–19%。