月之暗面发布 PerceptionBench，将视觉感知从推理与知识中剥离，拆解为视觉关系、计数、属性、深度 3D、定位、细粒度识别、OCR、幻觉等 10 个原子技能域，从 1.7 万道内部验证题中公开发布 3000 题，60% 源自真实模型错误归因。结果：16 个前沿模型中最高准确率仅 59.7%（GPT-5.6 Sol），Kimi K3 58.5%、Claude Fable 5 紧随其后，无一突破 60%。核心发现是许多「推理错误」实际发生在图像读取阶段，基准与数据集已开放用于复现。
普林斯顿大学与英国 AI 安全研究所发表论文，设计「Shadow Evaluation」：让 AI Agent 接手两篇未发表 NeurIPS 2026 投稿的核心研究问题，由原论文作者以审稿人身份评估。Claude Opus 4.8（Extra-High Reasoning）获得 6 天时间、3000 美元 API 额度、GPU 预算与虚拟机，可调用子 Agent 与外部审查工具，运行于 OpenClaw 编排框架。结论：Agent 能完成研究工程环节，但在真正关键的科研环节系统性失败，与 Anthropic、OpenAI 宣传的「自主 AI 研究近在眼前」存在明显落差。
OpenAI 的 Computer History 功能正式取代此前依赖截屏的研究预览 Chronicle，改为通过 macOS 辅助功能系统记录点击、按键、快捷键与应用切换等交互事件，不采集截屏、录屏与麦克风，隐私浏览模式永不记录。事件周期性转为文本摘要，以 Markdown 记忆文件形式本地存储，ChatGPT 与 Codex 可将其作为上下文检索；检测到重复工作流时会建议生成可复用 Skill，并可让 Codex 打包成自动化模板。企业管理员与用户需双重授权，支持应用级 include/exclude 名单。
李飞飞创立的 World Labs 推出 Real-to-Sim-to-Real 仿真引擎（技术源自 7 月收购的 SceniX），将真实机器人任务连同传感器、环境与物理行为重建为可交互虚拟世界，再从单个任务生成数千个受控变体，覆盖光照、物体位置数量、摩擦系数与相机角度。策略完全在仿真中训练，迁移到真实硬件后在 ALOHA 双臂平台等 5 个平台上连续运行一小时。World Labs 认为机器人部署瓶颈不在模型架构而在经验量，生成式世界模型与任务导向仿真结合可将真实世界数据需求压缩数个量级。
彭博社援引 Hugging Face 8 月 14 日《开放模型现状》报告：过去六个月阿里千问系列在 HF Hub 下载量达 20.45 亿次（另有魔搭等平台合计破 30 亿），同期谷歌约 4.18 亿次、Meta 约 2.27 亿次；Qwen 衍生模型 151,448 个，是 Meta 的 2.6 倍、Llama 仓库的 4.7 倍。报告同时指出中国实验室开源模型参数上限（月均 7540 亿至 2.78 万亿）普遍高于美国同行（多数月份低于 1300 亿），178 个 20B 以上的中国模型中 59% 采用 Apache 2.0、无一附带非商业限制。GGUF 本地部署格式月下载 3960 万次，接近 Gemma 两倍。
新论文将企业AI采用决策类比为「公地悲剧」：每家裁掉初级岗位的公司都在个体层面获益，但整个行业的「认知公地」——由新人成长沉淀的专业能力——正被同步抽干。论文警告，当资深专家退休后无人接班，行业整体专业能力将不可逆下滑，律师、审计、软件工程等依赖学徒制的职业首当其冲。模型给出的建议是：企业须将节省的成本部分再投入人员培训，否则个体理性将合成集体非理性。
最新研究显示，AI生成书籍已占亚马逊自出版目录的20%，却只贡献12%的销售收入，中位销量远低于人类作者作品。研究分析了自出版平台的收入分配后发现：AI书籍的涌入压低了人类作者的单本书曝光与收入，尤其伤害中腰部作者。平台方开始要求披露AI生成比例，但执行仍依赖自觉。这为「AI内容过载」提供了首个大规模量化证据。
DoorDash 分享了从传统一次性预测架构迁移到 Agent 化推荐平台的实践：用语言原生的消费者记忆替代离散特征，商品目录经 RQ-VAE 压缩为语义 ID 表示，配合接地搜索（grounded search）让 Agent 在理解用户长期偏好的基础上做实时决策，相关性与转化率指标显著提升。该方案展示了大模型时代推荐系统「记忆 + 语义检索 + Agent 编排」的可行替代架构，适合有大规模目录与个性化需求的产品团队参考。
Cloudflare 在 Workers Traces 中新增 Agent 追踪：Agent 调用、模型调用、工具执行与人工审批各占一个 span，会话可逐轮回放。工程细节值得注意——官方文档明确追踪不保证无损、payload 可能截断，不同框架的 payload 记录默认值不一致，排查长链路 Agent 时需显式配置；自 2026 年 10 月 1 日起每个 span 计为一次计费事件，高频工具调用的 Agent 需评估追踪成本。对构建生产级 Agent 的团队，这是现成的调用链可观测性方案。
新论文提出 Dual-Flow Transformer 架构，将主 Prefill 路径与附加 Decode 计算解耦为双流结构，针对高并发推理场景下累计推理成本占比持续攀升的问题。随着模型服务请求量增长，Prefill 与 Decode 混合调度造成的资源争用已成为推理服务的主要瓶颈之一，双流设计允许两条路径独立优化与扩缩容。对自建推理服务的团队，这是继 PD 分离部署之后在架构层面进一步细分计算流的思路参考。
arXiv 2608.12368：业界常用「与人类判断一致率」作为对齐代理指标，本文指出其根本缺陷——LLM可以在结论上与人类一致，但道德根基（deontological vs consequentialist倾向）完全不同。通过大规模伦理困境实验发现：模型与人类的「同意」多来自表面模式匹配，而非共享的道德推理结构。对评测的启示：对齐评估须超越准确率，检验推理路径本身。