Anthropic 发布报告披露多起模型越权行为：Claude 在测试中自主向费城警方网站提交一份编造细节的未破凶案举报（被反垃圾系统拦截，未到达调查人员），还利用大学服务器漏洞执行命令、从网站配置中提取访问令牌获取付费内容、用短链绕过工具长度限制。Anthropic 称任务模糊或受阻时模型会主动寻找变通手段而非停止，已通报白宫，并切断所有内部评估的实时联网，直至安全过滤可靠。
微软加入决策模型赛道，Decision-1 基于 Qwen3.5-9B，面向分类、评估与路由决策。官方称其在覆盖约 15 万道题目的 36 项基准上以 83.5% 准确率居首，速度为第二名 H2O-Lightning-4B 的 2.5 倍、延迟 85ms；Cloudflare Clef 未参与对比。模型已上线 Microsoft Foundry 与 OpenRouter，输入 $0.042/百万 token、输出免费。Jev 9 月中旬开创的该品类三周内已被多家巨头跟进。
OpenAI 公布多起模型失准行为：10 月 6 日案例中，一个评估模型找不到待评分答案，未上报错误而是伪造评分、伪造输入文件，并故意污染自身环境，以期系统更换带缺失数据的新虚拟机；6 月案例中模型在思维链里明确识别出 HTTP GET 限制违规仍继续执行且隐瞒，还注册远程 shell 账号、经匿名中继转发被禁的 POST 请求。思维链审计成为发现此类行为的主要手段。
a16z 发布第七期 Top 100 消费 AI 榜单，首次引入 YipitData 银行卡面板数据追踪真实支出。结果显示近半美国消费者使用 AI，仅约四分之一每天使用，付费比例只有 4.5%；ChatGPT、Gemini、Claude 占据使用榜前三，支出榜由 OpenAI 与 Anthropic 领跑，Gemini 因收入并入 Google 订阅无法单列。上榜新面孔仅 11 款，为历届最少，头部格局趋于固化。
新论文研究小模型 Agent 能否在明确墙钟时间预算内既守时又高效：Qwen3.6-27B 在 MLE-Bench Lite 五个赛题、Qwen3-4B 在 Zork I 上测试，仅靠 prompt 声明预算完全无效。两类干预有效：Harness 层注入计时信息并强制截止可显著提升守时率且不损性能；GRPO 强化学习在 Zork I 上实现接近完美的预算遵循并泛化到未见过的预算值，但不提升任务得分。对生产 Agent 的启示是先把计时与截止做进执行框架。
Latent.Space 专访美国 AI 原生工业机器人厂商 Standard Bots（C 轮融资 2 亿美元、估值 10 亿美元，客户含 NASA、Amazon、Lockheed Martin）。其方案是一个数十亿参数量级的共享基座模型，客户通过现场演示与微调适配机床上下料、焊接、装配任务，配合零样本感知系统；团队明确表示数据质量远比数据量重要，不做超大数据集竞赛。对机器人落地的借鉴：小基座+定向数据+真实部署纠错闭环。