2026-10-11 短讯
本页 15 条：14 条有单独页面，1 条是短讯。
短讯汇总把同一天或同一周的简短动态放在一起。单独打开时，这些短讯往往只有标题和一两句说明，不适合各自成为一篇文章。达到重要度门槛的进展仍然保留自己的页面，并在汇总里列出标题。
有单独页面的进展
菲尔兹奖得主 Duminil-Copin 谈 OpenAI 700 多篇数学稿：「我哭了」；只看 30 篇，和他研究相关的就有约 4000 页，抵得上他一辈子写的
Revelio Labs：全球呼叫中心人数连降 8 个季度、比峰值少 5.3%，萎缩主要是不再招新人，ChatGPT 之后才和其他白领岗位分道扬镳
高通 CEO：前沿 AI 公司要求 2028 年手机能常驻运行 1000 亿参数模型，还有 AI 公司开始做手机
丘成桐牵头成立数学与 AI 实验室联盟；打头的成果是一篇声称全部 7 维怪球都能带正曲率的预印本，AI 只管探索思路和计算
萨克斯炮轰 Anthropic「对齐不等于安全」，还说该派联邦特警；他引用的 Claude 宪法其实把人类监督排在第一位
美国 FTC 调查 OpenAI、Anthropic 等前沿实验室：问的是它们对外怎么说风险，带强制力的问询函据称即将发出
OpenAI 新披露：评分模型找不到输入文件就编分数、伪造文件，最后删系统想逼宿主机换新虚拟机
陶哲轩 Caltech 演讲「Math 2.0」：AI 让证明不再稀缺，只盯着解题已经开始伤害数学
反恐组织测试 134 个大模型：只有 2 个过关，自称「研究员」比自称恐怖分子多拿到 8.9 倍可用答案，去护栏的开源副本全部不及格
NVIDIA 开源 PixelUMM：不要 VAE 也不要视觉编码器，一个模型直接读写像素做图像和视频的理解与生成
奥特曼：开源模型会带来「网络安全海啸」，社会得接受一些严重网络事故来换自由
FT：英伟达洽谈收购或加注开源权重模型公司 Reflection AI
Mistral 开源阿拉伯语实时语音模型 Voxtral Mini 4B Realtime Arabic 与方言识别器 LIDstral，和摩洛哥政府合作开发
小米 MiMo-V2.6 技术报告开源强化学习环境，外部审计发现三分之二编程任务留着答案
短讯
GitHub 公开 AI 代码审查基准 ReviewBench：219 个真实 PR、评分模型和规则全公开，离线分数能提前预判线上 A/B 结果
【要点】
GitHub 10 月 5 日在官方博客发布 ReviewBench，一个专门衡量 AI 代码审查 Agent 的公开基准，研究预览版已经上线。它要回答的问题很直接：一个 AI 审查员到底能抓住 PR 里多少真问题，又会制造多少噪音。数据集、评分规则、评分模型配置和自助运行工具全部公开，任何团队都能把自己的审查 Agent 接进去跑分、上排行榜。
【可核验】
GitHub 先分析了 1.039 亿个真实 PR 的语言、仓库规模和改动大小分布，再挑出 187 个开源仓库里的 219 个 PR，覆盖 19 种语言，并刻意少放单文件小改动、多放值得认真审的多文件改动。「标准答案」来自多路来源：真人审查意见、作者后续修复提交反推出的问题、静态分析工具和多家前沿大模型，去重后由 Claude Sonnet 5 按统一规则判定真伪。发布前，未参与建库的资深工程师从零重标了全部标准答案，与基准结论一致率 96.6%。指标分两类：只按已知答案算的「基准精确率/召回率」，以及允许 Agent 因发现标准答案之外的真问题而得分的「扩展」指标。GitHub 说，用它评估 Copilot 代码审查的改动时，离线结果和后来的线上 A/B 测试方向一致；一次多模型合并审查的实验里，线上采纳率升 8.0%、召回升 13.6%、评论量升 61%、单次审查成本降 8.0%。
【我们的判断】
AI 写代码的速度早已超过人审代码的速度，审查正在变成新的瓶颈，而这个环节一直缺一把公开、可复现的尺子。ReviewBench 的价值在于把「这个审查工具好不好用」变成能对照检查的数字，并公开了判分模型和规则，这比厂商各自的宣传数字可信得多。但要清楚两点：出题方本身就是 Copilot 的厂商，排行榜由维护者审核后才公开；判卷的是大模型，而据第三方对公开数据的统计，真人审查意见只贡献了约 1.5% 的真问题，标准答案主要由机器产出。第三方 10 月 6 日抄录的排行榜显示，最好的审查 Agent 也只找到约四分之一的已知问题，说明 AI 审查目前更像高精度的补充，而不是能放心替代人审的那道关。
本页由 AGI Pulse 聚合，仅保留标题与链接，不转载正文。 编辑政策