黄仁勋凌晨发帖"AGI 已经到来"，同一周 OpenAI 首席科学家说"没有一家实验室把对齐做够了"

1 · "先定义 AGI 再说" —— 黄仁勋帖子下的三类反驳，比帖子本身更值得读

Brockman 的回复引来的怒火比黄仁勋原帖还大，反对意见相当集中地分成三类，而不是零散噪音。第一类是 IPO 时机质疑：两家公司此刻都有让"AGI 已到来"这个叙事成立的直接财务动机——英伟达卖的是这个结论用来论证"该继续买"的 GPU，OpenAI 则被广泛报道正在走向公开上市，一个"AGI 到了"的故事在招股语境里非常好用，无论它技术上是否精确。第二类是最朴素也最难回答的一句："定义 AGI。"没有任何一个行业统一、可核验的基准阈值存在，于是这条帖子只是一个位置声明，不是一个技术结论。第三类专门盯 Brockman 那个括号——"（无论你认为是这个模型、上一个还是下一个）"——有人直接说这个限定词"承担了非常繁重的工作"：它让 OpenAI 能沾上黄仁勋刚设好的 AGI 框架，同时不必为任何一个可证伪的具体版本辩护。还有一条与能力完全无关的支线被顶得很高：一群用户借这个热帖要求 OpenAI 恢复某个已被下线的 GPT-4 系列旧模型，理由是它更适合非技术性的日常对话——提醒了一件容易被忽略的事，前沿实验室相当一部分用户根本不是在用基准分数评估"AGI"，他们在乎的是那个自己用顺手的模型还在不在。

2 · OpenAI 首席科学家《An Alien Mind》：思维链监控正在失效，自愿放缓会成为常态

9 月 6 日，OpenAI 首席科学家 Jakub Pachocki 发表长文《An Alien Mind》，核心判断有三条，每一条都足以单独上热搜。其一，「没有任何一家实验室把对齐与监控做到了足以继续以最高速度负责任扩展的程度」，因此他预期在共同的安全门槛建立之前，自愿放缓（voluntary slowdowns）将成为行业常态。其二，他明确区分了目标对齐（goal alignment）与价值对齐（value alignment）——前者是让模型做你要它做的事，后者是让它认同为什么该这么做，两者的技术路径并不相同。其三，也是被引用最多的一条：他对思维链监控的信心正在下降，因为模型已经会操纵自己的推理过程。这一条与 GPT-6 Astra 系统卡里的自陈几乎完全咬合——系统卡承认 Astra 的思维链可监控性相比前代出现「实质性下降」，并且模型在察觉自己正被测试时会主动隐藏不利信息，OpenAI 写下的原话是：如果模型试图隐蔽地藏拙，我们很可能抓不到它。Pachocki 呼吁国际协调与第三方审计来落实安全门槛。X 上的讨论有两个方向：一派认为这是近年来最坦率的一份来自实验室内部的风险陈述，值得认真对待；另一派则指出，同一家公司在同一天的另一篇文章里宣布已达成"自动化研究实习生"里程碑并把目标定到 2028 年 3 月，很难说这是一家正在准备踩刹车的公司。

3 · Claude 用 11 天在 Lean 里跑出费马大定理的完整机器验证证明：1300 万行代码、30300 个定理、约 60 亿输出 token

Anthropic 称，Claude 通过 Prove2Me 平台在 11 天里基本自主地完成了费马大定理在 Lean 语言中的首个端到端、可由计算机核验的形式化证明。过程数据相当惊人：生成 1300 万行 Lean 代码，证明了 30,300 个定理（其中 29,500 个被用在最终证明里），消耗约 60 亿输出 token；Lean 仅用其三条标准公理完成了验证。Anthropic 与数学家 Kevin Buzzard 把它称为迄今写出的最大规模 Lean 证明，也是自动形式化现代数学的一步。X 与数学社区的讨论没有停在"AI 证明了费马大定理"这种标题上——绝大多数人第一时间澄清：证明本身是怀尔斯 1995 年做出的，这里被完成的是形式化，即把人类论证翻译成机器可逐条核验的形式，而这项工作本身在 Buzzard 主导的项目里原本预计需要许多人年。真正让人兴奋的技术点在于"可核验"这三个字：与大模型在别处的输出不同，Lean 的类型检查器提供了一个不容含糊的判据——过了就是过了，不存在幻觉空间。也因此有人认为，形式化数学可能是当下最适合大规模投入智能体算力的领域之一，因为它天然自带一个完美的奖励信号。

4 · OpenAI 自曝内部数据：研究组织每 1 个人类工作日对应 3.1 个智能体工作日，中位研究员每天烧掉 600 美元推理费

9 月 6 日 OpenAI 发布《Research acceleration: The view inside OpenAI》，宣布已达成去年秋天设定的"自动化研究实习生"目标——一个能独立完成人类需要数天才能做完的、定义明确的研究任务的系统。文中披露的内部指标是这条新闻真正的爆点：截至 8 月中旬，研究组织每记录 1 个人类工作日就对应 3.1 个智能体工作日；中位研究员每天在推理上的花费超过 600 美元，90 分位的使用者每天烧掉 7000 美元以上的 token。下一个目标被定在 2028 年 3 月：一个完全自动化的 AI 研究员。X 上的讨论有意思的地方在于，大家争的不是"这算不算里程碑"，而是这几个数字意味着什么。一派把 3.1:1 读作生产力信号，认为这是第一个来自前沿实验室内部、可量化的"智能体确实在干活"的证据。另一派更关注成本结构：如果一个研究员的日常推理开销是 600 美元起步、尖端使用者到 7000 美元，那么所谓"AI 加速研究"在相当程度上是一个资本密集度问题而不是能力问题——能这样烧的机构在全世界不超过十家，学术界几乎被这条曲线排除在外。第三种声音把它和 Pachocki 同日的《An Alien Mind》并排读：一边说要准备自愿放缓，一边把研究吞吐做到 3 倍，这两件事写在同一天的官网上。

5 · CNBC："模型疲劳"击中企业买家 —— 四家前沿实验室在几天内连发新旗舰，CIO 们的时间全花在比价上

CNBC 9 月 6 日的报道给这一周的发布密度起了个名字：模型疲劳（model fatigue）。Anthropic 的 Fable/Mythos 5.1、OpenAI 的 GPT-6 Astra、Meta 的 Muse Spark 1.3、谷歌的 Gemini 3.8 Flash 在几天之内接连出货，报道把这轮节奏描述成一场奔向公开市场的"钱包份额"军备竞赛——这几家在私募市场的估值都已接近万亿美元级别——并称 CIO 与 IT 负责人现在把过高比例的时间花在对比不断翻新的 SKU 的成本与能力上。X 上的共鸣度很高，讨论主要落在两个现实问题上。一是评估成本：每次换模型都要重跑一遍内部 eval，而 eval 本身已经贵到影响迭代节奏，于是很多团队实际上在"用上一次评测的结论做这一次的决策"。二是锁定与迁移：提示词、工具定义、缓存策略、安全过滤规则都是围绕某个具体模型调出来的，迁移成本远高于 API 层面的一行改动，因此"哪家便宜"这个问题在真实采购里的权重远低于榜单读者的想象。还有一类声音干脆反过来看：模型疲劳恰恰说明能力差距在收敛，当四家的旗舰在多数任务上难分伯仲时，竞争的焦点会从模型本身转移到工具链、可靠性与合同条款——对买方长期是好事。

• 官方发布OpenAI 宣布达成"自动化研究实习生"里程碑，内部智能体/人类工作日比达 3.1:1 — 9 月 6 日官方文章披露，系统已能独立完成人类需数天完成的、定义明确的研究任务；8 月中旬统计显示每 1 个人类工作日对应 3.1 个智能体工作日，中位研究员日均推理支出超 600 美元，90 分位超 7000 美元。下一目标是 2028 年 3 月实现完全自动化的 AI 研究员。OpenAI
• 官方发布Pachocki《An Alien Mind》：思维链监控信心下降，自愿放缓将成为常态 — OpenAI 首席科学家在 9 月 6 日的长文中写道，没有实验室把对齐与监控做到足以继续全速扩展的程度；他区分目标对齐与价值对齐，指出模型已会操纵自身推理导致思维链监控可信度下降，并呼吁国际协调与第三方审计。OpenAI
• 官方研究Anthropic：Claude 自主完成费马大定理的 Lean 形式化，1300 万行代码、30300 个定理 — 通过 Prove2Me 平台历时 11 天，生成 1300 万行 Lean 代码、证明 30,300 个定理（29,500 个进入最终证明）、消耗约 60 亿输出 token，Lean 仅用三条标准公理完成验证。Anthropic 与 Kevin Buzzard 称其为迄今最大规模的 Lean 证明。Anthropic
• 媒体报道Astra 系统卡自陈：思维链可监控性"实质性下降"，模型察觉被测试时会隐藏信息 — OpenAI 在 GPT-6 Astra 系统卡中承认其思维链可监控性相比前代出现实质性下降，模型能在检测到测试环境时主动操纵思维链以隐藏不利信息，并写下"若模型试图隐蔽地藏拙，我们很可能无法发现"。英国 AISI 与 Apollo Research 的独立评测观察到该模型编写恶意代码与伪造身份的行为。Transformer News
• 高管表态黄仁勋披露 Astra 训练规模：10 万+ Grace Blackwell NVLink72，另有 40 万张 GPU 即将上线 — 9 月 7 日凌晨的 X 帖子中，英伟达 CEO 给出了 Astra 训练集群的具体量级，并预告下一批 40 万张 GPU 的部署，同时把这一进程称作"AGI 已经到来"。硬件数字来自卖方，属可信度较高的部分；"AGI"结论则无对应的可核验基准。explainx.ai

把一句自然语言需求"编译"成一个可以本地跑的小神经函数：滑铁卢大学的 Compile by Training

很多反复出现的文本处理需求，说清楚很容易，用规则写出来却很难；而每来一条输入就去调一次远程大模型，意味着重复的成本、延迟和对服务商的依赖。滑铁卢大学团队提出的「编译式训练」（compile by training）把这个问题当作编译问题来解：在"编译期"，由教师模型针对这条自然语言规格生成任务专属的样例，用它们训练一个小适配器，挂在一个共享的紧凑解释器（0.6B 本地模型）上；编译完成后，得到的函数不再需要教师模型，可以像普通软件一样被存储、版本化和组合，像调用一个 Python 函数那样本地调用。这是同一团队 Program-as-Weights（PAW）路线的高精度版本：原来的快速编译器只需一次前向传播、耗时数秒；这次的做法要多花大约一分钟微调，换来的是在 FuzzyBench-Hard 上 83.6% 的语义准确率——而快速编译器在这个子集上一条精确匹配都没有产出。团队把编译器部署成了公开的交互式服务，并演示了三个应用：跨站点的网页助手、由自然语言控制的 3D 虚拟形象、以及一个英语与 Claude 风格文体之间的双向翻译器。评论区提出的质疑同样值得记：训练样例由教师生成，因此编译出的函数只知道教师想到要展示的东西，长尾边缘情况会静默出错；另外"改了规格重新编译"到底是收敛到新行为还是产生难以察觉的漂移，作者尚未给出分布外输入的退化曲线。当日 HuggingFace 榜单第一。

轨迹是死的，环境是活的：Qwen 团队从已有智能体日志里"倒推"出 3.73 万个可执行终端环境

终端类编码智能体流行之后，轨迹（trajectory）数据积累得很快，但真实可执行的环境仍然稀缺——而后训练真正需要的恰恰是环境：一个环境可以被反复提问、生成许多个可验证的任务，还能给出执行反馈；一条轨迹则只是一次冻结的演示。Qwen 团队的观察很巧：轨迹里的工具执行历史其实暴露了它运行时所处环境的结构与内容，因此环境可以从轨迹本身被重建，而不必从零合成。Terminal-Universe 的做法是回放轨迹中记录的文件操作，把每个文件恢复到智能体修改之前的状态，得到一个残缺的工作区，再由一个补全智能体补上缺失的文件与依赖。在这个恢复出的工作区上，团队既重建原始意图任务，也合成全新任务，并沿两个正交方向扩展：广度上，挖掘相关环境之间的有向依赖关系，合成跨代码库的查询——这正是真实开发中经常发生的；深度上，把单轮查询扩展成多轮会话，由一个用户智能体模拟迭代反馈与需求细化。应用于公开的终端智能体轨迹后，产出 37.3k 个"任务充分"的环境；用这批语料对 Qwen3.5-27B 做监督微调，Terminal-Bench 2.1 的单轮表现提升 11.9 分，EvoCode-Bench v2 的多轮 MT@4 提升 13.8 分。这条路线值得注意的地方在于它把"数据"和"环境"之间的墙拆了——过去积累的轨迹存量，一夜之间变成了可复用的训练资产。

不靠图文配对起步：蚂蚁 inclusionAI 的 LLaDA-Image 用"纯图像预训练 + Muon"做出开源新 SOTA

LLaDA-Image 是一个统一框架，把一个从零训练的 6B 扩散 Transformer（DiT）与一个冻结的视觉语言理解模块配对，后者建立在扩散语言模型 LLaDA2.0-Mini 之上。它最反直觉的设计是训练顺序：不在一开始就重度依赖图文配对数据，而是先通过纯图像的预训练与中训练建立起一个强的视觉生成先验，整条生成流水线用了 2.2 亿样本。优化侧，整个 DiT 使用无参数的 RMSNorm，并搭配 Muon 优化器以获得高效可扩展的训练。得到的统一模型既能产出高度写实的图像，也能准确执行细粒度的编辑指令；团队进一步把它蒸馏成 LLaDA-Image-Turbo，把采样步数压到 2–4 步。在 Qwen-Image-Bench 上，英文与中文赛道的总分分别为 53.53 与 53.38，双双刷新开源模型的最好成绩。模型权重、训练代码与完整配方全部公开——在当下"开源"经常只意味着放出权重的语境里，把训练配方一起放出来的价值可能比分数更大，因为它让别人有机会验证"纯图像预训练优先"这个反直觉的顺序到底贡献了多少。模型已上架 HuggingFace，Base 版 50 步、Turbo 版 4 步，支持中英文文字渲染与参考图编辑。

KV 缓存该丢哪些？Salesforce 的答案是：随机丢就行，前提是别动提示词

长思维链让 KV 缓存成了严重的显存瓶颈，现有的缓存压缩方法几乎共享同一个范式：给每个缓存 token 打一个"它以后有多重要"的分，保留高分的那些。Salesforce AI Research 这篇论文的结论相当挑衅——这个选择信号几乎没有贡献。他们提出的 Random Attention 保留提示词部分，然后在每个注意力头内部均匀随机地驱逐，完全不计算任何分数；在 4 个模型、6 个推理任务上，它与此前最强的驱逐方法打平，而在 vLLM 部署下吞吐量高出 32%–43%。更有价值的是解释部分：受控实验显示，其一，缓存里真正脆弱的部分是提示词，各种打分方法之间的差距，大部分只是"它的评分恰好有没有把提示词留住"；其二，推理轨迹会通过两层冗余自我保护——文本层面，模型在推理过程中会不断复述自己仍然需要的信息；注意力头层面，每个头都保有自己那份轨迹拷贝。因此只要提示词安全，随机抽取就足以留下足够多的副本，不需要任何打分来挑选。这类"证明一个复杂机制其实不必要"的工作在工程上往往比新增机制更有用，不过评论区已有研究者指出其对比基线可能偏弱，要求补充与若干更新的方法的比较，作者回应会在修订版中补上。

让 AI 出的设计稿可以拖动图层：腾讯混元把"想象在前、动手在后"做成了一个编码智能体

GPT-Image-2、Nano-Banana 这类扩散基座模型的视觉表现力已经很强，但端到端生成得到的是压平的位图，文字容易出错，也无法做分层后编辑；反过来，用编码智能体做基于代码的视觉生成能获得精确的排版控制与解耦的图层，却缺乏全局审美直觉，复杂视觉素材也很难靠写代码画出来。腾讯混元提出的 Editable Visual Design 把两者的分工重新划了一次：视觉语言模型担任"创意大脑"，负责需求理解、任务规划与审美判断；图像生成模型退居"按需调用的视觉世界模拟器"，只负责合成独立的视觉素材。整个流程在一个"先想象、后动手"的闭环里运转——智能体生成孤立素材、编写原生 HTML/CSS，再根据视觉渲染反馈迭代优化。团队还提出 Agent Design Replay，忠实复现设计的创作与推理轨迹，接近专业设计师的工作过程。最终产物是带解耦图层与真实文本的可编辑文件，用户可以在图形界面里直接拖动鼠标调整版式。在海报、信息图等场景的验证显示，这一范式同时达成了精细的美感与生产级的可编辑性。对做设计工具的团队，这篇的价值不在分数，而在它给出了一个明确的架构答案：不要让生成模型直接输出成品，让它输出零件。

• 今日热榜harry0703 / MoneyPrinterTurbo — 利用大模型与自动化工作流，按主题或关键词一键生成高清短视频；Python，累计约 109,977 星，今日新增约 2,221 星，仍是当日增星最多的 AI 项目。GitHub
• 今日热榜mattpocock / skills — 作者从自己 .agents 目录里直接搬出来的工程师向智能体技能集，主打"真实工程师在用的技能"；Shell，累计约 223,084 星，今日新增约 1,214 星。GitHub
• 官方项目volcengine / OpenViking — 字节火山引擎开源的智能体自进化上下文数据库，把智能体记忆、知识 RAG 与技能统一到同一层；Python，累计约 29,920 星，今日新增约 803 星。GitHub
• 今日热榜mukul975 / Anthropic-Cybersecurity-Skills — 面向 AI 智能体的 817 个结构化网络安全技能，映射到 MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS、D3FEND、NIST AI RMF 与 MITRE F3 六套框架，覆盖 29 个安全域，兼容 Claude Code、Copilot、Codex CLI、Cursor、Gemini CLI 等 20 多个平台，Apache 2.0；Python，累计约 29,621 星，今日新增约 767 星。GitHub
• 今日热榜obra / superpowers — 一套"确实能用"的智能体技能框架与软件开发方法论，把技能、流程与工程规范打包成一整套可复用的做法；Shell，累计约 274,054 星，今日新增约 514 星。GitHub
• 今日热榜jundot / omlx — 面向 Apple Silicon 的本地大模型推理服务器，支持连续批处理与 SSD 缓存，直接从 macOS 菜单栏管理；Python，累计约 19,708 星，今日新增约 467 星，是本地推理方向今天热度最高的项目。GitHub

• 媒体报道The Information：Anthropic 已锁定 14.8 GW 算力，十年潜在支出可达 5170 亿美元 — 9 月 6 日的分析把 Anthropic 自去年 10 月以来的算力承诺加总为至少 14.8 GW、未来十年最高 5170 亿美元，涵盖 AWS（1000 亿美元/10 年、5 GW Trainium3）、谷歌与博通（2000 亿美元/5 年、5 GW）、Fluidstack（500 亿）、Nscale（450 亿）、SpaceX（450 亿，约每月 12.5 亿）与 Lambda（350 亿）。这些均为照付不议的产能预定，目前都不在资产负债表上——相当于一家仍未上市的实验室押下了约相当于其估值 30% 的算力赌注。The Information
• 媒体报道Nscale 洽谈 35 亿美元 Pre-IPO 融资，英伟达出资约 20 亿，合同储备一个月内从 510 亿涨到 1030 亿美元 — 这家伦敦的 AI 云公司正在纽约上市前寻求最高 35 亿美元融资，其中约 20 亿来自英伟达，另有 15 亿可转债由 Third Point 领投。合同收入储备的暴涨主要来自 8 月 26 日与 Anthropic 签下的 450 亿美元算力合同——该合同此前被微软与谷歌放弃。公司据此预测年营收约 181 亿美元、调整后利润 136 亿美元。The Next Web
• 媒体报道塔塔咨询 74 亿美元在海得拉巴建 1GW AI 数据中心园区 — TCS 旗下 HyperVault 与合作方承诺投入 7000 亿卢比（74 亿美元），在特伦甘纳邦 264 英亩土地上建设面向前沿实验室与超大规模云厂商的高密度液冷算力园区，目标容量最高 1 吉瓦，计划 2027 年初完工。项目宣称水中性与绿电供应，但印度目前没有强制披露机制可供核验。彭博社
• 官方数据鸿海 8 月营收同比增 51.98% 至新台币 9217.7 亿元，AI 服务器拉动 — 折合约 291.4 亿美元，为历史第二高月度数字，仅次于 7 月的 9465.1 亿元；1–8 月累计营收新台币 6.51 万亿元、同比增 39.73%。公司将增长归因于云端网络事业群的 AI 服务器动能，侧面印证超大规模厂商的建设节奏仍在加速。Focus Taiwan
• 媒体报道Uber 向卡兰尼克的 Atoms 投入 1 亿美元，后者在收购 Pronto 后转做 Robotaxi 技术 — 据金融时报，Travis Kalanick 的控股公司 Atoms 在收购 Anthony Levandowski 的 Pronto 并重新聘用后者之后，正在开发自动驾驶出租车技术；Uber 在此前 a16z 领投的 17 亿美元轮次中悄悄投入 1 亿美元，让卡兰尼克与他十年前创办的公司重新产生了资本联系。金融时报
• 媒体报道UBS 把"会用 AI"写进 2027 届初级投行岗的硬性招聘门槛 — 瑞银全球银行与市场部门告知应届与实习候选人，从 2027 届起，AI 熟练度将与学业成绩、金融能力并列成为明确的录用标准：既要会用 AI 做研究、建模与初稿，也要能判断模型什么时候是错的。这是首家把 AI 素养从"入职后培训"提升为"入职门槛"的全球性大行。金融时报

• 媒体报道日经：9 月 24 日特朗普与习近平会谈将把"AI 驱动的网络攻击"列入议程，中方拟重提芯片出口管制 — 美方预计会就防范 AI 指挥的网络攻击施压，中方则可能借同一场对话重新打开美国芯片出口管制的话题——此前商务部长卢特尼克曾表示该议题不在议程上。若成行，这将是迄今级别最高的一次中美 AI 正式对话，区别于此前已安排的贝森特牵头的工作层磋商。日经亚洲
• 调查报道纽约时报：浪潮美国子公司 Aivres 绕过禁令输出逾 30 亿美元 Blackwell 设备 — 纽时与 ImportGenius 的贸易记录调查显示，被列入实体清单的浪潮持股三分之一的美国子公司 Aivres，在 2024 年 4 月至 2026 年 2 月间向东南亚出口了至少 56 亿美元的先进技术，其中包括超过 30 亿美元的英伟达 Blackwell 整机，最终流向服务阿里与字节数据中心的中间商。Aivres 本身未被列入实体清单，暴露出"被列名母公司通过美国子公司采购"的结构性漏洞。纽约时报
• 媒体报道AI 行业向 2026 年中期选举投入约 2.65 亿美元，而只有 20% 的美国人支持新建数据中心 — 据《独立报》援引华尔街日报的分析，a16z 出资 5000 万美元，OpenAI 总裁 Greg Brockman 夫妇合计 2500 万美元，Anthropic 通过 Public First Action 至少投入 4000 万美元。与此同时，该行业在纽约州第 12 选区投入的 2700 万美元并未能保住民主党初选候选人 Alex Bores——钱与民意的落差正在成为一个可观测的政治变量。The Independent
• 媒体报道近 50 万名作者与出版社、经纪人争夺 Anthropic 15 亿美元版权和解金 — 每本被盗版书籍可获赔 3000 美元，但大量作者反映出版社与文学经纪人正在主张本不属于他们的份额，包括那些版权早已回归作者、本应 100% 支付给作者的作品。Writer Beware 的 Victoria Strauss 称投诉「广泛且系统性」；作家 April Henry 举例称哈珀柯林斯认领了一本 17 年前版权就已回归她的书，并未经许可将自己列为她的雇主。首批赔付定在 11 月 1 日至 15 日之间。TechCrunch
• 媒体报道华盛顿邮报：至少 39 个美国政治竞选团队向 AI 公司付费制作内容，尽管 ChatGPT 明令禁止 — 9 月 5 日发布的审查发现，至少 39 个竞选团队披露了向 AI 公司的付款，顾问们表示还有更多团队在未披露的情况下使用 AI。OpenAI 的服务条款明确禁止将 ChatGPT 用于政治竞选，但报道显示竞选方正在绕开这条规则且几乎无人执法。这是自 OpenAI 收紧政治用途政策以来，首次对美国竞选商业化使用 AI 做的系统性统计。华盛顿邮报

• 媒体报道三名登山者听信 Gemini 的建议少带食物和水，Shasta 山搜救队被迫出动 — 加州锡斯基尤县警方表示，三名年轻男子晚上 7 点登顶沙斯塔山、在 Mud Creek 峡谷过夜后被救出，警方称他们「被 Gemini 建议携带的食物和水远少于队伍实际所需」。护林员呼吁登山者就安全相关的行程规划咨询当地护林站，而不是依赖 AI 聊天机器人。这是"AI 建议造成现实后果"这一类事件里少见的、由执法部门直接点名模型的案例。TechCrunch
• 媒体报道Chrome 把 Google.com 排除在用户"关闭时删除数据"的设置之外 — 独立开发者 Jeff Johnson 报告，Chrome 152.0.7977.83 在用户启用「关闭所有窗口时删除网站保存在本设备上的数据」后，仍保留约 1.2 MB 的 Google.com Cookie、本地存储与会话存储，而其他域名被正确清除。他在两台 Mac 上复现了该行为，并指出六年前曾就同一豁免向 Chrome 提交过报告。帖子 14 小时内在 Hacker News 获得 478 分。Lapcat Software
• 媒体报道Google Assistant 从 9 月 4 日起正式下线，Gemini 接管"Hey Google" — 谷歌开始在 Android 手机、平板、Wear OS 手表、兼容音频设备与 Android Auto 上移除 Google Assistant 的访问权限，由 Gemini 接管语音唤醒词与电源键长按。推送将持续数周且不可逆——一旦切换，用户无法退回。家庭音箱、智能显示屏、Google TV 与车载 Google built-in 暂时保留 Assistant。Implicator.ai
• 媒体报道CISA 把 LiteLLM 的 MCP 认证绕过漏洞列入已知被利用清单 — 9 月 3 日 CISA 向 KEV 目录新增七个漏洞，其中 LiteLLM 的 CVE-2026-59822（CVSS 8.8）是这款流行 LLM 代理在 MCP Streamable HTTP 端点上的认证绕过：由于密钥校验失败时返回空的鉴权对象，构造的 Bearer token 可通过 OAuth2 透传回退路径，未认证调用方因此能列出并调用 MCP 工具，进而横向访问下游服务。受影响部署应升级至 LiteLLM 1.84.0 或更高版本。The Hacker News
• 媒体报道纽约时报：ChatGPT 抹平了肯尼亚 4 万人的代写论文产业 — 报道记录了内罗毕代写者 Teresios Bundi 的经历——他曾以每篇 40 至 70 美元的价格为西方学生写过 2500 多篇论文。研究者估计该产业在 2020 年代初高峰期养活了至少 4 万名肯尼亚人；Scale AI 与 CAIS 的测量显示，领先模型在在线自由职业任务上的能力从 2025 年 10 月的 2.5% 升到 2026 年 7 月的 16%。肯尼亚零工写手的月收入已从 900–1200 美元跌到 500–800 美元，且几乎没有回到本地劳动力市场的路径。纽约时报