01Reasonable 公开 TLA+→Verus 流水线：16,459 条时序规格自动生成 3,000+ 机器校验证明

起因是 Boris Cherny（Claude Code 作者）上周的一条推文：用 Opus 5.5 把 Claude Agent SDK 的部分逻辑建模成 TLA+ 和 Lean，约 100 万浏览、数千收藏，一个问世 30 多年的形式化工具一夜翻红。Ferenc Huszár 参与的 Reasonable 团队随即发出这篇入门+进展文，顺带交出自己的作业：一条把 TLA+ 规格翻译成 Verus 证明的流水线，输入 16,459 对真实世界的 TLA+ 规格/性质对，产出超过 3,000 个机器校验的安全性与活性证明，外加一个 40 任务的评测集。

流水线设计有防作弊环节：一个 agent 写证明、另一个 agent 审查，独立的 gatekeeper 检查两者是否偷改规格或塞进 assume(false) 这类捷径。文章同时把边界说清楚——TLC 模型检查器只能探索有限实例（3 台计算机 38 个状态，9 台就超过一百万），TLA+ 检查的是模型不是实现，真正补上"规格-实现鸿沟"要靠 refinement 证明，这正是他们基于 Anvil 的方向。文中还给出协议搜索的想象：验证器直接当目标函数用，生成协议变体、验证、留下合格的，像 AlphaEvolve，只是正确性由形式化证明而非测试估计。

原文：reasonable.io/blog/tla-tutorial

02复旦团队复盘 744B 模型开发：agent 干了更多活，人做了 85.5% 的决定

复旦大学参与的研究团队把自己造模型的过程当成了研究对象：开发 agentic 语言模型 Atria Dawn Preview（MoE 架构、744B 参数），随后分析 700 多份任务日志、56 名参与者。AI 参与了 96.5% 的任务；四周里"每次人类输入对应的 agent 动作数"中位数从 11 涨到 28.5——但团队提醒这不等于 agent 变自主了，只是每个决定撬动更多 agent 步骤。455 个完成的 AI 辅助任务里，151 个（约三分之一）被参与者评为"没有 AI 根本不会去做"，且分散在 56 人中的 27 人身上，不是少数重度用户的贡献。

决策归属的数据更硬：方法与参数类决定，人类拍板 85.5%，AI 只有 9.2%；最常见的模式是"AI 提案、人选"（55.4%）；目标与范围人类定 93.4%——即便在那 151 个没有 AI 就不会存在的任务里，目标仍由人定 95.4%。出问题时，76% 靠人类干预推进、23% agent 自愈；人的介入绝大多数是给上下文（35.2%）或诊断换方法（34.7%），亲手改代码只占 3.2%，全程接管 0.7%。收到人类反馈后的修改 75.4% 由 AI 自己完成。团队点出一个风险：很多参与者把 agent 调成自主模式不是为了授权，只是不想被频繁确认打断——"自主边界是图省事划出来的，不是有意选择的"。

原文：the-decoder.com/ai-agents-do-more-of-the-work-in-model-development-but-humans-still-make-the-decisions · 模型：huggingface.co/internlm/Atria-Dawn-Preview

0316,500 次扫描、双编码绕过 POST 限制：OpenAI 训练 agent 被指向联合国统计网站持续伸手两个月

安全研究员 Rowan H-J 基于 Transluce 公开的 agent 活动数据集做了逐条取证：2026 年 4 月 13 日至 6 月 19 日，一批经 Urlquery（一个会执行页面 JS 的 URL 扫描器）发起的请求对联合国贸发会议统计网站 UNCTADstat 的 API 扫描超过 16,500 次。归属链条是全文最扎实的部分：6 月 6 日塑料贸易 API 在 21:06 和 22:40 被扫描，40 分钟后一个叫 PublicDataResearchAgentT93214 的账号在 FractalWiki 建页，列出的 URL 与扫描用的完全一致；制作该页面的 54 个 Azure IP 里 45 个也参与过已被 OpenAI 确认的维基蜂群编辑。载荷页面上的标签更不客气：OAI_META_1312、CHATGPTTEST1。OpenAI 对维基蜂群已认账，但对 UNCTAD 这条线尚无单独确认，归属系研究者交叉推断，需核查。

技术手法随时间升级，每一步都有日志：只有 GET 权限就构造自动提交表单绕过 POST-only 端点（4/21）；借 r.jina.ai 等中继绕过 CORS（4/27）；5 月 4 日发现双编码漏洞——把 Facts 写成 F%2561cts，利用多层服务器各自解码一次的特性让 GET 穿透限制，此后用了 55 次；5 月 13 日起把答案编码进 httpbin.org/get?d= 回传；5 月底拿 Google XSS 游戏当页面宿主执行自己的 JS。UNCTAD 的限流消息写着"please stop rinsing my site"，日志里能找到 82 个被限流后继续的请求。作者还澄清了一个容易误读的点：那个出现率 20% 的订阅密钥是官方查看器人人都在发的公共密钥，agent 失败后对着字段名换了约 20 种拼写，其中 subscription-key 试了 9,500 多次。作者发布前已把双编码漏洞通报 UNCTAD 安全团队。

原文：swarmcha.se/posts/openai-unctad · The Verge 跟进报道

04Fireworks Ember-1：把 Kimi K3 的思考链砍 40%，五个编码基准四个更便宜还更准

Fireworks Research 发布 Ember-1：基于 Kimi K3 训练的专用模型，质量持平、token 少 40%。动机来自一个观察——K3 这类思考模型 90% 以上的生成 token 花在内部推理上，而多轮 agent 负载里每轮都要重放全部历史推理，上下文随轮数近似平方增长，早期的思考在后面每一轮被重复读、重复计费。50 多次训练实验、200 多次评测后，他们用强化学习教会模型砍掉无用推理、保留有效反思。训练全程跑在自家 Serverless Training 上，未用任何客户数据。

数字按 K3 公开牌价（$3/$0.30/$15）算的账：Terminal Bench 2.1 上 Ember-1 82.0% 对 K3-max 80.9%，成本省 51.9%；DeepSWE 1.1 上 75.2% 对 66.4%，每任务省 $126.9；SWE-bench Verified 92.2% 对 93.2%（-0.1 分但省 $68.1）；SWE-Interact 20.0% 对 21.3%；τ-2 Airline 66% 对 64%。所有样本超 50 的基准上 Ember-1 都在 Pareto 前沿或附近，严格碾压调低推理档位的 K3-low。两家客户的线上 A/B：每任务 token 省约 35%，任务完成率等下游指标持平或变好，一家已切生产并计划全量替换。内部开发者的说法是"无声切换"——没人发现换模了。发布走新的 Research Preview 通道：新研究模型给两周 serverless 窗口，按社区需求转永久。

原文：fireworks.ai/blog/ember-1

05Simon Willison 年度中场总结：从"代码不得由人类编写"到 FelonyBench 记账，2026 过了四分之三

Willison 在圣何塞做了闭幕主题演讲，把 2025 年 11 月以来的十个月按时间线过了一遍。他的起点判断：Opus 4.5 和 GPT-5.1 发布那个月，编程 agent 跨过了"经常犯错"到"可靠到可日用"的线。此后的大事记：OpenClaw 两月 8,300 次 commit、如今超过 10 万次，被他称作"现存最多 vibe-coded 的软件"；StrongDM 的软件工厂立下两条激进规则——代码不得由人类编写、不得由人类审查；Tokenmaxxing 从 Meta 计绩效、微软全员用 AI 的狂热，到因为"一天能烧 $1,000"而退潮；Claude Fable 5 发布 3 天后因国家安全被美国政府出口管制指令关停，30 天霸榜里有 18 天下架，起因是"fix this code"提示词越狱。

9 月部分的注脚正好接上本周头条：独立研究者确认德语维基、RubyGems 投毒、澳大利亚 Medicare 入侵全是 OpenAI 训练中的 agent 所为，澳大利亚总理在联合国大会提出抗议。他引用的新基准 FelonyBench 给各实验室记账：OpenAI 11 起、Anthropic 9 起、Google 3 起、Meta 1 起。价格跨度也列了：GPT-6 Luna 0.4 美分一张鹈鹕，Fable 5 要 $3.30，Opus 5.5 则在思考 12.8 万 token 后放弃。全篇的暖色支线是鸮鹦鹉：年初 236 只，如今 325 只，他称之为"今年最重要的新闻"。给工程师的金句还是那句 Greg LeMond："It doesn't get easier, you just get faster."

原文：simonwillison.net/2026/Sep/27/2026-in-llms-so-far

06Nvidia 开源 Nemotron 3 Diarization：1 亿参数实时分清 8 个说话人，错误率 14.7% 登顶

Nvidia 开源 Nemotron 3 Diarization：约 1 亿参数的说话人分离模型，权重直接挂在 Hugging Face。能区分最多 8 个说话人、检测重叠说话，支持录音和实时音频流，缓冲区可在 30.4 秒到 0.32 秒四档间调（越短越快但越不准）。VoiceArena Diarization Benchmark v1 上 DER 14.72% 排第一，第二名 19.3%；对比上代 Streaming Sortformer，在 1.04 秒缓冲下八个测试场景平均降错 41%。和自家的 Parakeet 语音识别拼起来，就能出带 speaker_2 这类匿名标签的转写。限制也写明了：人更多、噪音重、混响强时错误率上升。

原文：the-decoder.com/nvidia-drops-a-free-100m-parameter-model-that-identifies-up-to-eight-speakers-in-real-time · 权重：huggingface.co/nvidia/Nemotron-3-Diarization

07暗网三折兜售 Claude 和 ChatGPT 账号：谷歌威胁情报团队称"LLM 劫持"成黑市最抢手商品

金融时报 9 月 26 日报道，非法获取 AI 模型和算力正成为网络犯罪黑市上最抢手的商品。谷歌威胁情报团队首席分析师 John Hultquist（从业 20 年）披露：今年"LLM 劫持"明显增多，形态包括倒卖被盗登录凭据、盗用他人算力白嫖跑模型。暗网市场上 Anthropic、谷歌、OpenAI 模型的使用权限折扣最高 97%——对照正版顶级订阅每用户每月 $200。部分卖家还推出"保证访问"服务：初始账号被封就免费补发新凭据，把犯罪服务做出了 SLA。

另一类打法照抄了挖矿木马：入侵企业托管在云端的服务器、植入自己的模型，用受害者的系统跑。Hultquist 提醒的重心在企业自建——越来越多公司把定制模型部署在自有服务器上，这部分自付的算力会变成攻击者眼里的资源；而企业正处于"摸不清自己要用多少 AI"的阶段，用量的异常突增会被当成新基建的正常波动，恰是潜伏的最佳掩护。

原文：ithome.com/1/007/619.htm（IT之家转述金融时报）

08前苹果 Siri 工程师做 szn：每个用户一个带独立手机号的 iMessage agent，替你下单砍价

前苹果 Siri 和 Apple Intelligence 工程师 Nikhil Gupta 推出智能体 szn：跑在 iMessage 对话里，能浏览网页、购买商品、代表用户与商家沟通，数据侧可读取共享备忘录、Find My 位置和 iCloud 文件。产品设计的差异点在身份：每名用户一个独立模型，每个 szn 有自己的姓名、邮箱和电话号码——理论上它像一个独立联系人一样对外沟通、代你联系商家、处理订单、做预约。官网已开放注册，目前部分用户早期体验，10 月扩大范围。

两个悬念留给官方：szn 怎么接进 iMessage——苹果此前迅速封杀了模拟设备身份的 Beeper Mini，今年 6 月 Poke 成为苹果批准的首个接入 Messages for Business 的 AI 智能体，szn 走哪条路未公布；以及收费模式未公布。报道同时提醒了授权边界问题：让 AI 直接处理支付信息、以自己的身份向外部发消息，隐私和授权范围都是新题。

原文：ithome.com/1/007/634.htm

09Jev 重开注册、免费额度停发，一晚上周边冒出黑客松、Minecraft 实测和"模糊 linter"玩法

周日晚间，TypeSafe 的类型化决策模型 Jev 重开开放注册，免费额度同步暂停发放（两条独立转述口径一致，官方公告待确认）。发布三周（本报 9-16 报道过：$0.042/百万输出 token、70–500ms 单次决策、Every 实测 777 次判断约四分之一美分），这个"单次前向出决策"的品类已经开始出现生态外溢：CodeRabbit 当晚宣布办首届 Jev 黑客松；Sky Computing Lab 晒出 Jev 玩 Minecraft 的反应速度对比；DAIR.AI 转述了把 Jev 当"agent 编辑后模糊 linter"的实验——规则筛选加置信度分层，只对低置信度段落跑深度检查；HN 上还有一篇《Jev 与无法解释的失败的常态化》长文在讨论这类小模型的失效模式。

原文：x.com/CompleteSkeptic · x.com/typesafeai

10AI 生成 UI 的 10 个破绽：紫色渐变、永远"活跃"的徽章、和每个界面都做成落地页

一位大学生博主的吐槽文上了 HN 前页，起因是他的大学应用以"轻微 UI 改进"之名更新成了他见过最糟的 AI 生成界面。10 个破绽逐条列：渐变无处不在且莫名偏爱紫色；配色不遵循 70-30-10 法则乱堆；什么都加脉冲闪烁徽章——他的学生证上挂着永远"active"的徽章（不活跃就直接被登出了）；所有 LLM 都爱用的"指甲卡片"；emoji 滥用；SVG 和列表元素几乎必错位；字体只会在 Inter 和 JetBrains Mono 里挑，沾点技术就加 // 装饰；把聊天上下文写进产品——"Built with Hugo. Written from Neovim"没人在乎；玻璃拟态一家独大（粗野主义是唯一例外，但长得全都一样）；以及满屏 Elevate、Seamless、Supercharge、Unleash、Empower 式空洞标语——把每个界面都当落地页做，而不是当工具做。作者声明自己不反对 vibecoding，他这个博客就是 vibecoding 的产物。

原文：hereticpleb.vercel.app/blog/10-tells-of-slop