OpenAI 剛剛將一個自主代理管道指向 Linux 核心。 它回傳了 948 個有效的本地提權漏洞利用程式。 在一次運行中，這些代理： → 識別出 2,308 個潛在的安全漏洞 → 成功重現了其中 1,724 個 → 為 948 個不同的漏洞開發了可運作的利用程式，這些漏洞可讓有限存取提升為完整 root 權限 → 生成了供人工審查的修補候選方案 總成本：約 121 萬美元的 API 儲值額（每個獨特被利用的漏洞約 1,279 美元）。 作為對比：他們早期的七月系統（由 GPT-5.6 Sol 驅動）僅發現並利用了 166 個漏洞，而這次達到了 948 個。 在研究結束時，Linux 維護者已先行修補了上游的 61 個漏洞，更多漏洞正在準備或討論中。 這標誌著從「AI 幫助撰寫程式碼」轉向「AI 代理在工業規模下系統性地偵測、重現並提出修補全球最重要軟體中的安全漏洞」的轉變。發現漏洞變得更便宜、更快，而在此規模下進行分類與修補已成為瓶頸。 此為受控研究環境，需已有立足點，且任何修補程式上線前仍需專家審查。 但其規模信號已無可忽視。
Inception 剛推出 Mercury 3，這是迄今為止最強大的擴散型 LLM。 在多項基準測試中，其品質表現優於 GPT-6 Luna 和 Claude Haiku 5.5，並在 NVIDIA GPU 上以每秒 1,068 個 token 的速度運行，比典型的速度優化自迴歸模型快 4–8 倍。上下文長度達 1M（較 Mercury 2.5 的 260K 大幅提升）。體積比 Mercury 1 大超過 40 倍，在標準基準測試中智能水平約提升 3 倍，但速度依舊相同。 定價：每 1M 輸入/輸出 $0.20 / $0.70（部分平台發佈促銷價 50% 折扣：$0.10 / $0.35）。與 OpenAI API 兼容。現已於 Inception API、OpenRouter、Baseten 和 Vercel 上線。提供企業方案，包括專用容量等。 早期合作夥伴已將其應用於瀏覽器/網頁代理、即時家教、搜尋代理和客服等場景。一個生產實例：在相同 token 數量和步驟下，它完成了 50% 的真實 Mind2Web 導航任務（優於 GPT-6.1-Sol），但每 token 成本遠低得多。高速度避免了代理在多步驟中累積延遲。
NVIDIA 剛推出了 Nemotron 3.5 Bolt 74B-A9B（及相關模型），這是一個開放權重的 74B MoE 模型（僅約 9B 處於激活狀態），透過積極的 2 位量化感知訓練，僅需 24 GB 記憶體即可運行。 它專為持續運行的本地 AI 代理而設計：適用於瀏覽器/應用程式導航、編碼、研究、工具使用和背景自動化。完整權重、訓練資料與訓練方法均已公開。可與 Ollama、llama.cpp、vLLM、LM Studio、Hermes、OpenClaw 等工具配合使用。 可搭配全新的 Nemotron 3.5 Super VL（總共 120B / 激活 12B，多模態，適用於長時間運行的視覺與文字代理），以及小巧的 Bolt E4B（4 GB，適用於對話式/遊戲 NPC，將於 10 月 23 日推出）。 此發布與 RTX Spark 筆電上市（10 月 16 日）同日登場。本地前沿型代理變得更加實用。開放權重 + 消費級硬體，正悄然累積重大變革。
德國機器人 unicorns NEURA 剛剛推出了 Neuron AI，這是一款用於實體 AI 的多模態基礎模型。 它在感知-語言-行動（PLA）架構中融合了 3D 視覺、觸覺、音頻、機器人狀態、語言與記憶。機器人能夠對看不到的物體做出反應，並在物體離開攝像頭視野後仍能記住上下文。單一模型可運行於五種不同的 NEURA 實體（包括其 4NE1 人形機器人）。 模型訓練數據來自真實機器人數據、模擬環境與人類示範。客戶可透過 Neuraverse 對技能進行微調並全艦隊部署。下週在 NVIDIA GTC 柏林將進行現場示範：其 4NE1 人形機器人將在無人介入的情況下，完成一項全自動 11 分鐘的洗衣流程（分類 → 洗衣機 → 烘乾機）。 「打造實體世界的大腦，」CEO 表示。實體 AI 正迅速升溫。
根據《華爾街日報》報導，亞馬遜正在與 Decart 談判，擬以約 70 億美元收購該公司。 這家成立僅 3 年、由以色列創立的初創公司開發了優化 AI 模型的軟體，使其能在多種晶片（Nvidia、Amazon Trainium、Google TPUs）上更快速、更低成本地運行，並支援即時生成式模型（Lucy 用於實時影片、Oasis 用於模擬環境）。AWS 已為其提供早期的 Trainium 訪問權限。 該公司在 5 月的估值約為 40 億美元；Anthropic 曾探討以約 60 億美元收購，但在盡職調查後放棄。若交易完成，將成為亞馬遜規模最大的收購案之一，並直接降低對 Nvidia 的依賴。 晶片優化已成為一樁數十億美元的退出案例。
Meta 剛剛推出了其首批真正的前沿模型：Muse Wonder 和 Muse Wonder Full。 在重新整合其 AI 努力並聘請 Alexandr Wang 後的十四個月，Meta 終於宣稱已達至前沿水平。這些模型專為長期運行的個人與專業代理而設計，可處理保險理賠、租約、財務、健康資訊，或構建完整應用程式，而不僅限於聊天。 其突出功能包括主動記憶（跨數天、數週乃至數月持續記憶與您相關的重要資訊）和主動專注（持續朝目標推進、克服阻礙並嘗試新方法）。這些模型在吉瓦級規模的 Prometheus 數據中心進行訓練，支援 1M 個 token 的上下文與多模態輸入。 在 Artificial Analysis 的智慧指數中，Muse Wonder Full 得分為 56，Muse Wonder 得分為 52，較六週前 Muse Spark 的 48 有顯著提升。Wonder Full 在多項代理與知識型工作基準測試中位居頂尖，表現可與近期 OpenAI 和 Anthropic 的模型競爭，部分領域甚至更勝一籌。 Muse Wonder 現已透過 Meta Model API 和 Muse Code 提供，定價為每百萬 token $4/$20。功能更強大的 Full 版本僅限 Muse Code 訂閱用戶使用。這兩款模型將很快為 Meta 的 Muse 個人代理提供動力。 在經歷多年專注於 Llama 開源項目，以及近期轉向閉源模型後，這是 Meta 至今最明確的信號，表明其意圖直接競爭代理未來的主導權。獨立測試將揭示這些主張在 Meta 自身運行之外是否站得住腳。
我一直在關注 @Wahoopredict 的一點是，預測市場如何能超越僅僅在「是」或「否」之間選擇的模式。 即將推出的多選功能在這方面非常有趣，它不再強制將預測限制為二元結果，而是讓用戶有更多方式表達他們對實際概率的判斷。 當 WahooPredict 涵蓋加密貨幣、體育、股票、商品和現實世界事件等多個市場時，這種功能變得更加有趣。 預測市場的核心本質，是在不確定性下表達信念；市場設計越完善，人們就越能準確傳達這種信念。 因此，我很好奇：多選功能是否會成為讓 WahooPredict 與其他預測平台顯著區分的關鍵功能之一？
