AI Daily

美国 Super Intelligence Force（超级智能特别工作组）召开首次会议。主席 Jay Clayton 会后称：「我们制定了规程和路径，确保那些协议（Accords）得到落实，并与前沿实验室保持对话」（RapidResponse47 发布）。

据 Ashley Gold 爆料，工作组将委托 PCAST（总统科技顾问委员会）出具报告，评估 AI 在网络与关键基础设施保护、生物安全和模型控制方面的风险；并将成立工作组，落实 AI 公司 CEO 签署的协议。Emil Michael 牵头制定实验室向政府报告安全漏洞（breach）的规程；工作组还将与 DOJ、FTC 新设执法与消费者保护协调委员会；Scott Kupor 负责关键基础设施保护，并评估 AI 对就业与经济的影响（Ashley Gold 爆料）。

据 CNBC 报道，国家情报总监 Jay Clayton 称，美国企业与政府都「需要警惕」外国间谍活动；AI「放大」了美国数字基础设施既有的网络安全风险（CNBC 报道）。

据半导体与 AI 基础设施观察账号 Zephyr 称，中国厂商若要开源超过 2T 参数、或训练算力超过 10e26 FLOPS 的模型，须获得 MOFCOM（商务部）许可（Zephyr 披露）。他称这目前是一项提案，但他认为很可能通过；主要目的是对模型发布建立监督和控制，MOFCOM 对稀土也这样做过（Zephyr 回复）。他强调这不是禁令（Zephyr 澄清）。目前仅见 Zephyr 一方说法，数据中未见官方文件。

Zephyr 认为更值得关注的是商业合作：若提案通过，Moonshot、Zhipu 等在与 Nebius、Baseten、Fireworks 等签模型托管协议前，须先获 MOFCOM 批准（Zephyr 延伸）。他另称，中国模型发布及与推理服务商的收入分成协议都将需要 MOFCOM 事先批准（Zephyr 回复）。

Reflection AI 以 Apache 2.0 许可开源 Beam 权重，与 40 多家合作方同步上线。发布内容包括权重、tokenizer 与参考实现，BF16、FP8、NVFP4 三种精度权重和 DFlash2 草稿模型（drafter），以及训练 Beam 所用的开源 harness（驱动并约束模型完成任务的执行框架）Mirror CLI（Reflection AI 发布）。

据首发合作方 Ollama，这是 Reflection 的首款开源权重模型，上下文窗口 1M token，面向软件工程、推理和长时 agent 任务；Ollama 限时免费提供云端 Beam，可接入 Claude Code、Codex、OpenCode（Ollama 公告）。Reflection 称 Beam 不是多模态模型，但强化学习训练让它能泛化到游戏等领域（Reflection demo）。

Google DeepMind 技术报告显示，4 个 Gemini 4 Argon agent 在 27 小时 14 分内端到端通关 Minecraft、击败末影龙，全程无人类介入；据作者所知，这是 AI agent 首次端到端自主通关（Elvis Saravia 摘要）。项目由 Maxence Faldor 主导、Satinder Singh 参与（@robertarail 公告）。

每个 agent 通过标准 Mineflayer 库控制一名玩家；无人分配角色、编写游戏逻辑或预先探索地图种子。所有程序由 agent 自行规划、编写和调试，并通过游戏内聊天与共享记忆协同。全程共编写 2,783 个程序、死亡 605 次；agent 自行分工、共享经验，并在队友死亡后回收其物品（Elvis Saravia 摘要）。

Jim Fan 宣布开源 agentic 机器人框架 ASPIRE V1.0，含真实机器人技能发现与自我改进能力。他称 GPT-6 Astra 发布当天，团队切换后端模型，一夜之间把所有基准饱和到约 99%；Opus 5.5 在其机器人仿真基准上略胜 Astra，Sonnet 5.5 以每任务 12 美元处于成本与机器人能力的 Pareto 前沿（Jim Fan 公告）。Guanzhi Wang 列出的结果为：LIBERO-Pro（80 项任务）99%、Robosuite（7 项代表任务）100%、BEHAVIOR-1K（2 项代表任务）100%（Guanzhi Wang 详解）。

同一方向另有两项开源工作。haoailab 发布 ORA（Open Robot-Use Agents）：由 DeepSeek V4.1-Flash 驱动，从视觉输入零样本操作机器人，不用 VLA（视觉-语言-动作模型），可与前沿模型 agent 竞争（haoailab 发布）。RAX 让 coding agent 直接接入机器人感知与控制 API，模型保持冻结；在五个仿真基准上平均比领先的学习策略高 37 个百分点，每种真实机器人从零到掌握任务约 2 小时，无遥操作、无模型微调（@du_yilun 发布）。

10-16 已报 OpenAI 释出 300 余项 AI 解出的数学结果。当日新增：据 Will Knight 转述，Terence Tao 称 OpenAI 这批数学释出包含大量他人正在推进、离解决不远的证明（Will Knight 转述）。

延续 10-16 Nick Cammarata 的可解释性长文讨论。Nick 当日为原文补充引用，并感谢 Curt Tigges 参与语言模型神经元研究。他把核心主张表述为：「神经网络的每一部分在某种意义上都是为被下游读者读取而建造的，如果我们学会像读者一样看，可能会发现读懂它们相对容易」（Nick Cammarata 更新）。

他回复 Neel Nanda 时称，神经元归因图未必需要剪枝：agent 方法便于做多分辨率分析，可按重要性放大或缩小；弱激活「出奇地可消融」，团队会公布更多结果。他倾向高维特征化器而非残差流 SAE，因为他看到的残差流更像大流形（Nick 回复）。