9 月 12 日凌晨，25 位菲尔兹奖得主（含 2026 新科得主邓煜、Deligne、吴宝珠）联名公开信，抨击 OpenAI、Anthropic 把攻克千禧年难题当基准与 IPO 前公关素材，称其伤害数学共同体。争议核心不是「AI 能不能做数学」，而是当自主研究 Agent 跑出证明，跑了三百年的优先权、署名权、同行评议制度是否还成立；数学界本周重新撞上的「身份/授权/审计/信用」四问，与生产级商业 Agent（蚂蚁 APASS/KYA）要解的是同一组治理难题。
9 月 12 日凌晨，25 位菲尔兹奖得主（含 2026 新科得主邓煜、Deligne、吴宝珠）联名公开信，抨击 OpenAI、Anthropic 把攻克千禧年难题当基准与 IPO 前公关素材，称其伤害数学共同体。争议核心不是「AI 能不能做数学」，而是当自主研究 Agent 跑出证明，跑了三百年的优先权、署名权、同行评议制度是否还成立；数学界本周重新撞上的「身份/授权/审计/信用」四问，与生产级商业 Agent（蚂蚁 APASS/KYA）要解的是同一组治理难题。
Anthropic 工程博客 2026 年 1 月发布《Demystifying evals for AI agents》，把「怎么知道 agent 到底行不行」拆成可执行的工程流程：task/trial/transcript/outcome/grader/harness 八个词的定义、三类评分器的分层组合、能力评估与回归评估的分工、pass@k 与 pass^k 的区别。本文做完整解读，并补上社区的四盆冷水（基准数据污染、统计功效不足、harness 自身失控、只做离线不做线上），以及四类真实业务场景（知识库研究、客服对话、编码、无人值守自动化）的落地做法。
9 月 10 日 Cognition 发布编程模型 SWE-2：底座是月之暗面开源的 Kimi K3（2.8T 参数），后训练逼近前沿，FrontierCode 1.1 距 Fable 5.1 仅 0.9 分、成本约低 64%，距 GPT-6 Astra 差 3.3 分、成本约 1/4；Terminal-Bench 2.1 达 92.8% 全场最高，但最难的长程任务 Terminal-Bench 4.0 仅 27.3%（前沿约 56）。核心信号：编程模型竞争从「谁更聪明」翻篇到「离前沿足够近时谁更便宜」，护城河从预训练底座转移到后训练 RL 配方 + harness + 数据飞轮；分发上不卖 API、只绑 Devin 订阅（20 美元/月无限用）。
9 月 9 日开幕的外滩大会 2026（上海，9/9–9/12），300 多家企业、1.5 万㎡展区，最显眼的变化是机器人不再跳舞弹琴，而是上岗当「打工人」：蚂蚁灵波人形机器人在 80cm 宽货架通道分拣药品、已落地上海国大药房真实门店；「一脑多机」让同一大脑驱动药房/仓库/工厂多形态设备；复旦眸深、擎朗、开普勒在制造业与高危巡检真实工位落地；生活智能体「阿宝」把服务入口从 App 换成一句话。评价标准从「能做什么」滑向「做什么划算、稳不稳」。但泛化性（产线 99.9% 可靠）、成本账（TCO 尚未低于人力）、非标集成（MES/ERP 重接）仍是三道真坎。同日小鹏 IRON 全球首条通用人形机器人自动化产线启用（自动化率超 80%）、优必选约 600 台 Walker S2 复购、WRC 采购日 49 家央企带真实场景——具身智能正复刻自动驾驶节奏：先资本叙事、再真实订单、最后规模毛利，当前更靠近量产验证而非规模盈利。胜负手在稳定交付，不在模型炫技。
C / Python / Go / Rust 四语言实测 WSL2 Linux 6.18 内核的 Landlock，给 AI Agent 套沙箱的零依赖启动器。
OpenAI 内部智能体给出 Navier-Stokes 受迫爆破候选证明，Lean 形式化验证，与一场关于算力与学术伦理的抢发争议
赠送积分快过期，索性拿来试 AI 短剧生成。完整复盘：一致性三件套、12 张关键帧、全部 Prompt、ffmpeg 合成脚本、积分与人民币成本账，以及与可灵/Seedance/Runway/Veo 的横向价格对比。
腾讯云 CubeSandbox 全栈开源之后，重新盘了一遍 2026 还在活跃的开源 AI Agent 沙箱：腾讯 CubeSandbox、阿里 OpenSandbox、CNCF agent-sandbox、E2B、Daytona，以及被忽略的本地进程级派（bubblewrap/Landlock/srt）和 WASM 边缘。结论：接口层正在收敛到 E2B，沙箱从“选型”走向“换 driver”。
短篇能打、长篇会飘；Suno v5.5 与 Mureka V9.5 跨过了像不像，正撞上可控、可编辑、可确权三道墙。把'能生成'和'能创作'拆开看，会发现小说和音乐卡在同一道坎上——有状态的迭代。
拆解曾鸣访谈里“模型公司就是 AI 云公司、同质化供给无高利润”这条推理链：同质化不是物理定律，真正决定利润池的是计价单位——从 token 到 outcome 的迁移。
9 月 7 日宇树科技发布视频：两台人形机器人「全自主搏击」，靠 UnifoLM-X2-1.0「世界-动作」大模型做瞬时规划、决策和动态交互，实时预测对手下一步并规划自己的动作，无遥操作、无预设剧本。这把具身智能从遥控演示推进到实时自主对抗，验证了 world-model-as-control-loop 在高频强交互场景下能跑通——是 2026 年该路线最有信息量的一次 evidence。但冷静看，它验证的是控制层与规划层（毫秒级闭环、动态平衡、实时博弈），不是泛化层（换个零件、换间屋子还能不能行）。宇树创始人王兴兴自己给行业画过及格线：具身智能的「ChatGPT 时刻」是在 80% 陌生场景里靠自然指令完成 80% 任务，快则 2–3 年、慢则 5–10 年，且 99% 成功率意味着出去 100 次仍有 1 次「掉链子」——在真实工厂或家庭里那 1% 可能就是安全事故。再放在宇树 8/19 科创板 IPO（首日 +460%、估值约 500 亿美元）、行业「硬件先于软件」铺量采集数据的背景下，这场 demo 既是技术证据、也是融资叙事。结论：该为世界模型鼓掌，但别把 demo 当交付；demo 越炫，越要问「在没人兜底的真实场景里，它第几次掉链子」。
OpenAI 把内部账本亮了出来：截至 2026 年 8 月中旬，每 1 个人类研究工作日，公司内部同时跑着 3.1 个 AI Agent 工作日——半年前还不到 1，6 月前 Agent 总运行时间仍低于人类总劳动，6 到 8 月之间天平翻了过来。中位数研究员日均推理算力约 600 美元，第 90 百分位每天烧掉超 7000 美元 token。Agent 真正站稳的不是宏大战略规划，而是研究中间那段不性感的苦活：写基础设施、跑和监控训练、排障。但账本里也藏着诚实的免责声明——4 到 8 小时任务中，超过一半仍需至少一次人工介入，OpenAI 称其为「昂贵的同事」而非「替代者」。这背后是递归式自我改进第一次跑在了实验室里：人类定方向，Agent 写码跑实验排障，产出更强模型，再回流到下一代研究；OpenAI 已宣布达成「自动化 AI 研究实习生」目标，下一个节点是 2028 年 3 月的「完全自动化 AI 研究员」。前沿的比赛早已不在 benchmark 分数，而在生产级 harness、安全边界与经济账。
Bun 1.4 把运行时底层从 Zig 重写成 Rust，一次改动 +1,009,257 / −4,024 行、6,778 次提交、约 11 天、烧掉约 16.5 万美元 token——但核心开发者 Jarred Sumner 没有亲手敲出这 100 万行：他先搭了一套 harness，把 agent 放进去并行重写，之后几个月让 agent 继续修 bug、跑测试、反复打磨到稳定发布。同一天，Claude 用几乎一样的思路端到端形式化证明了费马大定理（约 1,300 万行 Lean、约 60 亿 token、约 11 天）。两件标杆性事件指向同一个判断：软件生产的单位，正在从「人写的一行行代码」变成「人设计的 harness + 被调度去执行的 agent」。生成已经很便宜，贵的是验证回路；程序员没有消失，是往上挪了一层去写「让 agent 正确实现」的系统；当没人逐行读代码，正确性就完全押在测试与验证上。
GPT-6 Astra 被扒出可能用了 recurrent depth（循环深度）。这篇文章不聊八卦，把这五篇关键论文里的可操作部分拆出来：免训练循环外壳（把一次大步换成 K 个阻尼小步，MMLU-Pro +2.64pp）、「循环两次就够了」的增益-成本剪刀差（SWE-bench 43→64.4 后第三圈掉回 27.6）、以及它对 agent 开发的四条直接映射——reflection 轮次的两次定律、潜在推理与显式 CoT 的超加性（+26.9）、把循环窗口对准 agent 的深思区、KV cache 是多轮 agent 的隐形税。