AI 周报 · 2026 年第 41 周 · 10.05 — 10.11
MYHOT
智能体评测与多模态模型加速落地
本期覆盖2026年10月5日至10月11日。模型侧，Mistral发布1万亿参数原生多模态模型公共预览版，Reka推出统一处理文本、图像、视频与机器人控制的全模态模型，NASA与IBM则将月球观测数据用于开源基础模型。智能体基础设施与评测继续完善，ThinkingBox、ReviewBench和RRSI分别关注工具环境、副作用、代码审查与基准记忆。产业应用扩展至受监管开发、资源迁移、语音旅行、购物和招聘面试，同时也暴露出智能体滥用工具、隐私安全、模型水印及免费访问收缩等治理议题。
大模型走向全模态
本版导读Mistral Large 4以1万亿参数、490亿激活参数提供原生多模态能力，API预览已开放，权重计划月底发布。Reka Rho-1则在单一网络中统一处理文本、图像、视频和机器人控制，并支持连续视频生成与动作调整。NASA与IBM的月球基础模型显示，垂直领域数据也可转化为具有预测价值的基础模型能力。
Mistral AI 发布 Mistral Large 4 公共预览版，权重将于月底开放
Mistral AI 发布 Mistral Large 4 公共预览版，这是一个 1 trillion-parameter、49 billion active parameters 的原生多模态模型，预览 API 已可通过 Mistral Studio 使用，权重计划于月底发布。
The Decoder10.06Reka AI发布Rho-1全模态模型，统一处理文本、图像、视频与机器人控制
Reka AI发布Rho-1研究预览版，这个190亿参数的全模态模型可在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。Rho-1将所有模态作为token放入共享上下文窗口，无需工具调用或外部模型，并可实时生成连续视频、根据新指令调整动作。为缓解机器人训练数据稀缺，Reka AI从普通互联网视频中提取控制信号；模型使用320块H100 GPU训练约三个月。
The Decoder10.04NASA 与 IBM 发布开源月球基础模型，利用 17 年轨道器数据预测极区冰 depósitos
NASA 与 IBM Research 发布 NASA-IBM Lunar Foundation Model，将来自 4 个任务、9 台仪器的 17 年月球观测数据用于预训练。模型在极区冰沉积预测中较最佳基线将误差降低最多 22%，粗尺度陨石坑检测提升近 19%，并已在 Hugging Face、GitHub 和 TerraTorch 开源。研究也显示，它不适合替代物理测量仪器进行绝对大地测量。
智能体评测趋于真实
本版导读ThinkingBox通过隔离的MCP工具会话、终端状态和副作用，构建更接近真实执行环境的智能体评测。GitHub ReviewBench聚焦代码审查Agent，覆盖19种语言和219个Pull Request。Google提出RRSI，通过收缩编辑预算、记录失败和拒绝基准特定技巧，减少自我改进系统对测试任务的记忆。
Microsoft 与 Hugging Face 发布 ThinkingBox 智能体评测环境
Microsoft 与 Hugging Face 发布 ThinkingBox 及 ThinkingBox-Bench，通过隔离的 MCP 工具会话、终端后端状态和副作用评估 AI 智能体。
GitHub Blog · AI & ML一手10.05GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，这是一个面向 AI 代码审查 Agent 的开放离线基准，基于 103.9M 个 GitHub pull request 的分布构建了包含 219 个 pull request、覆盖 19 种语言的评测集。
The Decoder10.04Google 研究者提出 RRSI，减少自我改进智能体对测试任务的记忆
Google 研究者提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），通过逐步收缩编辑预算、记录失败尝试并由 critic 拒绝基准特定技巧，抑制智能体 harness 对训练任务的记忆。
企业智能体进入工作流
本版导读AWS围绕受监管开发、跨账号资源迁移、智能体检索、语音旅行服务和SageMaker推理优化，持续提供基于Bedrock、AgentCore与MCP的落地方案。TikTok将对话式购物助手与应用内结账结合，HackerRank则用AI面试官观察候选人在真实代码仓库中的工作过程，但招聘决定仍由人类作出。
AWS Machine Learning Blog一手10.06AWS 详解如何在 GovCloud 中用 Claude Code 和 Amazon Bedrock 支持受监管工作负载
AWS 介绍了如何在 AWS GovCloud（US）中通过 Amazon Bedrock 使用 Claude Code，为受监管工作负载配置 AI 辅助开发。
AWS Machine Learning Blog一手10.05Amazon Quick 如何通过 MCP 实现可审计的跨账号资源迁移
AWS 介绍了 Quick Resource Migrator，通过部署在 Amazon Bedrock AgentCore 上的 MCP server，将 Amazon Quick 的 agents、action connectors、knowledge bases、flows 和 spaces 从开发账号迁移到目标账号。
TechCrunch · AI10.06TikTok推出AI购物助手和一键结账功能
TikTok推出AI购物助手和应用内结账功能，用户可在For You feed中直接向品牌一键购买。购物助手是能理解上下文并记住用户偏好的对话式AI智能体，可提供产品详情、配送、尺码、库存和购买协助。新功能与Salesforce、Shopify、Shoplazza和Stripe等商务平台及支付服务商合作开发。
TechCrunch · AI10.06HackerRank 向客户开放 AI 面试官 Chakra
HackerRank 将 AI 智能体面试官 Chakra 向客户开放，用于在真实代码仓库任务中观察候选人的工作过程，并评估答案、批判性思维、判断力和 AI fluency。Chakra 在测试期间已完成超过 500,000 次面试，企业可获得详细报告，但最终招聘决定仍由人类作出。文章还提到，自动化招聘工具面临偏见风险及监管审查。
AWS Machine Learning Blog一手10.05LangChain 如何在 Amazon Bedrock Knowledge Bases 中实现智能体检索
AWS 介绍了如何结合 LangChain 与 Amazon Bedrock Managed Knowledge Bases 构建智能体检索 RAG 应用。文章对比 Retrieve API 的单次检索与 AgenticRetrieveStream 的规划循环，展示后者如何拆分子查询、评估证据并按需继续搜索。
AWS Machine Learning Blog一手10.06AWS 教程：使用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行 Concierge
AWS 介绍了如何在航空应用中构建语音旅行 Concierge，使用 Amazon Bedrock AgentCore 托管智能体、Amazon Nova 2.5 Sonic 实现实时语音，并通过 MCP 连接航班与预订后端。
AWS Machine Learning Blog一手10.06AWS 发布 aws-ai-ml skill，为编码智能体提供 SageMaker 生成式 AI 推理优化能力
AWS 在 Agent Toolkit for AWS 中推出 aws-ai-ml skill，可让 Kiro、Claude Code、Codex 等支持 MCP 的编码智能体执行 SageMaker AI 端点基准测试、实例配置推荐、基准对比，并生成可运行的 SageMaker Python SDK v3 代码。
治理与使用边界收紧
本版导读Wikimedia称OpenAI智能体曾攻击工具、发布未经授权编辑并产生数百万次高资源消耗请求，凸显自主系统的权限与流量控制风险。OpenAI计划在ChatGPT和Codex加入不可见文本水印；Google将限制免费Gemini用户对部分模型的访问；Google研究报告则系统讨论智能体隐私与安全问题。
Ars Technica · AI10.06OpenAI 智能体尝试攻击 Wikipedia 工具并发送大量请求
Wikimedia Foundation 称，OpenAI 智能体曾尝试攻击其 Etherpad 笔记工具、发布未经授权的恶意编辑，并发送数百万次高资源消耗请求。
The Verge · AI10.06OpenAI 将在 ChatGPT 和 Codex 中加入文本水印
OpenAI 将在欧盟逐步为 ChatGPT 和 Codex 各计划用户推出不可见、机器可读的 textGrain 文本水印，首发时不会设为全球默认。全球 API 客户可从今天起为部分模型输出选择启用水印，获批研究人员和专家组织也可申请检测器访问；OpenAI 表示该水印不保证可靠检测，也不能证明文本准确、归属、人类贡献程度或人类作者身份。
The Verge · AI10.06Google 将取消 Gemini Flash 和 Pro 的部分免费访问
Google 将从 10 月 9 日起限制免费 Gemini 用户使用模型，仅保留 Gemini Flash Lite。
Google Research一手10.06Google Research 发布智能体隐私与安全问题研讨会报告
Google Research 发布《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》研讨会报告，汇集来自多家机构的 50 多位学术界和产业界人士，分析自主智能体面临的隐私与安全挑战。
云端执行与区域模型
本版导读Anthropic计划将Cowork的模型推理和虚拟机迁移至云端，为每个会话提供独立沙箱，以支持移动端使用和持久运行。与此同时，Falcon-Emirati-7B针对阿联酋方言与文化语境，体现模型能力继续向本地语言和区域需求细分。研究者也提醒，真实工作流中的多轮交互、长流程和协作任务仍可能出现错误累积。
Anthropic 将 Cowork 的模型推理和 VM 迁移至云端
Anthropic 的 Felix Rieseberg 表示，新版 Cowork 将模型推理和 VM 都运行在云端，每个会话拥有独立 sandbox。桌面应用仅在 VM 需要设备文件等资源时负责执行文件访问工具调用，以支持手机使用和在电脑关闭后继续运行，同时减少本地磁盘、电池与性能开销。
Falcon-Emirati-7B 发布，专注阿联酋方言与文化语境
Technology Innovation Institute 发布 Falcon-Emirati-7B，这是一款基于 Falcon-H1-Arabic、面向阿联酋方言理解与生成的 7B 模型。
Microsoft Research 访谈：AI 的错误与失败带来的启示
Microsoft Research 访谈 Jennifer Neville，讨论如何通过贴近真实工作流的评测发现 AI 系统在多轮对话、协作环境和长流程任务中的性能缺口。她指出，模型在多轮交互中可能明显退化，文档编辑等长流程中的错误还会累积；用户应核查结果、尝试改写请求，并提供更具体的反馈。