OpenAI Codex负责人定下28天改进承诺：每天要么上新功能，要么重置额度
OpenAI 的 ChatGPT 和 Codex 负责人 Tibo Sottiaux 在 X 上公开承诺，未来 28 天每天要么推出对多数 Codex 与 Work 用户明显有用的改进，要么进行一次完整的额度重置。这反映出 AI 编程工具竞争正从“功能数量”转向“每日可感知价值”。
celebrityanime
Socio-Foundation：用三层蒸馏统一个体行为模拟，超越Qwen3-8B 11分
arXiv 上一篇新论文提出 Socio-Foundation，用三阶段蒸馏流程把个体行为模拟拆成五种能力再统一训练，在自建评测中比 Qwen3-8B 基座高 11.0 分，并接近 GLM-5.2 等前沿模型的表现。
Socio-Foundation 提出用三级蒸馏统一模拟个体行为，并建立 IndiEval 评测
2026 年 10 月 8 日 arXiv 上新一篇论文，提出 Socio-Foundation 与 FONTS 分类体系，用三级蒸馏让大模型在动态社交语境中更稳定地模拟个体行为，并配套 IndiEval 评测集。
多模态大模型”第六感”测试：人类93.1%，最强模型仅53.6%
arXiv 上一篇新论文提出 HSS 基准，专门测多模态大模型的"直觉视觉推理"能力。在目前的评测条件下，人类准确率 93.1%，最强模型 GPT-6-astra 仅 53.6%，差距明显。
人类第六感基准HSS发布：GPT-6-astra直觉视觉推理仅53.6%，远低于人类93.1%
arXiv 上新论文提出 Humanity's Sixth Sense（HSS）基准，专门测多模态大模型“一眼看懂”隐式信息的能力；在摘要给出的结果中，人类准确率 93.1%，最强模型 GPT-6-astra 最高推理投入下也只有 53.6%。
Hugging Face 论文：在线策略蒸馏会崩溃，教师模型隐性奖励机制被揭示
Hugging Face 2026年10月2日上线的一篇论文指出，在线策略蒸馏（OPD）既能提升语言模型表现，也可能导致输出过长和重复的崩溃；作者用强化学习视角解释，并给出掩码与SFT初始化两种缓解方案。
海外开源模型提速：Reflection Beam首秀，Mistral Large 4登场
被称作“美版 DeepSeek”的 Reflection 发布首款开放权重模型 Beam，Mistral 也推出迄今最大模型 Large 4；两者都将中国开放模型作为主要对标对象，但最新评测显示它们仍落后中国头部模型约一代。
AI代理不靠评测指标也能做开放科研？Station在ICLR任务上复现62.7%结论
arXiv 新论文提出在开放世界环境 Station 中加入 Supervisor 与定期 Meta Reflection 两种机制，让多智能体在缺少中间指标时仍持续探索。在基于 ICLR 三篇 oral 论文构造的开放任务中，Station 平均重新发现 62.7% 的原始结论标准，高于 Codex Mul…
Station智能体开放式科研重发现率62.7%，远超Codex与AI Scientist
arXiv 上一篇新论文提出在 Station 模拟科研生态中加入 Supervisor 与周期性 Meta Reflection 机制，让多智能体在无标准答案、无网络的环境下做开放式科研，平均重发现 ICLR 三篇 oral 论文 62.7% 的结论，而 Codex Multiagent-v2 和 AI S…
AdaGuard：用LLM-as-a-Judge实现动态策略与自适应推理的AI安全护栏
arXiv 2026年10月8日收录的一篇新论文提出 AdaGuard，一个可动态执行用户自定义安全策略、并按输入复杂度自动切换推理预算的 LLM-as-a-Judge 护栏框架，试图解决企业 AI 应用里固定策略、缺乏透明度和延迟过高的老问题。