AIDaily — 2026年6月26日

重点关注 AI Coding 与具身智能方向 | 筛选自 AI HOT 过去 48h 精选 + 关键词补充

🤖 AI Coding

1. 美国政府要求 OpenAI 暂缓 GPT-5.6 广泛发布：AI Coding 监管从"出口管制"升级到"发布管制"

The Information 报道，美国政府因安全顾虑要求 OpenAI 暂缓 GPT-5.6 的广泛发布，改为推出受控预览版。OpenAI 计划先向小部分合作伙伴提供早期访问，并由政府逐客户审批准入。核心担忧是模型在自动化高技能网络工作上的能力——既能帮防御者更快发现漏洞，也可能被攻击者用于加速测试漏洞利用。CEO Sam Altman 已向员工确认该审批流程。

值得关注： 这是"AI Coding = 国家安全武器"叙事的又一个重大升级。此前监管只针对"出口"（不让外国用），现在首次延伸到"发布"（不让所有人用）。GPT-5.6 的网络安全能力被认为过强，以至于连美国本土用户都需要逐个审批——这意味着 AI Coding 的最强模型与"可获得模型"之间的鸿沟将进一步扩大。与 Anthropic Fable/Mythos 被禁的逻辑完全一致：模型在赛博空间的代理执行能力已达到武器级别，政府认为"可控扩散"比"自由发布"更安全。

🔗 X: Rohan Paul

2. Anthropic 指控阿里巴巴非法获取 Claude 模型能力：中美 AI 竞争进入"蒸馏防护"新维度

Reuters 报道，Anthropic 指控阿里巴巴未经授权提取了其 Claude AI 模型的能力。该指控基于 Anthropic 的调查，认为阿里巴巴通过逆向工程或其他手段复制了 Claude 的核心技术。目前阿里巴巴尚未公开回应。

值得关注： 这是中美 AI 竞争叙事的最新转折点。此前博弈集中在"出口管制"（不让中国用最强模型），现在延伸到"蒸馏防护"（不让中国复制最强模型的能力）。如果 Anthropic 的指控成立，说明即使模型 API 不对特定地区开放，通过大量调用 + 逆向工程仍可以"抽取"模型的核心行为模式。这对 AI Coding 行业的影响深远：（1）API 商业模式的信任基础动摇——客户是否在"租用"的同时也在"复制"？（2）OpenRouter 的零数据留存（ZDR）模式可能成为更多企业的刚需；（3）中国厂商（如 Seed2.1）声称"开发者盲评 59.1% 胜率"的成绩，其技术来源的可信度将受到更严格审视。

🔗 Reuters

3. Ornith-1.0 开源 Agentic Coding 模型家族：SWE-Bench Verified 82.4，MIT 开源全尺寸覆盖

Ornith-1.0 开源模型家族发布，专注智能体编程（Agentic Coding），覆盖 9B Dense、31B Dense、35B MoE 及 397B MoE 全参数规模。在 Agent Coding 基准上达开源顶尖：SWE-Bench Verified 82.4、SWE-Bench Pro 62.2、Terminal-Bench 2.1 77.5、NL2Repo 48.2。基于 gemma4 和 qwen3.5 后训练，采用强化学习联合优化任务脚手架（scaffold）与最终解决方案，让模型自主改进执行框架。全系列 MIT 开源，提供 GGUF 版本，支持 Ollama、Unsloth 等本地运行。

值得关注： Ornith-1.0 的发布让开源 AI Coding 模型赛道更加拥挤。关键创新在于"联合优化脚手架+解决方案"——不是先写执行框架再写代码，而是让 RL 同时优化两者。这呼应了 Loop Engineering 的理念：Agent 的价值不在单次输出质量，在于迭代循环的自治设计能力。397B MoE 的尺寸意味着开源模型首次在参数量上逼近闭源前沿（Claude Opus 4.8 约 400B 级别），但 SWE-Bench Verified 82.4 vs Opus 4.8 Max 的 73.0（审计后）说明开源正在缩小差距——甚至在基准分数上已经超过。

🔗 X: Berry Xia

4. OpenAI 内部 Codex 报告 + Codex 移动端正式 GA：AI Coding 智能体已成组织默认工具

（a）OpenAI 内部报告：智能体如何改变工作。 OpenAI 在 2025年8月至2026年6月间观察到，Codex 取代 ChatGPT 成为主要工作工具，各部门输出 token 中 Codex 占比从不足 10% 升至 99.8%。80.6% 个体用户曾发起预计等效人类工作时间超 30 分钟的请求，70.2% 超 1 小时，25.6% 超 8 小时。非开发者增长迅猛：个体用户增长 137 倍，组织用户增长 189 倍。Legal、Finance、Recruiting 部门在 2026 年 4 月前后跨过 Codex 使用过半拐点，平均每位律师或招聘人员超 85% 输出 token 来自 Codex。

（b）Codex 在 ChatGPT 移动 App 正式开放（GA）。 新增一对一设备配对实现更安全的手机与电脑连接，移动端新增通知、目标、侧边聊天、文件预览及内联审阅评论功能。用户可在手机上启动工作、审查输出、引导执行，Codex 在笔记本/Mac mini 上后台运行。

值得关注： 这两组数据共同描绘了 AI Coding 从"开发者工具"到"组织基础设施"的完整跃迁。99.8% 的输出 token 来自 Codex 说明 OpenAI 内部已经实质性地把智能体当作默认生产工具——不是"辅助"，而是"主体"。非开发者 137-189 倍增长尤其值得关注：Legal（律师）、Finance（财务）、Recruiting（招聘）这些传统"不写代码"的岗位，正在成为 AI Coding 智能体的最大增量用户。移动端 GA 进一步降低了使用门槛——AI Coding 不再需要坐在电脑前，手机随时审查即可。

🔗 OpenAI | X: OpenAI Devs

5. OpenRouter MCP 服务器：AI Coding 智能体的"模型超市"一键接入

OpenRouter 推出 MCP 服务器，为编程智能体提供实时模型数据、基准排名、定价和文档查询。开发者通过一键安装（支持 Claude Code、Codex CLI、Cursor 等客户端），即可在编辑器内完成模型筛选、价格对比和测试推理，无需切换标签页。服务器整合 Artificial Analysis、Design Arena 及 OpenRouter 自身排名数据，推荐 GLM-5.2 作为性价比最佳的编码模型。工具集包括 models-list、model-get、model-endpoints、benchmarks 等，支持通过 chat-send 发送测试提示，比较不同模型的响应、成本和延迟。API 密钥附带 7 天有效期和 10 美元消费上限。

值得关注： 这是 MCP 协议在 AI Coding 工具链中的又一重要节点。OpenRouter 把"模型路由"这个原本需要人工判断的决策，封装成编码智能体可直接调用的 MCP 工具。AI Coding Agent 未来不再需要开发者手动切换模型——智能体自己在运行时根据任务类型、成本预算和延迟要求动态选择最优模型。这进一步强化了"多智能体编排 = 用别人的模型打败别人的模型"的趋势：模型层变成可替换的商品，编排层才是真正的价值所在。

🔗 OpenRouter Blog

🦾 具身智能

6. General Intuition 3.2 亿美元融资：从 Fortnite 到四足机器人，游戏数据训练通用智能体

General Intuition 以 23 亿美元估值完成 3.2 亿美元融资，累计披露融资 4.54 亿美元。公司从旗下游戏剪辑平台 Medal 获取数亿小时含精确按键动作标签的游戏操作数据，训练单一模型同时驾驭 Fortnite 等虚拟环境和四足机器人。演示中，AI 智能体在游戏中连续运行 100 小时，机器人仅靠 8 分钟真实街道数据微调即可自主探索办公室。本轮由 Khosla Ventures 领投，General Catalyst、Jeff Bezos、Eric Schmidt 等参投。计划夏末前开放 API。

值得关注： 这是具身智能训练的全新范式：“游戏数据 → 通用智能体”。传统路线是收集真实机器人数据（昂贵、稀少），General Intuition 反其道而行——用数亿小时的游戏操作数据（廉价、海量）做预训练，再用极少量真实数据做微调。8 分钟真实数据即可让机器人自主探索办公室，这个数字与 Qwen-AgentWorld 的 Sim RL 结果形成呼应：模拟环境训练的 Agent，只需极少真实数据就能"着陆"。如果这条路可行，具身智能的"数据瓶颈"将被彻底打破——游戏行业每年产生的操作数据远超任何机器人实验室的采集能力。

🔗 TechCrunch

🏗️ AI 基础设施

7. IBM 全球首款亚纳米芯片（0.7nm）：指甲盖集成近 1000 亿晶体管

IBM 发布全球首款亚纳米级芯片技术，采用 0.7 nm（7 埃米）节点与全新三维纳米堆叠（nanostack）架构。指甲盖大小的芯片集成近 1000 亿个晶体管，密度约为 IBM 2021 年 2nm 芯片的两倍。相比 2nm 芯片，性能最高提升 50%，能效最高提升 70%。纳米堆叠架构还实现 SRAM 面积缩减 40%，有助于支撑先进 AI 工作负载的高带宽需求。该技术已在 VLSI 2026 会议上验证，IBM 预计 5 年内量产。

值得关注： 0.7nm 节点标志着芯片制造从"纳米尺度"进入"埃米尺度"，1000 亿晶体管集成意味着单芯片可以承载更大模型或更密集推理。SRAM 面积缩减 40% 对 AI 推理尤其关键——LLM 推理的性能瓶颈往往是 KV Cache 的内存带宽，更小的 SRAM = 更快的推理。但 5 年量产时间线说明这项技术短期内不会改变 AI 算力格局，当前真正影响推理成本的是 OpenAI Jalapeño、NVIDIA Blackwell 这类已量产或即将量产的平台。

🔗 IBM Newsroom

📊 本期趋势洞察

数据来源：AI HOT (aihot.virxact.com) 精选 API | 筛选时段：过去 48h | 去重依据：与 2026-06-25 AIDaily 比对