本周人工智能科技简报（2026年04月28日 - 05月05日）

如果你感觉最近 AI 圈有点“看不过来”，

那不是你的问题，而是变化真的太快了。

模型在升级，Agent 在进化，

开源生态和产业边界正在重新排列。

我们只做一件事：

替你筛掉 90% 的无效信息，只留下真正值得你花时间理解的那 10%。

近期全球 AI 领域依旧热闹非凡，从大模型迭代、论文突破，到开源项目与产品落地，各类智能技术加速涌现。本期简报汇总过去 7 天最具价值的动态，为产品经理、技术从业者和 AI 爱好者提供一站式资讯参考。

1️⃣ 大模型最新动态

OpenAI 强化 ChatGPT 安全

内容简介：4 月 30 日 OpenAI 宣布推出「高级账户安全」功能，为 ChatGPT 用户提供更强的登录和恢复选项。除了支持 Passkey 和实体安全密钥等多因子认证方式，还加入安全恢复码、缩短登录会话并实时推送登录提醒 。此外启用该功能的用户与企业会自动排除对话训练数据，提高隐私保护。

亮点分析：针对记者、公职人员等高风险群体，新功能提升账户防护水平，并结合训练排除选项体现了对隐私与安全的重视。

Codex v0.128.0 更新

内容简介：OpenAI 在 4 月 30 日发布 Codex 版本更新，引入持久化 /goal 工作流，支持在 API 端存储目标与流程；改善插件工作流和多代理配置，新增权限配置模板和富文本 TUI 控件，同时修复若干缺陷 。

亮点分析：持久化工作流和权限模板有助于开发者构建长期有效的代码代理，使复杂项目的多角色协同更加稳定。

Gemini API 推出事件驱动 Webhooks

内容简介：Google 在 5 月 4 日宣布 Gemini API 支持基于事件的 Webhook，替代此前的轮询方式，开发者可以在批量生成或长任务完成后自动收到通知，从而避免频繁查询 。同时 4 月 30 日关闭了旧版 gemini‑robotics‑er‑1.5，建议开发者迁移至性能更强的 1.6 版；4 月 22 日通用文本嵌入模型 gemini‑embedding‑2 正式 GA 。

亮点分析：Webhook 极大地减少了开发者的运维负担，新版 Robotics‑ER 1.6 改善空间理解与多视角推理能力 。

Google 推出 Gemma 4 开源模型

内容简介：在 Cloud Next ’26 上，Google 公布了 Gemma 4——一款面向「Agentic AI」的开放模型。官方介绍称，它在推理能力方面实现了“每参数最大智商”，并保持开源社区的高下载量；同时发布了第八代 TPU，针对代理时代的超大计算需求而设计。

亮点分析：Gemma 4 兼顾开源和商用性能，配合新的 TPU 和 Gemini Enterprise Agent Platform，可为开发者提供从模型到硬件的完整生态支撑。

2️⃣ 最新论文速递

《Thinking in Text and Images: Interleaved Vision–Language Reasoning Traces for Long‑Horizon Robot Manipulation》

研究机构/作者：纽约大学等

创新点：

提出交替的视觉–语言推理轨迹 (IVLR)，将长时序任务拆解为文本子目标和关键帧，用多模态 Transformer 生成轨迹，并通过切片与自动描述提供伪监督 。

应用价值：

在 LIBERO 基准上成功率达 95.5%，比仅用文本或视觉显著提升长时操控表现，证明图文交织的重要性 。

《To Call or Not to Call: A Framework to Assess and Optimize LLM Tool Calling》

研究机构/作者：宾夕法尼亚大学等

创新点：

针对 Agent 系统中过度调用工具的问题，建立评估框架衡量工具调用的必要性、效用和成本，并用模型隐藏状态训练轻量化评估器以改进决策 。

应用价值：

分析表明模型感知的需求常与真实需求不符，使用评估器后可显著减少冗余调用并提高任务成绩 。

《Position: agentic AI orchestration should be Bayes‑consistent》

研究机构/作者：牛津大学

创新点：

认为尽管当前大模型推理难以完全贝叶斯化，但负责调度 LLM 与工具的控制层应遵循贝叶斯决策理论，保持对潜在变量的信念并根据交互更新，实现理性决策 。

应用价值：

为构建可靠的多代理系统提供了新的理论指导，特别适用于有不确定环境的任务 。

《AEM: Adaptive Entropy Modulation for Multi‑Turn Agentic Reinforcement Learning》

研究机构/作者：清华大学等

创新点：

针对强化学习训练的稀疏奖励问题，提出无监督的自适应熵调节（AEM），在回复层面调整熵，促使从探索向利用自然过渡 。

应用价值：

在多项任务和 1.5B–32B 参数模型上提升性能，在 SWE‑bench‑Verified 基准上取得 1.4% 提升 。

3️⃣ 热门开源项目推荐

Pixelle‑Video

核心功能：

输入主题即可自动生成完整短视频：智能撰写解说词、逐句生成 AI 插图和视频片段、合成语音解说，添加背景音乐并一键合成视频 。

推荐理由：

模块化设计、零剪辑经验即可使用；支持多种模型（GPT、通义千问、DeepSeek、Ollama 等）、多种尺寸和视觉风格，可基于 ComfyUI 自由组合能力 。

claude‑context

核心功能：

为 Claude Code 开发的插件，利用 Milvus 等向量数据库索引大型代码库，并在编写代码时提供语义搜索结果，减少上下文窗口消耗 。

推荐理由：

通过检索相关函数和文件显著提升代码代理答复质量，是构建编码助手的重要工具。

pi‑mono

核心功能：

Badlogic 发布的 AI 代理工具包，包括命令行编码代理、统一的 LLM API（支持 Anthropic、OpenAI、Google、Groq 等），配套的终端和 Web 界面库、Slack 机器人以及 vLLM 部署方案 。

推荐理由：

集成了多种开发和部署能力，可快速构建跨模型的智能应用。

ml‑intern

核心功能：

Hugging Face 推出的“ML intern”可自主学习资料、编写并发布高质量机器学习代码；支持与文档、论文和数据集交互，并在私有数据集上传会话记录。

推荐理由：

面向开发者的 AI 助理，帮助完成项目调研和代码落地，支持交互式或无头运行模式。

TradingAgents

核心功能：

一套多智能体的 LLM 交易框架，模拟基金公司架构，构建基本面、舆情、新闻、技术分析等专长代理与交易员、风险管理代理协作决策 。最新版本增加结构化输出代理、LangGraph 断点恢复和持久决策日志，支持 DeepSeek/Qwen/GLM 等模型 。

推荐理由：

展示了多代理系统在复杂决策中的应用，并强调用于研究非金融建议。

4️⃣ AI 工具新品与升级

Gmail 进入 Gemini 时代

用途场景：Google 在 5 月初为 Gmail 推出 AI Inbox、AI Overviews、Help Me Write 和 Proofread 等功能。AI Overviews 能自动总结长邮件线程并回答问题，用户可用自然语言提问 ；Help Me Write 与 Suggested Replies 可根据上下文生成草稿，Proofread 提供语法、语气检查 。AI Inbox 则根据联系人和内容优先级筛选重要邮件 。

主要亮点：借助 Gemini 3，大幅提升邮箱搜索与创作效率；部分功能免费面向所有用户，高级版本对 Pro/Ultra 订阅者开放 。

Google Vids 开放高质量视频生成

用途场景：Google Vids 现在对所有帐户提供基于 Veo 3.1 模型的高质量视频生成功能，每个个人账号每月可免费生成 10 个视频 。Google AI Pro 与 Ultra 用户还可使用 Lyria 3/3 Pro 模型生成自定义音乐和可定向 AI 头像 。

主要亮点：提供屏幕录制 Chrome 插件和一键发布至 YouTube 功能，并开放千次视频生成额度给高级用户 。让视频创作和剪辑更普惠。

Deep Research Max

用途场景：作为 Google 在 Cloud Next 发布的新代理产品，Deep Research Max 能独立进行高层次研究任务并自动综合庞杂数据，减轻研究人员的重复整理工作 。

主要亮点：它代表了自主代理在信息检索和资料整合上的飞跃，适合需要深度分析的业务。

Google Colab Learn Mode

用途场景：Colab 新增 Learn Mode，基于 Gemini 与自定义指令为用户提供逐步指导，解释“为什么”和“如何”，不仅自动写代码，还保存个性化偏好 。

主要亮点：将笔记本变成个人导师，提高学习效率；支持持续同步设置。

5️⃣ Agent 技术与框架进展

Microsoft Agent Framework 1.0 正式发布

应用案例 / 技术升级：微软在 4 月初宣布 Agent Framework 1.0，稳定支持 .NET 与 Python，用于构建单个助理或多代理系统。该框架融合了 Semantic Kernel 和 AutoGen 的优势，提供企业级的多代理编排、跨模型服务连接器、多运行时互操作（支持 A2A 与 MCP 协议） 。版本 1.0 包含可插拔内存、工作流图引擎、序列/并行/群聊等多种编排模式，并以 YAML 声明式方式定义代理和工作流 。

价值点评：为企业快速搭建 Agent 应用提供了完整 SDK 与长期支持，降低了构建多智能体系统的门槛。

Gemini Enterprise Agent Platform

应用案例 / 技术升级：Cloud Next ’26 发布的企业级 Agent 平台，允许组织构建并管理自主代理，支持复杂业务流程的多步骤任务执行。平台依托第八代 TPU，提供高效算力，并配套 Gemma 4 模型。

价值点评：标志着云服务商向完整「Agentic AI」生态迈进，企业无需自建基础设施即可开发自定义代理。

TradingAgents 多代理案例

应用案例 / 技术升级：TradingAgents 开源框架将基本面分析、情感分析、新闻分析、技术分析代理与交易员、风险管理代理组队协作，4 月版本加入结构化输出代理、LangGraph 断点恢复和持久日志功能。

价值点评：该项目展示了在复杂决策场景中多代理协作的实践，可借鉴其对话记录与风险控制机制。

Deep Research Max

应用案例 / 技术升级：除了作为工具，Deep Research Max 也是一项具备代理特性的产品，能够自主制定研究计划并处理长期资料；发布方称其能大幅减轻人工数据分析负担 。

价值点评：展示了在知识发现领域的自动化潜力，是 Agentic AI 的典型应用之一。

6️⃣ 自动驾驶 / 机器人动态

WeRide 与 Lenovo 计划部署 20 万台 Robotaxi

核心内容：在北京车展期间，WeRide 宣布与联想深化合作，未来五年内计划在全球投放多达 20 万台 L4 级 robotaxi 。双方将整合自动驾驶平台和智能制造能力，推出基于 NVIDIA DRIVE AGX Thor 的 HPC 3.0 计算平台，提供超过 2000 TOPS 算力并将成本降低 50% 、总拥有成本减少 84% 。

行业意义：该计划体现出行业从技术验证阶段走向规模化部署，成本控制和供应链整合成为 robotaxi 商业化的关键。

Google Gemini 登陆 Polestar 和 Volvo 电动车

核心内容：Polestar 与 Volvo 宣布通过 OTA 升级在其电动车上引入 Google Gemini，通过自然对话替代传统语音指令，支持路线规划、沿途查找服务、总结并翻译短信以及根据情绪播放音乐 。Gemini Live 模式还允许驾驶者与车辆进行长时间的无接触对话 。

行业意义：从指令式助手迈向会话式伙伴，显示 AI 正成为车载体验的核心，未来将延伸至更多车型和地区 。

特斯拉瞄准年产千万台 Optimus 机器人

核心内容：特斯拉在 Q1 财报中宣布将于 Q2 在弗里蒙特工厂启动 Optimus 人形机器人生产，初期年产能达 100 万台，并在得州 Gigafactory 建设第二代产线，目标年产 1000 万台 。公司同时研发 AI5 推理芯片和“数字 Optimus”智能层，以支撑机器人和 robotaxi 的计算需求 。

行业意义：从汽车制造向机器人制造转型，凸显企业对通用机器人市场的雄心，若能达成将改写全球制造业版图。

Locus Robotics 发布 Locus Array 全自动拣选系统

核心内容：Locus Robotics 在 4 月发布 Locus Array，结合移动底盘、集成机械臂和 AI 感知，实现全流程自主订单执行 。系统可处理拣选、上架、诱入、下架、补货等多种环节，号称将人工劳动减少 90% 。

行业意义：面对仓储行业的不确定性和劳动力短缺，Array 代表了移动操作机器人向规模化应用迈出的重要一步 。

—

本简报所涉及的新闻和研究均来自公开资料，截至 2026 年 5 月 5 日。如有遗漏，欢迎读者指出。愿这些亮点助你洞察 AI 行业最新动向！