Grok 4.7 深度：2.1 万亿参数、SpaceX 工程数据入训，「同价提速」改写编码模型价格战
【摘要】xAI（SpaceXAI）9 月 21 日发布 Grok 4.7，定位「编码与知识工作最强模型」：基础模型从 4.6 的 1.5 万亿参数扩到 2.1 万亿（+40%），延长强化学习周期并加入更多需数小时完成的难题，强化自我检查与长上下文管理；训练数据首次引入 SpaceX 多年工程语料。定价维持输入 $2 / 输出 $6 每百万 token，fast 版双倍价格换双倍输出速度，已上线 Cursor、Grok Build、Grok API 与 GitHub Copilot。【方法亮点】升级主轴从「单轮答题」转向「多小时任务不跑偏」：CursorBench 4.0 达 46.3%（4.6 为 40.4%，超 GPT-5.6 Sol 的 41.7%，落后 Fable 5.1 的 51.8%）；Terminal-Bench 4.0 从 20.3% 跃至 38.0% 接近翻倍；DeepSWE v1.1 71.0% 反超 Fable 5.1（70.0%）；法律基准 Harvey 19.6% vs GPT-5.6 Sol 2.5%、Fable 5.1 6.7%，领先近 8 倍；EEBench 电气工程 64.0% 同样大幅领先。安全侧 LatchBio 生物安全 62.4%，HackerBench 高危网络提示仅 3.3% 通过，官方称是迄今拒绝危险请求最强的模型。【局限性】HealthBench Professional 56.7% 仍落后两家竞品（60.5% / 62.1%）；发布当日缺第三方复测，全部跑分来自官方口径；马斯克此前定位「大致对标 Claude Opus 5.0，未到 5.1」，多次跳票（RL 阶段模型在难题前过早放弃、自检不严）也提示工程稳定性风险。【对从业者】编码 Agent 市场进入 GPT-5.6 Sol / Claude Fable 5.1 / Grok 4.7 三强格局：$2/$6 的价格是 Fable 级竞品的零头，成本敏感与高吞吐场景值得立即灰度切换；法律、电气工程等垂直知识工作基准首次成为发布会主角——To B 垂直能力正在取代通用跑分，成为下一阶段的差异化战场。
APort Vault：4371 次真人攻击换来的一课——Agent 支付授权边界应放在工具层
【摘要】APort Vault 是首个面向「工具使用型 AI 代理支付授权」的大规模基准：公开 CTF 活动期间收集 4371 条真人攻击提示，对 8 家实验室 14 个模型、5 种策略配置做 225,964 次回放评测，覆盖从无防护到 Open Agent Passport（OAP）确定性预检层的五档强度。【方法亮点】评测拒绝折叠成单一分数，而是报告五类事件：L4 高危提示下 62.6% 让全部 14 个模型都发起了支付；关键差异在授权边界——模型单独运行时 76,842 次评测出现 140 次越权转账，加 OAP 预检层后 69,297 次为 0，且不是靠拒付达成：25,370 笔支付照常执行，仅 187 次转账调用被拒（其中 148 次因禁止收款方）。【局限性】策略配置与攻击队列天然耦合（每条攻击只存在于一个配置档）；数据限于单支付域 CTF 场景；OAP 是规则型预检层而非学习能力，模型自身的授权判断并没有变强。【对从业者】给 Agent 加支付/转账能力前，先在工具层做确定性权限校验（收款方白名单、金额与频控），不要指望提示词对齐兜底；基准与全部 22.6 万条评测已开源（HuggingFace: aporthq/vault-benchmark-v1），可直接作为上线前回归测试集——与此前报道的 ZCode 静默上传 Git 历史、RoboHarm「模型越强越不安全」指向同一结论：Agent 安全的真正杠杆在 harness，不在模型。
Designer-RSI: Evolving Procedural Memory from User Traffic for Agentic Graphic Design
基于用户流量演化程序性记忆的智能体图形设计
冻结前沿模型驱动 230+ 工具的专业设计软件，外部程序性记忆从 1406 个真实用户需求中自动积累并修订技能：五轮迭代技能库 76→139，Claude-Sonnet-4 上 GenEval2 执行成功率 72.7%→99.3%，四个专业设计基准胜率 61.8-67.6%。
CodeMidas: Scaling Agentic Coding RL Environments from Code Itself
从代码本身规模化构建编码智能体 RL 环境
不依赖 issue/commit，直接用源代码构造可执行 RL 环境：3185 个开源库产出 5545 个训练任务、覆盖 23 种语言。GRPO 训练 MiMo-V2.5 后 DeepSWE +11.7%、ProgramBench +17%、Terminal-Bench v2.1 +8.5%。
MintAct: A Unified Visual Agent for Digital Environments
数字环境统一视觉智能体
2B/4B/8B 三档 VLM 统一 UI grounding、移动/桌面/Web 多步导航与视觉工具使用，异步 RL 框架跨域稳定训练，OSWorld-Verified 48.9 达同尺寸 SOTA，性能匹配各领域专精模型。
SeeQ: Training Generalist Value Functions for Long-Horizon Robotic Manipulation
面向长时域机器人操作的通用价值函数训练
为当前活跃子任务学习 Q 值以缩短价值预测视距，测试时自回归预测子任务再估值、免人工标注；在两个双臂平台四个真实操作任务上显著提升 best-of-N 策略引导。
Benchmarking World Models for Continual Learning on Compositional Tasks
组合任务上世界模型的持续学习基准
沿动作/感知两轴分解组合任务课程，隔离「知识复用」与「学新」两种能力：模块化世界模型比常规持续学习方法更会平衡复用与遗忘，但没有方法完全解决——可复用而不遗忘的持续世界模型仍是开放问题。
Artificial Intelligence in Cardiovascular Science and Publishing
心血管科学与出版中的人工智能
Circulation 就 AI 在心血管研究投稿、同行评审与出版流程中的角色刊发立场文章，为 AI 辅助写作与审稿划定期刊侧边界——医学研究者投稿合规的直接参考。
可解释机器学习预测脓毒症诱导凝血病死亡率：多中心队列研究
多中心队列开发并验证可解释 ML 模型预测脓毒症凝血病死亡风险，可解释性支撑床旁决策透明度——ICU 高危患者分层工具的落地样本。
Shall we repeat? Predicting the necessity to repeat blood testing in pediatric emergency departments
儿科急诊重复血液检验必要性预测
ML 模型预测急诊患儿是否需要重复社区已做过的血液检验，指向减少不必要重复抽血与检验资源浪费的落地路径。
APort Vault: Benchmarking AI Agent Payment Authorization with the Open Agent Passport
用开放智能体护照基准测试 AI 代理支付授权
公开 CTF 期间 4371 次真人攻击回放 × 14 模型 × 5 策略配置 = 225,964 次评测；L2-L4 越权转账模型单独运行 140/76,842，加 OAP 确定性预检层后 0/69,297；62.6% 的 L4 高危提示让全部 14 个模型都发起了支付请求。
Predictable Failure in Multi-Hop Retrieval: Score-Distributional Confidence Scoring and Abstention
多跳检索的可预测失败：分数分布置信度评分与弃答
证明多跳检索失败聚在结构可预测子群并给出两条定理；9 个无需额外 LLM 调用的特征构成 RCS 置信分，MuSiQue 上把「自信答错率」从 39.5% 降到 20.6%（50% 覆盖，ECE 0.035），跨数据集迁移仅 -0.5pp。
Moral Entropy: Auditing Bias and Uncertainty in Moral Judgment
道德熵：审计道德判断中的偏差与不确定性
贝叶斯框架保留真实标签完整后验并分解 aleatoric/epistemic 不确定性：any-annotator 规则在约 30% 条目上与校准后验不一致，多数投票规则漏掉 63-83% 真阳性——内容审核与价值对齐数据管线的隐性偏差首次被系统量化。
多脑区神经记录大规模预训练与跨动物迁移基准
基于 IBL Brainwide Map 数据集（276 脑区 × 139 小鼠）建立跨动物迁移三套件；系统评测显示预训练收益强依赖预训练目标与下游任务的对齐，行为-动力学-解剖联合泛化仍是开放挑战。
Identifying Neural State Changes due to Gain versus Off-Manifold Displacement
区分增益调制与流形外位移的神经状态变化
用神经群体活动的径向轴分割流形法空间，把「增益调制 / 流形内运动 / 真位移」的辨识问题形式化为级联几何门，明确何时可解释、何时必然有偏——记忆分段机制研究的方法论升级。
Voxel-Matching NORDIC: Non-local patch formation increases tSNR in high-resolution BOLD fMRI
非局部体素匹配 NORDIC 提升亚毫米 BOLD fMRI 时间信噪比
按时间序列相似性聚合非局部体素成 patch，增强低秩结构：tSNR 比标准 NORDIC 高 9-90%、引入的空间平滑度仅其 20%——亚毫米层级/柱级 fMRI 研究的信噪比利器。
Persistent Quantum-Enhanced Frequency Sensing with T^{-3/2} Scaling
持久量子增强频率传感：T^{-3/2} 标度
Fock 态增强嵌入量子外差（Qdyne）协议，把灵敏度与退相干受限的 interrogation 时间解耦：n=3 Fock 态对 86 MHz 载波达 0.5 μHz 精度，量子优势持续到测量时间超退相干极限 7 个数量级，首个固态自旋缺陷之外的 Qdyne 演示。
Universal Eigenvector Statistics of Non-Hermitian Random Matrices
非厄米随机矩阵的普适本征矢统计
用费米子 replica 非线性 σ 模型解析得到十个对称类的本征矢重迭（谱体内与原点附近），建立厄米能级统计与非厄米本征矢重迭的「对偶」关系——开放系统响应与动力学计算的理论地基。
晶体多极序的对称性分类：理论、物性张量与自动化分析
统一笛卡尔框架把任意阶矩张量分解为普通/环形/极化多极，并直接关联物性张量允许分量；配套交互式 Web 应用（mag-sym-multipoles.com），覆盖铁电 BaTiO3、交错磁体 MnF2/MnTe 等示例——材料高通量筛选的实用工具。