头条 · AI 版The Verge AI
Apple 将限制 Mac 磁盘访问，因 AI Agent 风险“大幅”增加
Apple will limit Mac disk access as AI agents ‘substantially’ increase risk
Apple收紧Mac全盘访问，源于AI Agent风险；普通用户需多一步确认
全部新闻
机构与应用CoinDesk
BNY与Kraken母公司Payward就基础设施合作进行谈判BNY若牵手Payward，托管交易支付一站式，机构得便利却也押注集中风险。
已经在 BNY 做托管和资产服务的资管机构，接下来要判断是否把交易与支付也并进同一条管道：省掉的是多头对接，押上去的是单一对手方敞口。
展开全文收起
依据
CoinDesk 引两名知情人士称，BNY 正与 Kraken 母公司 Payward 谈一份覆盖数字资产与金融市场基础设施的广泛合作，可能涉及加密产品、托管、财富管理、交易、支付与基础设施；双方均拒绝置评。一名人士说，其中基础设施部分可能类似 Payward 与 Nasdaq 协议里的对应条款。落地通道是 Payward Services，即该公司面向银行、交易所和资管机构的企业级平台；BNY 一侧提供托管、资产服务、清算与财富管理，并正在开发代币化存款（tokenized deposits，用于机构之间近乎实时的链上结算）。对照数字：Nasdaq Ventures 上月以 $21 billion 估值向 Payward 投资 $100 million，并把市场监控技术铺到 Payward 的加密、股票、代币化股票、期货与期权场所；Payward 4月同意以最高 $550 million 收购 Bitnomial，其后又达成 $600 million 的收购。
- Nasdaq 对 Payward 投资$100 million
- 收购 Bitnomial 上限$550 million
- 其后一笔收购$600 million
Payward 近期对外投资与收购的资金规模 没写清 谈判处在哪个阶段、是否排他、有没有签约时间表，材料都没写；除两名匿名知情人士外没有第三方确认。
下一步 看 BNY 与 Payward 是否从「拒绝置评」转为具名公告，并在公告里点名 Payward Services 覆盖的托管与支付范围。
AI工具AWS Machine Learning Blog
使用 Amazon Quick 和 Adjudicated Query 模式对数千份租约进行合规扫描亚马逊官方披露Quick配规则引擎扫租约，可复现的合规链路，成本是依赖MCP部署
合规负责人要做的决定变了：不再是抽查多少份租约，而是是否把通过与否的判定权交给确定性规则引擎、由业务在 Amazon Quick 里提问，并一并接下随之而来的部署与运维。
展开全文收起
依据
AWS 的 Anand Komandooru 在官方博客里把这套做法命名为 Adjudicated Query（裁定式查询）：业务用户在 Amazon Quick（AWS 的 AI 助手）聊天界面里直接问合规问题，而通过与否的判定留在确定性规则引擎里，也就是不交给模型的固定规则判断。文中给出的场景是一个组合运营方持有 50,000 份租约、分布在多个州，各州自行发布房东租客法规（滞纳金上限、通知期、押金等）；把几万份租约逐条对照这些法规、还要证明真的都核过，已超出多数合规团队的能力范围。作者同时给出 AWS 参考架构和一个可端到端运行的样例，并说明同一模式可移植到制裁筛查、保险理赔裁定、出口管制。
- 业务在聊天界面提问转译
- 裁定式查询模式
AI工具AWS Machine Learning Blog
用 Amazon Bedrock AgentCore 为 Claude Desktop 添加安全的 Web Search接Web搜索得先过IAM和Cognito双认证，安全提了但配置成本也上去了
已经在 Amazon Bedrock 上跑 Claude Desktop 的团队，这次要改的是检索入口的选型：把自建的外部搜索 API 换成 AgentCore Gateway 的 Web Search 目标，代价是认证链要按 IAM 与 Cognito 重走一遍。
展开全文收起
依据
AWS 的 Jishnu Dasgupta 在 2026年10月2日的 Amazon Bedrock 博客里给了做法：Claude Desktop 只能答模型训练截止前的内容，查不到最新文档、实时价格或天气；把 AgentCore Gateway（Amazon Bedrock AgentCore 里用来接外部能力的网关）的 Web Search 目标打开，再用托管 MCP 服务器（Model Context Protocol，模型调用外部工具时约定的协议）把 Claude Desktop 接上去，模型就能自己搜。材料给的机制是流量不外泄：Web Search 由亚马逊自家网页索引支撑，索引规模写作 tens of billions 文档，查询流量留在 AWS 基础设施内，不需要自管外部 API key。帖子没有给出任何可对照的延迟、调用成本或检索命中率数字，所以省下多少运维工时无法量化。策展侧另加了一条原文未出现的实现前提：接 Web 搜索要先过 IAM 与 Cognito 双认证，安全边界更清楚，但开通前的权限配置本身也是一笔投入。
- Claude Desktop发起调用
精选深读OpenAI
GPT-6 系列模型指南初创选GPT-6别只比参数，推理开销和工具编排才卡投产。
初创的选型会不该以参数排名收尾：先把默认推理档位和必须跑通的工具边界定死，再在能跑完整条链路的型号里挑最省的——代价是可能要放弃单点分数更高、但多步调用容易中断的那款。
展开全文收起
依据
OpenAI 在《A model guide for the GPT-6 family》里说，这份指南面向初创，覆盖五件事：从 GPT-6 家族里选型号、调 reasoning effort（推理档位，即模型作答前允许花掉的推理预算）、改 prompt 与 skills（技能，即预先挂给模型的固定能力）、编排 tools（工具调用链路）、为生产准备流程。机制上档位与工具编排互相挤压：档位调高，多步工具调用更可能走完，代价是延迟和单次开销上升；档位压低，账面好看，链路却更容易卡在中间某一步。因此型号不是第一顺位变量，默认档位和工具边界才是——先锁这两样，剩下的才轮到比型号。材料通篇没有数字，排不出谁快谁贵。
没写清 材料没说默认推理档位是哪一档，也没给单次调用的延迟、成本与工具链路完成率，型号之间的先后次序无法在这里排定。
下一步 等 OpenAI 公布各推理档位的延迟与成本表后，用同一条工具链路在默认档位下复跑，记录第一个失败的调用步。
精选深读Hugging Face
开源 AstaBrief，Asta 中的快速报告生成模型AstaBrief开源后生成快，但事实一致性得自己兜底。
这个开源决定改变的是手里有敏感或未发表数据的研究机构：过去只能把稿件交给托管式闭源模型，现在可以下载 AstaBrief 8B 权重在自己机器上生成带引用报告，代价是引用是否忠实原文要由自己校验。
展开全文收起
依据
Ai2 的 Kyle Wiggers 在 Hugging Face 发文说明：AstaBrief 8B 以 Qwen3-8B 为起点，只做后训练，团队放弃了 RL（reinforcement learning，强化学习）路线，改用 SFT（supervised fine-tuning，监督微调）加 DPO（direct preference optimization，直接偏好优化），理由是 RL 训练不稳定且昂贵。机制上的关键改动是把报告生成管线改成一次性写完，而不是逐节生成，所以论文报告质量被压在训练数据的筛选上。效果对照来自同一套 Asta 完整流程：Fast 模式平均每篇报告 51.1 秒，Thinking 模式 178.5 秒，约 3.5× 的差距。文章自己标注，训练和评测大多在 2025 年完成，所用闭源模型是当时的前沿水平，且未对今天的前沿模型重跑全套评测。
- Fast 模式（AstaBrief 8B）51.1 秒
- Thinking 模式（Claude 驱动）178.5 秒