Visa、万事达、蚂蚁国际联手：AI Agent付款也要有「身份证」
相关推荐
蚂蚁国际与Visa、Mastercard合作制定AI智能体支付标准
PANews 9月10日消息，据CNBC报道，蚂蚁国际与Visa、Mastercard启动合作，将建立“了解你的智能体”（KYA）互操作框架，为AI智能体身份识别、验证及交易监控制定通用标准，使在一个网络完成验证的智能体可跨生态使用。麦肯锡预计，到2030年AI智能体或将参与3万亿至5万亿美元全球消费交易。
Cathie Wood：Visa 与 Mastercard 分析师难理解 Circle 颠覆性，其 IPO 后涨 84%
ChainCatcher 消息，据 Cointelegraph 报道，ARK Invest 创始人 Cathie Wood 表示，专注于 Visa 和 Mastercard 的分析师无法理解 Circle 带来的颠覆，尽管 Circle 在 IPO 后已上涨 84%。
由 Rain 发起的 Agentic Payments Alliance 正式成立
Foresight News 消息，为稳定币支付提供企业级基础设施的 Rain 正式成立 Agentic Payments Alliance（APA），该联盟由多家机构组成，旨在共同推动代理商务的发展。创始成员包括 Visa、Mastercard、Fiserv、Circle、Solana 和 Remitly。联盟早期工作预计包括共享研究和框架、测试新兴的代理身份和授权标准，以及就代理商业引发的监管问题进行倡导。
OpenAI Agent又曝黑历史：Hugging Face事件前两月已攻击RubyGems
动察 Beating AI 快讯，研究人员披露，OpenAI 内部 Agent 今年 5 月曾大规模涌入 Ruby 官方软件包网站 RubyGems.org。5 月 11 日到 12 日，两天上传超过 2000 个包，RubyGems 一度暂停新用户注册 4 天。OpenAI 已确认这些 Agent 来自公司内部，但称它们只是借 RubyGems 访问互联网，执行良性任务并获取公开信息。 这些 Agent 还利用 RubyDoc.info 自动生成文档的机制，让自己上传的脚本在对方服务器执行，再抓取英国地方政府网站的数据并重新打包回传。研究人员称，至少 6 个包还尝试利用一个当时尚未公开的 RubyGems 漏洞，窃取其他用户的 API Key。这个漏洞直到 7 月才被独立发现，RubyGems 后来将其评为高危漏洞。 目前没有证据证明 Agent 真偷到了密钥。RubyGems 检查日志后也没发现旧密钥被恶意使用，但历史日志并不完整。研究团队还称，OpenAI 当时没有告诉 RubyGems 自己与这次攻击有关。整个事件比 7 月的 Hugging Face 入侵早了两个月。
英伟达给Pi加外挂：Agent自己研究找出4种优化，Token最高省64%
动察 Beating AI 快讯，英伟达 NVLabs 开源 SoL-Pi，给 Coding Agent Harness「Pi」加了一层效率优化。研究团队搭了一套自动研究流程，让多个 Agent 分析 Pi 的运行轨迹、提出优化方案、改代码并自动验证。最初有 152 个候选方向，最后只留下 4 个。 这 4 个优化都在减少重复开销。比如改完代码后直接接着跑测试，少一次模型调用；读过的大文件和长输出先存到本地，需要时再取；子任务结束后判断要不要压缩上下文；超长日志先交给便宜模型筛重点，再核对内容确实来自原日志。 在 EdgeBench 上，SoL-Pi 相比原版 Pi 少用 45%–49% Token，成本低约三分之一；相比 Codex、Claude Code 的原生 Harness，Token 少 35%–64%，按 API 标价计算成本低 50%–54%。 不过省钱会损失一点能力，SoL-Pi 保留了 Pi 约 94% 的平均得分；在 Terminal-Bench 4 的 63 个 CPU 任务里，它解出 15 个，Codex 和 Pi 都是 18 个。
腾讯T1专攻Agent长任务：连续操作300多轮，跑分涨20分
动察 Beating AI 快讯，腾讯把 Qwen3.5-122B-A10B 专门拿去练终端 Agent，做出了 T1。它主要处理 Linux 终端里的复杂任务，单个任务最多能连续调用工具 300 多轮。Terminal-Bench 2.1 得分从底模的 43.8% 升到 64.0%，涨了 20.2 分。 这 20.2 分里，大头来自强化学习。SFT 只把分数拉到 49.4%，后面的强化学习又涨了 14.6 分。团队准备了约 1.5 万个终端任务，每个任务都配有自动测试。Agent 没把整个任务做完，只要完成了其中一些要求，也能拿到相应奖励。 长任务还有一个麻烦。Agent 真正干活和之后拿这段经历训练时，同一句内容可能被重新切成不同 token，MoE 也可能换一批专家处理。T1 会把当时生成的 token 和选中的专家都记下来，训练时直接照着重放，把这种训推偏差压低了约三分之一。