AI 逆向知识热点日报 · 2026-07-19

聚焦领域：AI 在 JS 逆向、安卓逆向、爬虫领域的应用
数据来源：AIHOT API (aihot.virxact.com) + WebSearch 多路并行搜索 + GitHub Trendshift + 项目官网抓取
本期关键词：Damru 安卓原生 stealth · CloakBrowser 源码级 C++ 补丁 · Apkx-Hunter 纯 C 静态分析 · MCP 全流程脱壳漏洞挖掘 · data-scraper-agent 反馈学习爬虫

1. Damru：首个开源的「安卓原生」Stealth 浏览器自动化框架，OS 层指纹欺骗颠覆桌面 stealth 范式

事件概述

2026 年 7 月，GitHub 上出现了一个让爬虫与反爬社区震动的项目——Damru（akwin1234/damru，242 stars）。它自称是「首个开源的、自动化真实安卓浏览器的 stealth 框架」，定位为「移动端的 undetected-chromedriver 替代品」。

Damru 的核心论点极其尖锐：桌面 stealth 已被反爬系统识破，真实移动设备才能蒙混过关。undetected-chromedriver、playwright-stealth、SeleniumBase 这些主流工具都在用 JavaScript 给桌面浏览器打补丁，而这层表面补丁如今已被检测系统读穿。Damru 反其道而行——跑一个真正的安卓设备，在浏览器之下（OS / 二进制 / CDP 三层）改写指纹，让检测系统看到的就是真实手机。

核心架构：Redroid → CDP → Playwright

Python API  →  ADB  →  Redroid (Docker 内的真实 Android 14)
                          ↓
                    OS 层 / 二进制层 / 网络层 指纹改写
                          ↓
                       Chrome (CDP)
                          ↓
                    Playwright 风格 Python API

能力	数值/说明
真实设备 profile	155 个（Samsung / Pixel / Xiaomi / OPPO / Realme 真机指纹，非桌面伪装移动）
TLS / JA3 指纹	~184 个（一个二进制生成 184 个网络指纹）
Stealth 层级	8 层（OS / binary / CDP / 网络 / 行为 / GPU / TLS / 时间）
JavaScript 注入	0（所有欺骗都在 DOM 之下完成，检测系统在 DOM 里读不到任何补丁痕迹）
安卓版本	Android 14 via Redroid（Docker 容器）
测试通过	CreepJS、Sannysoft、BrowserScan、Fingerprint Pro
并发能力	可编排多个 Redroid worker 并行，规模化抓取
安装	`pip install damru`（PyPI 一行装）

最关键的技术突破：GPU 二进制 patch

Damru 直接 patch Vulkan 和 GLES 的 .so 文件，让 GPU 指纹（GPU 型号、渲染器字符串、扩展列表）与 spoof 的设备型号完全匹配。这一层是桌面 stealth 工具无法做到的——桌面浏览器只能伪造 WebGL 字符串，但底层 GPU 调用还是宿主机的；Damru 在系统层替换了 GPU 调用本身。

值得关注的原因

类别首创：移动端 stealth 的开源空白被填补——此前所有 stealth 框架（playwright-stealth、undetected-chromedriver、SeleniumBase、Camoufox、CloakBrowser）都聚焦桌面浏览器，Damru 是第一个开源的「真实安卓 + OS 层 patch」方案
桌面 stealth 已被读穿，移动流量被反爬系统更信任——TikTok、Instagram、Facebook 等大平台对移动流量给予更高信任度，Damru 让爬虫能进入「移动优先」的信任区
0 JavaScript 注入是质的飞跃——传统 stealth 工具在 DOM 注入的 hook 函数本身就是检测靶标，Damru 在 DOM 之下完成所有欺骗，检测系统在页面里找不到任何 hook 痕迹
与本项目（Pixel 安卓逆向环境）天然契合——我们已具备完整的 Pixel + Magisk + Frida 环境，可结合 Damru 做：① 移动端 stealth 抓包；② 真机 Frida hook 与 Damru CDP 自动化协同；③ 移动端爬虫对抗测试
规模化设计——Redroid 容器池可水平扩展，相比真机农场成本低一个数量级

来源链接

官网：https://damru.dev/
GitHub 仓库：https://github.com/akwin1234/damru
与桌面 stealth 对比：https://damru.dev/comparison/
工作原理：https://damru.dev/how-it-works/

2. CloakBrowser v0.3.31：源码级 C++ 补丁的 Stealth Chromium，30/30 检测站点全通过，Playwright 一行替换

事件概述

近期发布的 CloakBrowser v0.3.31（基于 Chromium 146.0.7680.177.5）代表了桌面端 stealth 浏览器的另一条技术路线——不靠 JS 注入，直接改 Chromium 源码并编译成二进制。

它的核心论点与 Damru 形成镜像：playwright-stealth、undetected-chromedriver 这类工具在浏览器进程里注入 JavaScript 或调 flags，每次 Chrome 更新都会失效，且反机器人系统能检测到补丁本身的存在。CloakBrowser 把所有指纹补丁做进 Chromium 的 C++ 源码层，编译后的二进制就是一个「长得像真 Chrome 的真 Chrome」——检测系统看到的是真浏览器，因为它就是真浏览器。

核心能力一览

能力	数值/说明
C++ 源码补丁数	58 个（覆盖 canvas、WebGL、audio、fonts、GPU、screen、WebRTC、network timing、automation signals、CDP input behavior）
检测站点通过率	30/30（reCAPTCHA v3 / Cloudflare Turnstile / ShieldSquare / FingerprintJS / BrowserScan / bot.incolumitas.com / deviceandbrowserinfo.com）
reCAPTCHA v3 评分	0.9（人类级别，服务端验证；对比 Playwright 默认 0.1）
Cloudflare Turnstile	非交互式自动通过 / managed 单击通过
Chromium 基础版本	146.0.7680.177.5
API 兼容	Playwright drop-in 替换：`from cloakbrowser import launch` 即可
humanize 模式	贝塞尔曲线鼠标、逐字符键盘输入（含停顿与偶发纠错）、真实滚动
WebRTC IP 伪装	`--fingerprint-webrtc-ip=auto` 自动解析代理出口 IP 并伪造 ICE candidates
原生 SOCKS5 代理	`proxy="socks5://user:pass@host:port"` 直连（含 QUIC/HTTP3 over SOCKS5 via UDP ASSOCIATE）
GeoIP 自动检测	根据代理出口 IP 自动匹配时区与 locale
平台支持	Linux x64/arm64、macOS arm64/x64、Windows x64
配置文件管理器	自托管替代 Multilogin / GoLogin / AdsPower（开源 MIT）

与 AI Agent / 爬虫框架的已验证集成

框架	Stars	集成方式
browser-use	70K	CDP 连接
Crawl4AI	58K	CDP 连接
Scrapling	21K	CDP 连接
Stagehand	21K	直接启动
LangChain	100K+	loader
Selenium / undetected-chromedriver	12K	直接启动
Crawlee	8.6K	直接启动
AWS Lambda	—	Lambda 容器镜像

值得关注的原因

补丁做进二进制是 stealth 工具的范式升级——传统 stealth 在运行时打补丁，每次 Chrome 更新都破；CloakBrowser 在编译时打补丁，Chrome 升级只需 rebase patch 再编译，且检测系统无法从进程内看到补丁痕迹
0.9 reCAPTCHA v3 评分与 30/30 检测通过率是当前公开 stealth 工具的天花板——reCAPTCHA v3 是服务端验证（不是前端绕过），0.9 意味着 Google 自己的 anti-bot 系统都判定为人类
与 AI Agent 生态的深度集成——browser-use、Crawl4AI、Scrapling、LangChain 这四大主流 AI Agent / 爬虫框架都已验证集成，CloakBrowser 已成为 AI Agent 的「隐形驾驶舱」
TLS 指纹与 Chrome 完全一致——这是反爬对抗深水区的关键能力，反爬系统在 TLS 握手阶段（HTTP Header 之前）就能识别 Go/Python 标准库的指纹，CloakBrowser 在这一层就匹配真 Chrome
与本项目已沉淀的 httpcloak（协议层）+ TrustMeAlready（SSL Pinning 绕过）形成完整栈——CloakBrowser 解决「客户端→服务器」方向的浏览器指纹，httpcloak 解决 TLS 指纹，TrustMeAlready 解决 App 端 SSL Pinning，三层叠加可覆盖几乎所有反爬场景

来源链接

项目仓库：https://github.com/jialinjun/CloakBrowser（fork 自 CloakHQ/CloakBrowser）
检测站点测试结果与 CHANGELOG：仓库内 CHANGELOG.md
与 AI Agent 框架集成示例：仓库内 examples/ 目录

3. Apkx-Hunter v2.0.0：纯 C 语言编写的安卓静态分析框架，内置离线 ML 密钥分类引擎

事件概述

2026 年 7 月 18 日，GitHub 上一个用纯 C 语言编写的安卓静态分析框架登上 Trendshift 周趋势榜——Apkx-Hunter（SyscallX-18113/Apkx-Hunter）。在所有安卓逆向工具几乎都被 Python / Java 统治的当下，用 C 写一个完整的 OWASP MASVS 静态扫描器本身就是反常识的选择。

项目作者 Devesh Kachhawaha 给出的理由很硬核：C 语言带来的执行效率、零运行时依赖（除了 JADX + APKTool + unzip）、以及完全离线的 ML 推理引擎。

核心能力：OWASP MASVS 15 类别 / 166 模式

编号	类别	检测模式数
1	Weak Cryptography（弱加密）	28
2	Certificate Pinning（证书绑定）	13
3	Root Detection（Root 检测）	20
4	Anti Debugging（反调试）	9
5	Anti Tamper（防篡改）	3
6	SharedPreferences	8
7	SQLite	9
8	External Storage（外部存储）	11
9	Dynamic Code Loading（动态代码加载）	10
10	Reflection（反射）	9
11	Runtime Command Execution（运行时命令执行）	9
12	WebView Security	13
13	Network Security（网络安全）	10
14	SSL Validation（SSL 验证）	10
15	Native Library Loading（原生库加载）	9
合计		166

功能模块

🔍 JADX 反编译（fast / deep 两档）+ APKTool 反编译
📦 多格式解包：APK / AAB / APKM / APKS / XAPK / ZIP
🔑 密钥检测：API keys、tokens、密码、嵌入密钥
🌐 端点发现：URL、API endpoint、安全相关模式
🔐 权限分析：Android 权限与导出 Activity
📚 原生库检测：.so 文件清单与特征
🤖 ML 密钥分类：基于统计特征的离线推理，对检测到的密钥做置信度评分

最独特的创新：纯 C 实现的离线 ML 推理引擎

检测潜在密钥 → 提取统计特征（熵值、字符分布、长度、大小写比例、数字、符号）
            → 加载训练模型 model.bin（纯数值权重，非可执行代码）
            → 执行 ML 推理 → 输出置信概率 → 呈现结果供人工验证

关键点	说明
模型形式	`model.bin` 只含训练好的数值权重，二进制数据形式加载
依赖	零外部依赖——不调云 API、不依赖 PyTorch/TensorFlow/ONNX runtime
推理方式	统计特征 + 权重矩阵相乘（C 原生实现）
隐私	完全离线，无数据外传
部署	单一可执行文件 + 一个 `model.bin`，开箱即用

性能表现：在 Intel Core i3-2120 + 8GB RAM 的 Kali Linux 上，可成功反编译并扫描 85MB 的 APK，平均反编译时间 50-60 秒。

值得关注的原因

纯 C 实现在安卓安全工具生态中极为罕见——现有工具（MobSF、APKLeaks、QARK、MARA）几乎全部基于 Python，Apkx-Hunter 用 C 重新实现意味着：① 执行效率高一个数量级 ② 部署无 Python 依赖地狱 ③ 可在资源受限的 ARM 设备上直接跑（树莓派、Termux 等）
内置 ML 密钥分类是误报治理的新思路——传统密钥扫描器（如 truffleHog、APKLeaks）最大痛点是误报爆炸，每个 APK 能扫出上百个「疑似密钥」。Apkx-Hunter 用统计特征 + 离线 ML 推理做置信度评分，把人工筛选工作量降一个数量级
OWASP MASVS 166 模式覆盖度行业领先——MobSF 的 MASVS 检测覆盖面不如 Apkx-Hunter 完整，且 Apkx-Hunter 已通过 OWASP UnCrackable Level 4 验证
与本项目（Pixel 逆向环境）的协同点：① Apkx-Hunter 做静态初扫定位加固/反调试/加密点 ② Frida 做动态 hook 验证 ③ Jadx MCP 做语义级代码理解，三层协作可大幅提升 APK 分析效率
C + ML 的工具设计思路可迁移到其他逆向场景——离线 ML 推理引擎的思路（统计特征 + 二进制权重）可迁移到 SO 文件函数识别、字符串语义分类、控制流特征识别等场景，不依赖 GPU 与云 API

来源链接

GitHub 仓库：https://github.com/SyscallX-18113/Apkx-Hunter
Trendshift 趋势榜（badge ID: 79601）
版本：v2.0.0（commit 8fd2794，2026-07-18）
开源协议：Apache License 2.0

4. 从脱壳到漏洞挖掘：用 MCP 打造全自动化 Android 应用安全分析流水线

事件概述

2026 年 7 月 14 日，先知社区（阿里云安全社区）发表了一篇系统性实践文章——《从脱壳到漏洞挖掘：用 MCP 打造全自动化 Android 应用安全分析流水线》。作者 humi****in123 把四个独立 MCP 工具串成一条「设备连接 → 自动脱壳 → 智能反编译 → 漏洞挖掘 → 报告生成」的端到端流水线，用一句话就能完成从 APK 到安全报告的全流程。

四大 MCP 工具组成

技能	作用	来源
ADB MCP	与 Android 设备交互：连接、拉取 APK、执行 shell 命令	作者自写（Python）
rev-dex-dumper	一键脱壳，从运行中的应用内存中 Dump DEX	P4nda0s 的 reverse-skills 技能包
rev-frida	生成和调用 Frida 动态插桩脚本	P4nda0s 的 reverse-skills 技能包
JADX MCP	与 JADX-GUI 反编译引擎交互，35+ 个代码查询与分析工具	zinja-coder/jadx-ai-mcp

JADX MCP 提供的 35+ 工具（六大类）

类别	代表工具
上下文获取	`fetch_current_class`、`get_selected_text`
类/方法/字段查询	`get_all_classes`、`get_class_source`、`get_smali_of_class`、`search_method_by_name`、`search_classes_by_keyword`
资源与清单	`get_android_manifest`、`get_manifest_component`、`get_strings`
应用结构	`get_main_activity_class`、`get_package_tree`
交叉引用（Xrefs）	`get_xrefs_to_class`、`get_xrefs_to_method`、`get_xrefs_to_field`
重命名（去混淆）	`rename_class`、`rename_method`、`rename_field`
调试辅助	`debug_get_stack_frames`、`debug_get_threads`

四阶段自动化工作流

阶段一：环境准备与设备连接
  get_devices → list_packages → 拉取 APK
                ↓
阶段二：自动化脱壳（如遇加固）
  检测加固特征（libjiagu.so / libsec.so）
    → 启动应用 → rev-dex-dumper 一键脱壳 → 拉取 DEX
                ↓
阶段三：智能反编译与漏洞分析
  JADX MCP 加载 DEX/APK
    → 硬编码凭证狩猎（sk-*、AKIA*、password=、Bearer）
    → 不安全 API 检测（SQLiteDatabase.execSQL、HttpURLConnection、不安全 TrustManager）
    → 敏感权限与组件导出分析
    → xrefs_to_method / xrefs_to_field 追踪敏感数据流
    → AI 代码解释与去混淆
                ↓
阶段四：报告生成
  结构化 Markdown 安全报告
    （执行摘要 + 硬编码凭证清单 + 漏洞详情 + 敏感 API 与权限清单）

核心价值（作者总结）

维度	传统方式	自动化后
工作模式	记住大量 ADB / Frida / JADX 命令	表达意图，AI 记住所有细节
工具管理	脚本散落一地	MCP 技能市场，`npx skills add xxx` 即装即用
心流连续性	频繁切换终端、JADX 等工具	聊天框一句话完成，保持分析思维连续
门槛	新人面对环境配置与工具链壁垒	自然语言即可完成完整流程

值得关注的原因

首个公开的「MCP × Android 安全分析」完整流水线文章——此前 MCP 在逆向领域的应用多是单点工具（jadx-mcp、frida-mcp、ida-mcp），本文首次把四个 MCP 串成端到端工作流并系统化发表
JADX MCP 的 35+ 工具是当前 Java 层逆向最完整的 MCP 工具集——覆盖了从清单查询到交叉引用到去混淆重命名的完整链路，比此前社区看到的 jadx-mcp 工具更全面
rev-dex-dumper 把脱壳这一最高门槛环节标准化——传统脱壳要手动跑 FRIDA-DEXDump、YouKing、BlackDex、FART 等多种工具且要会判断何时该用哪个，rev-dex-dumper 把整个流程压缩到一句话
「敏感数据流追踪」是漏洞挖掘的关键能力——xrefs_to_method + xrefs_to_field 让 AI 能自动追踪「用户输入 → 加密 → 网络发送」的完整数据流，定位隐私泄露与不安全存储
与本项目工作流直接对齐：我们的 Pixel + Magisk + Frida 环境已具备完整基础设施，可直接安装 reverse-skills 技能包 + jadx-ai-mcp 后照搬这套工作流

来源链接

先知社区原文：https://xz.aliyun.com/news/92518
reverse-skills 技能包：https://github.com/P4nda0s/reverse-skills
jadx-ai-mcp：https://github.com/zinja-coder/jadx-ai-mcp
安装命令：npx skills add P4nda0s/reverse-skills

5. data-scraper-agent：把 AI 爬虫做成「生产级管道」的开源模板，反馈学习 + 模型回退链 + 零托管成本

事件概述

2026 年 7 月 6 日，LobeHub 平台上发布了一个名为 data-scraper-agent 的开源 Skill（dpthinh910/ai-agent-timmy，v1.0.1）。它不是又一个新爬虫框架，而是把 AI 爬虫从「能跑的脚本」做成「可长期运行的生产级管道」的工程模板——用免费层服务搭出零托管成本的「收集 → 丰富 → 存储」三层架构，并通过 Git 持久化的 JSON 反馈循环让 Agent 从用户决策中持续学习。

三层架构：COLLECT → ENRICH → STORE

COLLECT              ENRICH                STORE
  │                    │                     │
requests/BS4      Gemini Flash         Notion /
Playwright        评分/摘要/分类        Sheets / Supabase
GitHub Actions         │                     │
  cron              批量调用 +             Git 持久化
  定时触发           模型回退链             feedback.json

免费层技术栈（零托管成本）

层级	工具	免费额度
抓取	`requests` + `BeautifulSoup`	无限
JS 渲染页面	`playwright`	无限
AI 增强	Gemini Flash REST API	500 次/天、100 万 token/天
存储	Notion API	无限（约 200 次写入/天）
调度	GitHub Actions cron	公开仓库无限（约 20 分钟/天）
学习反馈	仓库内 `data/feedback.json`	零基础设施

关键工程实践

批量 LLM 调用而非逐条：33 条数据 → 7 次批量调用（batch_size=5），避免触发速率限制
四级模型回退链：gemini-2.0-flash-lite (30 RPM) → gemini-2.0-flash (15 RPM) → gemini-2.5-flash (10 RPM) → gemini-flash-lite-latest，配额耗尽自动切换
Git-based JSON 反馈循环（最关键创新）：
- 用户在 Notion/Sheets 中标记「Saved/Applied/Interested」或「Skip/Rejected」
- 同步脚本将反馈模式写入 data/feedback.json
- GitHub Actions 每次运行后 git commit 持久化
- 下次运行时，AI 读取 feedback.json 调整评分偏置
- 反馈数据结构：{"positive": ["模式1", "模式2"], "negative": ["模式1"]}

典型应用场景

场景	数据源	AI 增强目标
招聘监控	招聘网站	简历匹配度评分
价格追踪	电商	价格下降报警
代码仓库监控	GitHub repos	新版本摘要
新闻分类	RSS / 新闻源	主题分类 + 情感分析
学术论文	arXiv	每日主题摘要
公司舆情	Reddit	提及监控 + 情感分类
房源/列表	房产网站	低于阈值报警

值得关注的原因

「反馈学习 + Git 持久化」是 AI 爬虫生产化的关键工程范式——大多数 AI 爬虫Demo 都是「跑一次出结果」，无法从用户反馈中改进。data-scraper-agent 用 Git 仓库本身当数据库，零基础设施实现持久化学习
零托管成本架构可直接复用——GitHub Actions + Gemini Flash + Notion 的免费层组合，对于个人开发者与小团队来说是「白嫖级」生产部署方案
批量调用 + 模型回退链是 LLM 工程化的最佳实践——单条调用触发速率限制是 AI 应用最常见的崩溃原因，本项目的批量 + 回退链模式可作为所有「LLM × 数据处理」场景的工程模板
三层架构（收集 / 丰富 / 存储）的职责分离清晰——传统爬虫把抓取、解析、存储混在一起，data-scraper-agent 把 AI 增强作为独立层，让抓取与存储可独立替换
对逆向/爬虫工作的直接价值：① 监控逆向社区（看雪/52pojie/先知）新文章自动摘要分类 ② 监控 GitHub trending 逆向 MCP 工具新发布 ③ 跟踪目标 App 商店更新与权限变化

来源链接

LobeHub Skill 页面：https://lobehub.com/zh/skills/dpthinh910-ai-agent-timmy-data-scraper-agent
配置文件：仓库内 config.yaml
反馈循环实现：仓库内 sync_feedback.py 与 GitHub Actions workflow

本期趋势总结

本期五条信息呈现出三个清晰的趋势：

趋势一：反检测从「行为层补丁」全面下沉到「OS 层 / 源码层 / 协议层」

Damru 在 OS 层（Vulkan/GLES .so 文件 patch）+ 二进制层 + CDP 层欺骗指纹，0 JavaScript 注入
CloakBrowser 在 Chromium C++ 源码层打 58 个补丁，编译进二进制，检测系统看到的就是真 Chrome
共同特征：不再在运行时往浏览器进程里注入 JS hook（这些 hook 本身就是检测靶标），而是在更底层改写指纹本身
与 2026-07-18 日报中的 httpcloak（协议层 TLS 指纹）形成完整的「OS 层 + 源码层 + 协议层」三层反检测栈

趋势二：C 语言 + ML 推理在逆向工具生态中复兴

Apkx-Hunter 用纯 C 实现 166 个 OWASP MASVS 检测模式 + 离线 ML 密钥分类引擎
在 Python/Java 统治的安卓安全工具生态中，C 语言实现带来：① 执行效率数量级提升 ② 零运行时依赖 ③ 可在 ARM 设备直接跑
离线 ML 推理（统计特征 + 二进制权重）不依赖云 API 与 GPU，是「小模型 + 专精任务」思路在工具设计中的落地
与 2026-07-18 日报中 REMEND（12M 参数数学方程提取）的「小模型专精」趋势一致

趋势三：MCP 工作流从「单点工具」走向「端到端流水线」

从脱壳到漏洞挖掘 文章首次把 ADB MCP + rev-dex-dumper + rev-frida + JADX MCP 四个独立工具串成端到端流水线
JADX MCP 的 35+ 工具覆盖了从清单查询到交叉引用到去混淆重命名的完整链路
工作流方法论：阶段一设备连接 → 阶段二自动脱壳 → 阶段三智能反编译与漏洞分析 → 阶段四报告生成，AI 充当调度中心
与 2026-07-18 日报中 JSReverser-MCP 的「Observe-first → Hook → Rebuild → Evidence」流程标准化趋势一致

趋势四：AI 爬虫从「能跑的脚本」走向「生产级反馈学习管道」

data-scraper-agent 用 Git 持久化的 JSON 反馈循环让 Agent 从用户决策中持续学习
批量 LLM 调用 + 四级模型回退链解决了 AI 应用最常见的速率限制与配额耗尽问题
三层架构（收集 / 丰富 / 存储）+ 免费层技术栈（GitHub Actions + Gemini Flash + Notion）= 零托管成本生产部署
代表了 AI 爬虫从 Demo 走向生产的工程化拐点

补充关注：AIHOT 今日精选（7月17-18日）

以下为 AIHOT API 拉取的近期 AI 领域重要动态，供了解大环境：

事件	来源	日期
Apple 起诉 OpenAI 升级：约 40 名前员工收到律师函，苹果寻求法院禁令阻止 OpenAI 使用苹果信息	IT之家 / The Verge	07-17
月之暗面 GTC 2026 披露 Kimi K2.5 路线：MuonClip 优化器（数据利用率近翻倍）+ 线性注意力（百万 Token 超越全注意力）+ Agent Swarm（300 Agent 并行）	X：宝玉	07-17
八天四款前沿模型发布：Grok 4.5、GPT-5.6、Muse Spark 1.1、Kimi K3，Intelligence Index >50 实验室从 2 家增至 6 家	X：Artificial Analysis	07-17
Kimi K3 登顶 Frontend Code Arena（1679 分），力压 Claude Fable 5 与 GPT-5.6 Sol，7 月 27 日开放权重	X：阿易 AI Notes	07-17
Schema Harness 在 ARC-AGI-3 公开集达 ~99%（用 Claude Opus 4.8 + Fable 5），此前最强 GPT-5.6 Sol 在半私有集仅 7.78%	Hacker News	07-17
NVIDIA 发布 Nemotron 3 Embed 系列，8B-BF16 版本在 RTEB 基准排名第一（78.46 NDCG@10）	MarkTechPost	07-17
OpenAI 提出「有用智能每美元」（Useful Intelligence per Dollar）作为衡量 AI 投资回报的核心指标	OpenAI 官网	07-17
美团 LongCat 发布 LoHoSearch：基于 762 万实体维基知识图谱的搜索智能体基准，最佳模型得分仅 34.74%	X：美团 LongCat	07-17
通义实验室 Wan-Streamer v0.2：端到端全模态模型，响应延迟仅 550ms，640×368@25FPS	通义实验室公众号	07-17

对逆向领域的影响：① Kimi K3 登顶前端编码榜意味着国产模型在代码理解/生成能力上达到前沿水平，可直接用于逆向代码分析与反混淆；② 月之暗面 Agent Swarm 的 300 Agent 并行能力为大规模逆向自动化（如批量 APK 漏洞扫描、批量 SO 函数识别）提供了基础设施思路；③ Schema Harness 在 ARC-AGI-3 的 99% 成绩表明「将原始观测转化为可编辑程序」的范式在抽象推理任务上已成熟，可迁移到逆向「将二进制/混淆代码转化为可读逻辑」场景；④ Apple 起诉 OpenAI 事件可能影响 iOS/macOS 私有框架逆向的法律边界。

本日报由每日 AI&逆向重要信息推送自动化任务自动生成（第十一期）
执行时间：2026-07-19 07:00 CST
数据来源：AIHOT API + WebSearch + GitHub Trendshift + 项目官网