10月19日 周一

• 总参数 816B，激活参数 42B，上下文 1M token
• 已适配 SGLang、vLLM、TensorRT-LLM、Transformers、MLX、llama.cpp、Unsloth 等推理引擎
• Meta 给出的本地运行示例是两台 512GB 统一内存的 Apple M5 Ultra Mac Studio
• Meta 称其为「迄今最强的美国开放权重模型」，但发布页未给出具体基准分数，另附评测方法报告

为什么值得关注开放权重模型的规模上限再次被抬高，对需要私有化部署大模型的团队是一个新选项；但许可证有商用限制，硬件门槛也很高，选型前需要仔细核对。

• Terminal-Bench 4.0 从 31.2 提升到 42.3，ProgramBench 从 20.3 提升到 29.1，DeepSWE v1.1 从 74.2 提升到 77.0
• 参数量 763B，推荐上下文窗口 1M token，MIT 许可证
• API 仍使用 deepseek-flash 模型名，价格不变
• 官方说明针对 DeepSeek Harness、腾讯 CodeBuddy 和 WorkBuddy 做了优化

为什么值得关注在价格不变的情况下提升智能体任务表现并缩短输出，意味着同样的 Agent 任务成本更低；已在使用 deepseek-flash 的应用无需修改即可获得更新。

• 官方称 209M 模型在 GIFT-Eval、TIME、fev-bench 三个榜单的零样本预训练模型中排名第一
• 28M 模型在 GIFT-Eval 和 TIME 上超过约 4 倍大小的 Chronos-2
• 在 8 线程服务器 CPU 上，5M 模型单次预测约 10ms，209M 约 140ms
• 权重和代码已在 GitHub 与 Hugging Face 发布，支持本地、VPC 和离线环境部署

为什么值得关注小参数、CPU 即可运行的时间序列模型，适合用于容量预测、业务指标预警等场景，且支持离线部署，对内网环境比较友好。

• 模型卡给出的速度：Apple M5 Max 上 184 tokens/s，AMD Ryzen AI Max+ 395（llama.cpp Q4_K_M）上 114 tokens/s
• 与 Qwen3.6-35B-A3B 对比：IFEval 96.75 对 93.06，GPQA Diamond 74.42 对 83.69，SWE-Bench Verified 51.00 对 66.20
• 支持 Transformers、vLLM、SGLang、llama.cpp、MLX、ONNX Runtime、LM Studio 等运行方式

为什么值得关注激活参数只有 2B 级别，适合在笔记本或边缘设备上跑本地 Agent；从模型卡的对比看，指令遵循较强，但知识和编程能力仍弱于更大的模型。

• 加上联合创始人承诺捐出 80% 股权以及员工捐赠匹配计划，约 20% 的股份将用于公益
• 基金持有的股权不会用于游说或政治捐款
• 安全研究、可解释性研究、为非营利机构提供的折扣等工作仍保留在公司内部

为什么值得关注这是头部 AI 公司在治理结构上的新尝试，「AI 对就业的影响」被列为重点方向，可以作为观察行业如何回应 AI 社会影响的一个参考。

• 任务级递归采用 Propose–Probe–Compose 流程，不需要标准答案作为反馈
• README 称单步优化即可让 GLM-5 和 Gemini 3.5 Flash 超过原始 Harness，WorkBuddy-Bench 最高提升 11.5 分
• 支持 OpenCode、Codex 作为执行器；Apache 2.0 许可证，提供无需模型凭证的本地演示

为什么值得关注随着「模型差距缩小、Harness 决定效果」成为共识，自动优化 Harness 的方法值得关注；对搭建内部 Agent 工作流的团队，可以借鉴其「提出修改—试跑—对比」的迭代思路。

• 每个沙箱拥有独立的虚拟机和可写文件系统，支持暂停与挂起
• 输出通过 SSE 流式返回，提供 E2B 兼容层
• 使用 Rust 实现，部署指南基于 Kubernetes（本地可用 Kind），Apache 2.0 许可证

为什么值得关注Agent 执行任意代码时，隔离是基本的安全前提。SPACE 提供了一个可自托管的方案，适合需要在内部环境运行 Agent 代码、又不能使用外部托管沙箱的团队参考。

• 通过 npx rea-agents setup 一键注册到已安装的 Agent
• 原生二进制分析依赖 Hopper、Ghidra 或 IDA 等工具，商业工具需自行合法获取
• README 明确限定用途为合法研究、教育、互操作、软件保存及分析自己有权检查的软件；MIT 许可证

为什么值得关注这是「Agent + 专业工具」组合的典型例子，也和今天「理念与讨论」栏目中 AI 大规模反编译游戏的话题直接相关。使用时需注意法律和合规边界。

• 支持 Claude Code、Gemini CLI、Copilot、Cursor、Codex CLI、Qwen Code 等十多种 Agent，部分平台只支持 MCP 不支持 hooks
• 检索结合 Porter 词干与 trigram 匹配，用 Reciprocal Rank Fusion 融合排序
• 项目页宣称上下文体积可减少 98%（315KB 降到 5.4KB），该数字来自项目自述，未经独立验证
• Elastic License 2.0 许可证，商用前需确认条款

为什么值得关注上下文管理是长时间运行的 Agent 的核心难题。它的「执行结果不进上下文、历史按需检索」思路可以直接借鉴到自建工作流中，今天的配套实验就复现了这一机制。

• 支持方观点：老游戏得以保存和移植到新硬件，可以提升分辨率、帧率并支持 Mod，玩家能真正拥有已购买的软件
• 反对方观点：竞争对手可借此复制产品，付费软件可能被违背意愿地开源，开源许可证难以执行，安全风险增加
• 作者预计发行商可能用更具侵入性的 DRM 来应对
• 作者认为这一问题不只限于游戏，而是适用于「任何软件」

为什么值得关注代码能被 AI 低成本「读懂」和重写，会影响知识产权保护、闭源软件的安全假设以及「净室实现」的认定方式，值得软件企业提前思考。

• 作者的问题是：LLM 写代码的成功，是真正理解，还是对训练数据中片段的回忆
• 作者自己承认任务过于简单，测试结果不足以证明模型「理解」代码
• 部分模型得分低是因为安全拦截过于敏感，而非不理解语言，这干扰了结果
• 得分与其他公开基准的排名相关，作者计划在模型解出后设计更难的任务

为什么值得关注这类「对抗式」测试为讨论 LLM 的泛化能力提供了一个有趣的视角，也提醒我们：在私有 DSL 或冷门技术栈上使用 AI 编程时，效果可能明显低于主流语言。

• PR 提交前要求 Claude 运行测试、构建等检查并展示输出，而不是声称已完成；用子 Agent 在新上下文中复查 diff
• 每个 PR 都有 AI 评审：多个 Agent 并行找问题，再投票过滤，只发布达成共识的发现；文章称首轮评审即通过的比例从 65% 升到 78%
• 人工审批按变更风险分级：低风险（文档、开关保护的新增功能）无需人工，中风险 1 人，高风险 2 人；Agent 的批准不能替代人工批准
• 每次回滚或事故都转成评测用例，每天对评审 Agent 打分，改动只在分数提升时保留

为什么值得关注这是目前较完整的「AI 大量写代码后如何保证质量」的一手实践，文章末尾附有可直接采用的检查清单（CLAUDE.md、REVIEW.md、风险分级、合并队列等），适合推广 AI 编程的团队参考。

• 内容覆盖工具调用、Agent 循环、提示缓存、上下文预算、子 Agent、MCP 与技能扩展、Hooks、防护机制和 RAG
• 附录讨论模型路由与成本、worktree 隔离、计划模式、重试与限流
• 正文采用 CC BY-NC-ND 4.0，代码采用 MIT

为什么值得关注对想理解 Claude Code 这类 Agent 内部机制、或打算自建 Agent 工作流的同事，是一份结构清晰的入门材料。

• 代理可汇总多个供应商和模型的用量，并发放虚拟 API key，避免主 key 散落在各个工具和 Agent 中
• 作者称借助代理日志，可以在约 20 秒内手动定位编码会话中的缓存未命中
• 作者认为仅靠 OpenTelemetry 导出不够，但文章没有推荐具体产品

为什么值得关注当团队里多个 Agent 和工具同时调用模型时，统一代理在成本核算、密钥管理和问题排查上的价值会越来越明显，适合作为 AI 平台建设的参考。

• 在数学、科学、医学、搜索和智能体推理等 11 个基准、3 种模型规模上评测
• 论文称平均性能提升 10.4%，token 用量减少 35.5%–54.7%，推理速度提升 1.8–2.6 倍，成本降低 2.7–3.7 倍
• 潜在推理过程仍可被检查，且保留了工具调用能力；代码和 8B、14B 模型已开源

为什么值得关注Agent 的成本很大一部分来自冗长的文本推理，「潜空间推理 + 文本行动」是降低成本的一个方向；该论文在 Hacker News 上引发了较多讨论。

• 给 Agent 提供更多数值优化工具，并不总能带来提升
• 通用的任务语义信息普遍有用，更具体的先验知识反而不太可靠
• 数值优化器可以在 Agent 已建立的搜索轨迹基础上继续有效优化
• 在 Codex Harness 下测试的 7 个模型中，GPT-6 Astra 和 DeepSeek-V4.1-Flash 处于性能与成本的帕累托前沿

为什么值得关注对于参数调优、配置搜索这类工程问题，「Agent 先探索、数值优化器再细化」的组合是一个可参考的思路。