10月20日 周二

• 官方定价为每百万 token 输入 $0.20、输出 $0.70，发布期五折；缓存输入按输入价格的一折计费
• 已上线 Inception API 平台、OpenRouter、Baseten 和 Vercel，API 平台提供 1 亿 token 免费额度
• 官方称多项基准超过 GPT-6 Luna 和 Claude Haiku 5.5，但发布页未给出具体分数表
• 在 50 个 Mind2Web 浏览器任务中完成 50%（厂商自测）

为什么值得关注扩散式语言模型在速度上的优势正在走向长上下文和 Agent 场景，对延迟敏感的应用值得关注；性能数据目前均来自厂商，选型前需自行评测。

• 定价为每百万 token 输入 $0.15、输出 $0.60、缓存输入 $0.015
• 官方公布 DeepSWE v1.1 为 73.7%、OSWorld V2 为 61.7、Agents' Last Exam 为 29.6
• 日常输出速度 200+ TPS，P50 中位速度 170+ TPS
• 可通过 MiniMax API、M Plan 和 MiniMax Code 使用

为什么值得关注低价、高速的 Agent 向模型继续压低长链路任务的成本；权重开放后可作为私有化部署的候选，届时需关注许可证。

• 提出三级评估者访问框架：Tier 1 范围窄、发布需批准；Tier 2 可不经批准发布；Tier 3 即 METR 这类类员工权限
• SecureBio 正在审阅 8 月风险报告中的化学与生物武器章节
• 与 Accenture 和 Faculty 推进覆盖评测、红队和对齐评估的合作，并与 Hugging Face 等机构初步接洽
• Anthropic 将其类比银行监管中派驻检查员的做法，并认为所有前沿 AI 公司都应这样做

为什么值得关注第三方评估从「受邀测试」走向「内部驻场 + 独立发布」，可能成为前沿模型治理的新参照，值得关注其他公司是否跟进。

• 目标任务包括碰撞重建、粒子识别、标记异常信号和评估未来探测器设计
• 希望用一个模型覆盖目前由一连串专用算法完成的整个重建链
• CERN 已存储约 1 EB 的 LHC 实验数据，HL-LHC 预计 2030 年前后运行后碰撞数将增加十倍
• 公告未披露资金、治理安排和时间表

为什么值得关注「领域基础模型」正从文本、图像扩展到大科学装置数据，可作为科学计算团队评估 AI 替代专用流水线的参考案例。

• 模型卡列出 SWE-bench Verified 81.6%、Terminal Bench v2.1 80.1%、GPQA Diamond 90.6%
• 可自托管，也可通过 Reflection 自有 API 及 AWS、Google Cloud、Together AI、Ollama 等众多平台使用
• 支持 Dell、HPE 的本地和离线部署，同时开源了 Agent 运行框架 Mirror CLI

为什么值得关注宽松许可证的大规模开放权重模型又多一个选项，对需要商用私有化部署的团队意义较大；基准分数为厂商自报。

• 模型代码只需 .to('neuron') 即可迁移，支持 eager 模式和 torch.compile（backend="neuron"）
• 支持 DDP、FSDP2、张量/流水线并行、DTensor 等分布式能力，适用于 Trainium2 和 Trainium3
• 首个版本暂不支持稀疏张量、NestedTensor、前向模式自动微分和动态形状
• AWS 称已对 10 万个 Hugging Face 模型做了盲测运行，vLLM 和 Transformers v5 的集成仍在推进中

为什么值得关注非 NVIDIA 加速器在 PyTorch 上的「原生体验」继续改善，降低了在 Trainium 上训练和推理的迁移成本；正式使用前需核对不支持的特性清单。

• 上下文最长 256K token，许可证为 OpenMDW-1.1，允许商用
• 模型卡对比显示 GPQA Diamond 86.43、Terminal-Bench 2.1 50.98、BrowseComp 66.75，多数项高于 Qwen3.6-35B-A3B
• 也有落后项：PinchBench 略低于 Qwen3.6，AA-Omniscience 准确率低于 Gemma4
• 模型卡中关于部署硬件的描述前后不完全一致，需以实际测试为准

为什么值得关注「架构搜索 + 极低比特量化」让中大型 MoE 能在单卡或高配笔记本上运行，适合关注本地 Agent 的团队评测。

• aLoRA 可复用基座模型生成时的 KV cache，任务间切换快，整体显存占用与基座模型相当
• 包含通用 Decision aLoRA 和安全向 Guardian aLoRA
• 可在 vLLM（需插件）和 llama.cpp 中运行，代码在 GitHub generative-computing/granite-switch

为什么值得关注把分类、护栏、转写等「小判断」挂在同一个模型上，是降低 Agent 流水线中多模型部署成本的一种思路。

• 2.1.304 新增 /auto-mode-setup，可在 Bedrock、Vertex、Foundry 及关闭遥测的会话中使用
• 设置层 hooks 可以改写合并后的设置，便于托管 mod 强制组织级上限
• 自定义 ANTHROPIC_BASE_URL 时默认启用 tool search，遇到 400/422 会去掉它重试
• 更新日志提示独立的 Claude Design（claude.ai/design）将于 2026 年 12 月 14 日前关闭

为什么值得关注fork 子 Agent 默认开启会改变脚本化调用（claude -p）和 SDK 集成的行为，升级后应检查自动化流程；新的审批与设置控制对企业管理员有用。

• 通过生命周期 hooks 记录提示、工具调用和会话边界，会话结束时整理成 wiki 页面
• 检索融合全文、实体和图邻居排序，向量检索可选；默认路径不调用 LLM、不需要 API key
• 支持跨机器和多用户，带个人交接、按人归属和审计日志
• 部分客户端（如 Claude Desktop、VS Code Copilot、Zed）只能通过 MCP 接入

为什么值得关注「记忆用纯文本 + git 管理、索引可重建」是一种便于审计和迁移的设计，适合同时使用多个编码 Agent 的团队参考。

• 支持「LLM 抬高门槛」的一方：评审工具发现问题的速度远超修复速度，每个修复都有固定开销，在发布前耗尽了时间
• Eisentraut 也承认其他原因：部分功能本身质量或架构有缺陷、一次做了太多难功能、核心成员在「Vulnpocalypse」期间忙于安全修复
• 他强调这些代码早于「vibe coding」，问题不是 AI 写代码造成的
• Tom Lane 此前曾打赌 SQL/PGQ 若在 19 中发布会出现到 20 才能修的问题，该功能最终被撤回

为什么值得关注AI 评审让「发现缺陷」变便宜，但修复和决策仍然昂贵；开源项目和企业团队都需要重新规划评审产出的分级与处理节奏。

• 采用编码 Agent 的工程师代码产出上升，且 Agent 代码的后续删除和回滚率与人写代码无明显差异
• Claude 会话约 80% 的时间在空闲等待人类输入，搭建和监控 Agent 的「元工作」占比从 10% 升到 22%
• 报告自陈局限：工具采用并非随机、业务增长是混杂因素、代码量不等于质量，初级岗位的结论只是描述性而非因果
• 作者认为初级招聘放缓值得担忧，主张利益共享机制，并呼吁政府在再培训和收入支持上发挥作用

为什么值得关注这是少见的来自 AI 公司内部的一手就业数据，但其做法和条件难以在其他行业复制，引用时应同时说明报告列出的局限。

• LoRA rank 16，作用于全部注意力与 MLP 投影，训练 2 个 epoch，只在回复部分计算 loss；另翻转了 4 个 MLP 神经元的符号
• 在 40 个留出提示上，作者自建的正则「slop score」从每千词 121 降到 12.5，破折号从 20.5 降到 0
• 30 道事实题全部答对，任务契合度 80%（原模型 78%）
• 作者坦言输出偏平淡、会编造人名地名，评分器为自建、未做读者研究

为什么值得关注展示了用小数据、消费级硬件做风格微调的完整流程和评估方法，「用规则过滤蒸馏数据」的思路可迁移到其他风格约束上。

• 椭圆曲线点加法：一种设计比此前最小设计多用 12% 量子比特，但门数少 17 倍；该任务连续运行了 53 小时
• DQI 中的 Reed-Solomon 解码器门数比 Google 此前构造低约 12 倍
• 团队观察到 Claude 倾向保守、偏好熟知方法，因此让它并行提出多种思路并偶尔提示扩大搜索
• 方法适用于输出可在经典计算机上高效验证的算法，评分是运行时间的代理指标

为什么值得关注「可自动验证的目标 + 长时间闭环迭代」是让模型做科研优化的一种可复用范式，可以迁移到其他有明确评估器的工程优化问题。

• OfficeTown Bench 含 406 个任务、4,836 条评估标准，来自 8 个专业领域的 23 个模拟组织
• 前沿模型在该基准上仍有较大提升空间
• 用 OfficeTown 数据对 Qwen3.5-9B 做 SFT 和在线策略蒸馏后，在 GDPval 等外部职场基准上有明显提升
• 论文页暂未链接代码或数据集

为什么值得关注职场类 Agent 评测正从单轮任务转向有历史、有权限、有协作的持续环境，对构建企业 Agent 评测集有参考价值。

• 强化学习阶段使用逐块探针、跨块归因奖励、过度存储控制和块级 GRPO
• 在固定 20% 子样本的四个评测框架上均排名第一，包括留出的 EverMemOS
• 宏平均 55.49%，对比 Claude Opus 5 的 54.62%

为什么值得关注为 Agent 记忆提供了「专门训练写入模型」的路线：用一个 3B 激活参数的模型承担记忆整理，可能比调用大模型更便宜。