10月21日 周三

• MultiLangBench 分语言通过率（GPT-5.6 Sol → GPT-6 Astra）：COBOL 10.9% → 72.1%，OCaml 25.6% → 85.8%，Fortran 21.4% → 83.5%，Visual Basic 27.5% → 89.4%
• COBOL 迁移评测：GPT-6.1 Sol 低推理强度下准确率 86.6%（GPT-5.6 Sol 为 5.4%），高推理强度下 97.9%
• 文中提醒：COBOL 定点运算默认截断小数，迁移时改成四舍五入能跑通却会算错金额
• MultiLangBench 的评测设置与测试集已在 GitHub 开源（Apache 2.0），标准评测使用其中 272 个测试

为什么值得关注银行、气象等关键系统仍大量依赖老语言，这组数据说明 AI 辅助遗留系统迁移正变得可行；逐字节对比的验收方式也值得自己的迁移项目借鉴。分数均为 OpenAI 自报。

• 覆盖范围包括 DeepSeek 及关联方的全部产品，以及基于 DeepSeek 实现开发的第三方产品和服务
• 据 CyberScoop 报道，命令实际于 6 月 26 日签发，理由包括数据存储在中国服务器、可能导致敏感数据外流等
• 据 CyberScoop 报道，机构可申请例外，需提前 60 天提交并给出「令人信服的理由」
• DeepSeek 是该命令中唯一点名的 AI 模型厂商

为什么值得关注命令把「基于 DeepSeek 开发的第三方产品」也纳入范围，为美国联邦机构提供产品或服务的厂商需要排查自己的模型供应链。

• Orchestra 团队与平台将并入 OpenAI 的生命科学产品线 Rosalind，与 GPT-Rosalind、Rosalind Workbench 结合
• OpenAI 的理由是药物研发周期长、跨部门和外部合作方协调复杂，文中称美国从靶点发现到获批平均需 10 到 15 年
• 公告未披露交易金额等财务条款

为什么值得关注这是前沿模型公司通过收购切入垂直行业 Agent 工作流的又一案例，Agent 负责跟踪与分析、人负责决策的分工方式也值得其他行业参考。

• 官方图表中说话人分离 cpWER：Voxtral Small Transcribe 3 为 18.4%，Mini Transcribe 3 为 18.6%（越低越好）
• 定价：Mini Transcribe 3 批量转写 $0.0035/分钟，Realtime 3 为 $0.008/分钟，Speech 3 为每百万字符 $13
• 已通过 Mistral API 的欧盟、美国和全球端点上线，可在 Studio 试用；自部署需联系销售
• 发布页未说明许可证或是否开放权重

为什么值得关注转写、合成和语音 Agent 编排由同一厂商提供，并有欧盟端点，适合对数据驻留有要求的语音客服、会议转写类应用评估。

• 集成 FlashMLA、DeepGEMM、DeepEP 等自研算子库，支持注意力数据并行、上下文并行和带 EPLB 的 MoE 专家并行
• 提供 DSpark 投机解码、异步调度、正则 / JSON Schema / EBNF 约束的结构化输出；批次不变推理与确定性采样仅限 NVIDIA
• 暂不包含 KV cache 系统、PD 分离和跨数据并行副本的负载均衡，离完整服务栈还有距离
• Apache 2.0 许可；README 致谢称主要基于 vLLM 构建，并参考了 SGLang 和 TensorRT-LLM

为什么值得关注这是头部模型厂商少见地公开生产推理栈，对研究 MoE 大模型推理优化的团队有参考价值；同时支持昇腾 950，值得国产算力用户关注。硬件门槛较高，一般团队短期内难以直接使用。

• 已在 PyPI 发布 0.2.0 版本，支持 Python 3.11 及以上
• 带有 XLA 计算的编译缓存，以及调试和基准测试工具
• Apache 2.0 许可；README 未标注项目成熟度
• 前一天 AWS 刚为 Trainium 开源了原生 PyTorch 后端 TorchNeuron，云厂商自研芯片都在补齐 PyTorch 原生支持

为什么值得关注过去在 TPU 上用 PyTorch 主要依赖 PyTorch/XLA，原生后端有望降低迁移成本；有 TPU 资源的团队可以评估现有训练代码的改动量。

• 圈出第一个真正的错误、给正确的行打勾，并划出建立在错误之上的后续步骤
• 按「轻微提示 → 点出方法 → 浅色提示下一行」逐级给提示，而不是直接给答案
• 可以出练习题、找错题，还能把框选区域生成 manim 动画
• 目前需要 Linux X11 环境和 rofi、slop、xdotool、PyQt6；MIT 许可

为什么值得关注这是把编码 Agent 当作通用「批注引擎」的有趣用法，「先指出第一个错误、分级给提示」的设计对做教育类 AI 产品的人也有参考价值。

• 覆盖生物信息与基因组学（32 个）、数据分析与可视化、科学写作、化学信息学与药物发现等领域
• Database Lookup 技能整理了 80 个科学数据库的查询方式
• 技能可以执行代码、安装包、联网和改文件，维护方建议只装需要的技能，并在安装前阅读 SKILL.md、用扫描工具检查
• 安装技能文件不会自动安装其 Python 依赖，部分技能依赖版本互相冲突，建议按工作流分环境

为什么值得关注适合用 Claude Code、Codex 等做数据分析和科研计算的研究人员，让 Agent 按领域最佳实践调用工具，而不是凭记忆写代码。

• 维护者自测：技能在 10 个编程提示上平均减少 65% 输出 token（1214 → 294），但每轮会增加约 1–1.5k 输入 token
• 代理在 54 次 Claude Code 基准运行中减少 33.2% 输入 token，有一个 HTML 用例反而增加 9.9%
• CLI 默认发送匿名使用统计，可用 caveman telemetry off 或 DO_NOT_TRACK=1 关闭
• 许可分层：技能与 CLI 为 MIT，代理等运行时为 BSL-1.1，托管给第三方需商业许可

为什么值得关注适合 token 成本敏感、输出冗长的编码 Agent 用户；README 坦白列出了反例和额外开销，代理会接触全部请求内容，接入前应评估权限与许可。

• Redact 的观点：企业不让机器人给法律意见可以理解，但隐去用户依法享有的投诉、删除权利信息就越界了
• WhatsApp 的回应：希望支持机器人专注于 WhatsApp 本身的建议，而不是提供法律意见
• Redact 也承认其他隐藏说明中有些在保护用户，例如不建议用虚报年龄绕过最低年龄限制
• Redact 没有测试 WhatsApp 机器人或外部 AI 助手是否真的遵循了这些说明

为什么值得关注页面上「人看到的」和「AI 读到的」可以不一样，这既是企业做知识库和客服机器人时的治理问题，也提醒做 RAG 和网页抓取的团队，抓来的内容里可能藏着针对模型的指令。

• Cloudflare 日志显示近 30 天有超过 60 万次爬虫请求，其中约 7.2 万次来自实时取页回答问题的 ChatGPT-User
• 作者观点：LLM 的检索会改写查询、重排并只打开少数页面，带具体数字和年份的统计页天然容易被选中，而模型很少核实
• 风险视角：一个假数字每被机构引用一次就更「可信」，可能进入后续网页抓取和训练数据，即「引用洗白」
• 作者表示发布虚假内容是错误的，分享是作为研究而非操作手册，网站已加免责声明

为什么值得关注做 RAG 和联网搜索的团队不能把「被检索到」当作「可信」，需要来源评级和交叉核实；写作和研究时引用 AI 给出的统计数字，也应追溯到原始出处。

• Scheff 的观点：vibecoding 不算编程、令人上瘾却缺乏意义，但他自己也已习惯先找 Agent 再开编辑器
• Scheff 同时承认工具不是炒作：非程序员能做出以前做不到的东西，优秀工程师也取得了显著成果
• Willison 的区分：只想要能用的系统的人会觉得 LLM 是「源源不断的礼物」，以解题为乐的人则确实失去了很多

为什么值得关注AI 编程带来的不只是效率问题，也关乎从业者的职业认同和动力；团队推广编码 Agent 时，值得关注不同类型工程师的感受和角色转变。

• 作者认为关键在三点：降噪启发式规则、能产出好规格的提示词、用于验证改动的标注评测集
• 他提到一次让 Agent 分析性能数据，在一个热路径库中找到 50% 的堆内存节省和 30% 的延迟下降
• 作者估计用较小模型监控整个大型集群的成本约在每天 100 美元量级
• 让 Agent 自动执行回滚等修复动作有风险，作者建议从扩容这类范围明确的任务开始；文中没有正式评测

为什么值得关注编码 Agent 让代码产出变多、人读过的代码比例变小，把 Agent 用在变更监控上是一个可落地的方向；「LLM 生成规格、确定性系统执行」的分工也适用于其他高频、需要稳定的场景。

• 允许 AI 说「信息不足」，能显著减少它为了给出答案而编造内容
• 先摘录原文再分析，让结论有据可查，也方便人对照核实
• 指南同时提醒，这些方法能显著减少但不能消除幻觉，关键信息仍要人工核实

为什么值得关注把合同、报告、政策文件交给 AI 总结是最常见的用法之一，也是编造最难被发现的场景；多加两句要求，就能把「看起来对」变成「可以核对」。

• 在 SWE-Bench Verified、Multilingual 和 Pro 三个基准上均优于只优化 harness 或只优化模型的基线
• 作者报告 Pass@1 可靠性和 Pass@k 能力上限都有提升，并能泛化到分布外场景
• 用更强的外部模型担任 harness 提议者可进一步提升
• 代码、模型和 RL 数据已在 GitHub 与 Hugging Face 公开

为什么值得关注近期 harness 工程是热门方向，这篇工作说明 harness 与模型可以协同进化，而不是二选一；做编码 Agent 的团队可参考其「用失败样本驱动 harness 搜索」的思路。

• 评测 11 个前沿模型，多个在目标函数质量上超过专家参考解，但按「不可行交付记零分」的 DAQ 指标没有一个达到专家水平
• 最佳配置为 Claude Code，严格可行率 88.39%，DAQ 为 0.87（专家参考为 1）
• 各模型的完整研究链路完成率在 24% 到 45% 之间
• 作者认为 Agent 还需要补足信息缺口的持续追问、忠实的问题建模和基于证据的自我改进

为什么值得关注「方案最优但不可交付」是 Agent 进入专业咨询类工作的典型差距，用真实项目和可交付性来评测，比单纯比分数更接近实际落地要求。