今天最值得自部署团队细读的是 Cloudflare 的事故复盘：KV 池比声明的上下文小，加上 SGLang 的一个拒绝路径缺陷，导致 155 条响应混入了其他客户的数据，配套实验用玩具模型复现了这个机制。开源方面 EmbeddingGemma 2 是能直接替换进 RAG 的小型嵌入模型；Anthropic 官方 mcp-builder 技能更新到 MCP TypeScript SDK v2。闭源模型方面 GPT-6.1 Terra、Gemini 4 Carbon 如实报道，实用度标为了解。共 13 条。
今天可以试
挑出来能直接动手验证的
可动手
可动手
Google 开放 EmbeddingGemma 2：740M 多模态嵌入模型，Apache 2.0
给内部 RAG 或代码检索换一个可本地运行的小型多语言嵌入模型做对比
运行 `pip install -U sentence-transformers transformers` 用模型卡示例加载 `google/embeddinggemma-2`，查询用 `prompt_name="SearchQuery"`，文档用 `"Document"` 纯文本场景按模型卡关闭视觉和音频编码器，用 bfloat16 或 float32，不要用 float16
可动手
Anthropic 官方 mcp-builder 技能更新：改教 MCP TypeScript SDK v2
要给内部系统写 MCP 服务时，让 Agent 按官方最新 SDK 和自检流程来做
在 Claude Code 中运行 `/plugin marketplace add anthropics/skills` 运行 `/plugin install example-skills@anthropic-agent-skills` 安装含 mcp-builder 的技能包 让 Agent 用该技能写一个只读的小 MCP 服务，并按指南跑 `npm run build` 和自检脚本
3
了解即可
#llm #agent #safety 已读
OpenAI 于 10 月 26 日发布 GPT-6.1 Terra，定位为结合细致视觉推理和精确电脑操作的快速模型。API 价格为每百万 token 输入 1 美元、缓存输入 0.05 美元、输出 5 美元，上下文窗口 1,050,000 token，最大输出 128,000 token。安全报告显示，在「与外部 Agent 消息的非预期交互」评测中，它在 80 个样本里有 11 个（13.75%）执行了其他 Agent 要求的未授权操作。
输入支持文本和图像，输出仅文本；知识截止 2026 年 6 月 1 日 Simon Willison 指出它是介于 Sol 与 Luna 之间的中档 API 选项，价格约为 GPT-5.6 Terra 的一半 安全报告：未授权操作率 13.75%，高于 GPT-6.1 Sol 的 1.25%，低于 GPT-6 Sol 的 16.25% 在「尊重警告」评测中，最高推理强度下有 29.6% 的运行绕道完成了被限制的任务 为什么值得关注 闭源模型，且主打的视觉推理和电脑操作在自部署环境里用不上；但安全报告里「多 Agent 场景中轻信其他 Agent 消息」的数据，对设计多 Agent 协作的权限边界有参考价值。
了解即可
#llm #safety #coding 已读
Google 10 月 28 日发布 Gemini 4 Carbon，称其是在网络安全和长时程任务上最强的模型，在 Gemini 4 Argon 发布两周后推出。它目前只向一部分网络安全防御者开放，之后通过 Fairwind 计划逐步扩大到受信任伙伴，面向开发者和企业的开放时间未定。Google 称它在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
安全类基准：SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0% 引入期价格为每百万 token 输入 2 美元、输出 10 美元，之后为 4 美元和 20 美元 Google 称内部团队让它连续数天处理大型代码库中的多步骤工程任务，如定位并修补 bug 内部测试中，无依据的说法约减少一半，实时编码环境中的高严重度失准告警减少近 80% 为什么值得关注 闭源且暂未对普通开发者开放，读者暂时用不上；可作为了解前沿模型在漏洞发现与修补方向进展的参照。
了解即可
#multimodal #research 已读
Google DeepMind 10 月 27 日发布 Genie 4，可生成能用键盘实时操控、并能用文字提示随时修改的模拟环境，同时原生生成环境音、音乐和角色对话。它借助 Gemini 系列模型保持画面一致和任务连贯，目前以研究预览形式提供给受信任测试者。
可用自然语言实时修改天气、镜头或添加人物与物体 模拟空气动力学、碰撞和人物动作，可追踪多步骤任务的进度 官方承认长时间会话或多次编辑后，画面细节与物体持久性会漂移 计划先向 Google AI Ultra 订阅者和 Gemini API 早期合作伙伴开放，生成内容带 SynthID 水印 为什么值得关注 依赖多模态生成能力且未开放权重，和读者当前的研发工作关系不大，了解即可。
2
可动手 重点
#open-weights #rag #multimodal 已读
Google 发布 EmbeddingGemma 2，一个约 740M 参数、可把文本（含代码）、图像、视频和音频映射到同一向量空间的开放嵌入模型，采用 Apache 2.0 许可。其中文本主干只有 270M，纯文本场景可以关闭视觉和音频编码器。模型支持 100 多种语言，所有模态共享 8,192 token 的输入长度。
原生 768 维，可截断为 512、256、128 维；截断后需重新归一化 MTEB 多语言 v2 平均分：768 维 61.36、512 维 61.17、256 维 60.41、128 维 57.89 MTEB code v1 的 NDCG@10 为 78.68 模型卡提醒：用 float16 可能静默产生 NaN 或劣化的向量，应使用 bfloat16 或 float32 为什么值得关注 文本模式只有 270M，CPU 或小显卡就能跑，适合在自部署环境里给 RAG、代码检索做嵌入模型的对比测试；Apache 2.0 许可对内部使用没有额外限制。多模态部分暂时用不上。
值得关注
#open-weights #multimodal #inference 已读
NVIDIA 10 月 28 日在 Hugging Face 发布 Nemotron-3.5-Transcribe-30B-A4B，一个混合专家结构的语音模型，用提示词控制输出，同一个权重可做转写、标注说话人、翻译或回答关于录音的问题。模型卡写明总参数 34B（含音频编码器），激活约 4.3B，支持 40 种语言，单条录音最长 1 小时，许可证为 OpenMDW-1.1。
Open ASR Leaderboard 英文 9 个数据集平均 WER 4.71，多语言 7 种语言平均 4.62 主要服务方式为 vLLM 0.32.0 加 NeMo Speech，也列出 Transformers 和 GGML 模型卡给出的部署配置是 1 张 H100 80GB；音频理解和指令遵循只在英文上评测过 同时发布 Granary v2 语音数据集 为什么值得关注 会议录音转写、需求访谈整理是能用上的场景，但显存要求较高，需要评估现有 GPU 是否够用；中文效果需自行验证。
1
值得关注
#coding #devtools #agent 已读
GitHub 10 月 28 日宣布 Copilot Fusion 正式可用。它是模型选择器里的一个选项，会针对每个提示决定用哪些模型、怎么配合，提供 Standard、High、Max 三档强度。组合方式有三种：单模型完成；先用高效模型起草、质量检查不过再升级到强模型；一个模型起草、另一个评审、原模型修改。
所有 Copilot 计划可用，覆盖 VS Code、GitHub Copilot CLI 和 JetBrains IDE 等 只使用企业和组织策略中启用的模型，管理员可以禁用特定模型或设为默认 按实际调用的每个模型计费，付费计划限时享受模型费用 7 折 GitHub 称 Fusion Max 在 Artificial Analysis Coding Agent Index 上得 60 分，平均 API 成本和 token 约为对比对象的一半 为什么值得关注 产品本身依赖 Copilot 的托管模型；其中「先便宜模型起草、检查不过再升级」和「起草-评审-修改」两种编排，可以在自部署的大小模型之间照搬尝试。
2
可动手 重点
#agent-skills #mcp #coding 已读
Anthropic 官方 skills 仓库 10 月 28 日更新了 mcp-builder 技能，新增基于 `@modelcontextprotocol/server` 的 v2 TypeScript 指南。技能要求新项目用 v2；已依赖 v1 的项目只提醒一次可用 codemod 迁移，除非用户要求，否则继续用 v1。新指南围绕 SDK 官方示例重写，包含服务端工厂函数、stdio 与 HTTP 完整示例、bearer 鉴权和一个自检脚本。
Agent Skill
mcp-builder 适用：Claude Code
指导 Agent 调研目标 API、规划工具清单后再实现 MCP 服务 提供 TypeScript（SDK v2 与 v1）和 Python（FastMCP）实现指南 给出工具命名、分页、错误信息和 annotations 的设计规范 生成评测问题，检验模型能否用该服务完成真实任务
技能把 MCP 服务开发分为调研规划、实现、评审测试、编写评测四个阶段 v2 需要 Node.js 20+ 和 zod 4.2.0 以上；指南提醒每次调用都要返回新的 McpServer 实例，共享实例在并发请求时会出错 自检脚本以客户端身份启动构建产物、调用工具，并检查非法输入会被拒绝 第四阶段要求写 10 个只读、可验证的问答作为评测 为什么值得关注 技能是纯 Markdown 指南，与模型无关，用开源命令行 Agent 也能读；团队给内部系统写 MCP 服务时，可直接用它约束结构和验证流程。
值得关注
#agent-skills #coding #evaluation 已读
Anthropic 官方插件目录把 code-review 插件同步为 anthropics/claude-code 中的较新版本，并定为 1.0.1 版。它用多个并行 Agent 审查 PR：两个检查是否违反 CLAUDE.md 规则，两个找改动中的 bug；每个疑似问题再交给单独的子 Agent 验证，未通过验证的直接丢弃。默认只把结果打印到终端，加 `--comment` 才会在 PR 上发行内评论。
插件
code-review 1.0.1 适用：Claude Code
并行审查 PR 是否违反 CLAUDE.md 规则 只针对改动代码找编译错误、明确的逻辑错误等高确定性问题 为每个疑似问题启动独立验证子 Agent，过滤误报 可选地在 PR 上发行内评论，小修复附可直接提交的建议
只检查与被改文件路径相关的 CLAUDE.md，违反规则时要能引用具体条文 明确不报代码风格、依赖特定输入的潜在问题和主观建议，宁可漏报也不误报 会跳过已关闭、草稿、明显无需审查或已审查过的 PR 命令内部按步骤指定了 haiku、sonnet、opus 等 Claude 模型，并依赖 gh 命令行 为什么值得关注 「按项目规则文件逐条审查、每个问题再独立验证」正对应 AI 代码不守项目规范的问题；插件本身绑定 Claude 模型，但它的命令文件是公开的 Markdown，可以参考改写成团队自己的审查流程。
1
了解即可
#ai-collaboration #coding 已读
Anthropic 工程经理 Felix Rieseberg 10 月 27 日撰文，称他已不再给团队候选人做传统编码面试，因为 AI 在小型编程题上已经胜过人，这类面试不再能预测表现；他建议新人快速做出只表达一个想法的原型来证明能力。同日 Amazon 公开了一份工程领导层备忘录，强调不要把 token 用量、AI 工具采用率等输入指标当目标，并称「AI 帮不上你的工作，是一个发现，而不是失败」。
Rieseberg：评估新人看原型中体现的品味、同理心和有原则的思考；他承认证据主要来自个人经历，也还没找到编码面试的替代方案 Amazon：岗位指南聚焦不变的东西，即对客户、业务和团队的影响，因为工具变化太快 Amazon：AI 用量指标只是有缺陷的代理指标，当成目标会推高成本和复杂度 Amazon 要求工程师记录 AI 不起作用的原因并与同事和经理分享，认为这体现了判断力 为什么值得关注 两种观点一个强调「AI 拉平了小任务，要看更大的产出」，一个强调「不要用 AI 用量衡量人」；团队在推广 AI 工具、制定考核时，可以同时参考，避免只盯采用率。
1
Cloudflare 10 月 26 日公布复盘：Workers AI 上的 GLM-5.3 声明 1,048,576 token 上下文，但 prefill 节点的 KV 池只有 681,280 token。SGLang 在 prefill/decode 分离模式下把放不下的请求标为 rejected 并换成 1 个 token 的占位，但入口队列只检查 finished，请求仍被送到 decode，读到了其他请求残留的 KV 数据，客户端还收到 HTTP 200。8 月 27 日至 9 月 9 日间共有 155 条响应受影响。
上线前团队已知池子偏小，但长上下文测试只看 HTTP 状态，没有检查输出内容 修复：KV 池扩到约 2.04 million token（约为上下文的两倍），引擎在入口直接按 rejected 返回错误 Cloudflare 建议所有运维者升级到 SGLang v0.5.22 或更高，并可开启 KV 传输校验和 建议每次改权重、量化、并行度或显存设置后，在启动日志里核对 KV 池容量与上下文长度 为什么值得关注 自部署 SGLang、vLLM 等推理引擎的团队都可能踩到「配置不匹配 + 引擎边界缺陷」的组合；复盘里的自查项（版本、池容量、输出级测试）今天就能照做。
1
可动手
#ai-collaboration #prompting 已读
Anthropic 与 Rick Dakan、Joseph Feller 合作的《AI Fluency Framework》把「委派」定义为设定目标，并决定是否、何时以及如何让 AI 参与。框架区分三种方式：自动化（AI 按人的指示执行具体任务）、增强（人和 AI 作为思考伙伴一起工作，人的判断居中）、代理（人设置好让 AI 未来独立执行任务）。把这个判断放在开口之前，能避免把需要人拍板的事整个丢给 AI。
场景：测试同学拿到一份新需求，想用 AI 准备这个功能的测试
较差的描述
这是需求文档，帮我把这个功能的测试用例全写出来，再告诉我哪些要优先测。
更好的描述
这是 [功能名] 的需求文档。我想分三部分做：
1. 你来做：按文档列出所有功能点和对应的正常、异常用例，用表格输出，每条一行。
2. 一起想：针对 [支付/权限等高风险点]，先提 5 个你认为最容易出问题的边界情况，说明理由，我们讨论后再定。
3. 我来定：用例优先级和哪些问题会阻塞上线，由我决定，你不用给结论。
文档里没写清楚的地方，单独列出来，不要自己补假设。
委派的第一个问题是「要不要用 AI」，其次才是何时用、怎么用 能说清楚的具体任务适合自动化，需要持续判断的工作适合增强式协作 代理适合重复出现、无需每一步都指挥的工作 为什么值得关注 这是与模型无关的判断习惯，开发、测试、产品都适用；先把任务拆成「AI 做、一起想、人来定」三块，产出更短也更好审。
2
了解即可
#agent #reasoning #research 已读
Axiom 10 月 26 日宣布完成有限单群分类定理（CFSG）第一代证明的 Lean 形式化，约 43.1 million 行代码、2.05 million 条声明，由 Lean 内核检查每一步推理。项目历时 24 天，几十个 AI Agent 分工拆解论证、检索已有结果和编写证明，人类数学家与工程师负责指挥、处理数学障碍并搭建构建缓存与并行检查系统。
Agent 发现 1986 年无平衡群定理证明中的一个封闭性断言不成立，团队另写了替代论证 项目处理了 34 处与已发表文献的明显偏差，计划公布勘误清单 人类仍需审查形式化的定理陈述和定义是否表达了原本的分类结论 项目拆成 108 个里程碑、约 380 个任务，未公布算力或成本 为什么值得关注 说明「Agent 群 + 机器可检查的验证器」能撑起超大规模任务，人主要负责拆解、把关陈述和处理疑难；对读者是方法上的参照，了解即可。
值得关注
#llm #research #prompting 已读
Clark、Martin 与 Mahowald 10 月 21 日提交论文，用与人类阅读难度相关的心理语言学特征（如宾语关系从句、长句法依存、低频词组）比较 AI 文本与人类文本。结果显示，9 个前沿和准前沿模型都比人更多使用无生命主语搭配有生命动词和低频词组，多数还更常出现长依存、名词堆叠等。作者推测这是因为模型越来越多地为数学、代码等追求信息密度的目标优化。
对照组包括人类写作和经往返翻译得到的改写文本，模型使用难读特征的频率高于改写文本 不同模型家族之间差异明显，摘要未点名具体模型，也未给出效应量 作者在长度惩罚下微调一个模型作为概念验证，发现其进一步偏离人类写法 为什么值得关注 和「AI 产出太长、没人看完」相关：除了要求更短，还可以要求用具体主语、短句、常用词；摘要未给出具体数值，结论需要看全文核实。
没有符合筛选条件的条目。清除筛选