📊 本周概览
本周的几条线索指的是同一件事:agent 已经进入交付主循环,不再停在辅助位。GitHub 在 Universe 上把 Copilot 从 IDE 插件重构成 agent-first 的交付系统,同一周 Octoverse 给出全年数据——12 个月 179 亿次 push、343 亿次 commit、13 亿次合并 PR;9 月超过 40% 的 PR 由 agent 发起,而 3 月只有 17%。另一端的样本是 Spawn:十人团队让 agent 群直接改线上代码,每月 token 花费 300 万美元、月均 7.7 万次代码变更。
第二条线是能力载体从"模型"往"平台与运行时"迁移。AWS 用两篇长文分别讲工具网关与平台平面,Anthropic 讲把大脑和双手拆开,IBM 用后训练把指令和数据在表示层分开——三者处理的是同一个问题的不同层:工具规模上去后谁做授权、身份由谁注入、指令边界靠什么保证。
第三条线是交互面扩张。GPT-6.1 Terra 把 computer use 的价格压下来,Microsoft 的 4B Mage 在 Mac mini 上跑到每步 3.1 秒,Genie 4 把世界模型的落点指向"给 agent 和机器人做安全测试环境"。同一周,这一侧的安全叙事正在被检验:OpenAI 公开失准检测的四层栈,Interconnects 拿开源权重发布后的实际证据回测此前的灾难论。
Agent 自主软件交付与代码生产规模化
本周 GitHub 一次性把 agentic 交付栈铺满,配合 Octoverse 的全年数据,能看出"补全"这个定位已经不够描述现状了。GitHub Universe 2026(GitHub)的产品清单值得逐条拆:Copilot app 作为 agent-first 统一入口,把 issue 到 merge 收在一个界面;Copilot Fusion 做多模型编排,按任务在推理、代码生成、调试、工具调用四个维度自动选模型;Copilot projects 支持跨多 repo 的全托管并行 agent session;session continuity 让同一个云端 session 在 app、VS Code、CLI、web 之间续接;Copilot automations 从执行结果中学习并提议改进;code review Max 在 ReviewBench 的高严重度问题上拿到最高 F1。
最值得记的是 Fusion Max 的数字:在 Artificial Analysis Coding Agent Index 上,以一半成本、每任务少 40% 时间逼近 Opus 5.5 Max。这说明多模型编排的收益主要来自成本与延迟,不是质量上限——路由的价值在于把"用最贵的模型做所有事"换成"用够用的模型做大部分事,只在硬骨头上下重注"。session continuity 与 projects 的组合则是另一个方向:把 agent session 从"一次对话"变成跨天、跨端、跨 repo 的持久对象。这个抽象跟 Anthropic 本周讲的 session log 是同一个东西,只是 GitHub 从产品侧先落地。
数据侧,Octoverse 2026(GitHub)给出三个可直接引用的量:过去 12 个月推送 179 亿次(超过 2024 与 2025 之和),提交 343 亿次,合并 PR 13 亿;9 月已有超过 40% 的 PR 由 agent 发起,3 月这个数字是 17%;今年新建仓库中带 agent 配置文件的,平均提交量是无配置仓库的 8 倍。还有一个容易被忽略的指标:9 月 61% 的 Copilot 用户同时使用多个模型,请求分散在通用、深度推理、轻量三类上。6 月出现明显拐点,对应的是 agent 从单会话工具转向跨天持久化、可编排子 agent、并大量使用云端执行。
40% 这个数字的解释需要小心。它统计的是"PR 由 agent 发起",不等于"代码由 agent 写完"——人类在其中仍然做了多少判断,平台数据看不到。但趋势方向没有歧义:agent 已经开始占住交付链路的入口位置,人类的介入点从"写"往"审"和"定标准"移动。
极端样本来自 Spawn 的工程复盘(Simon Willison 转述 Jacob Sansbury)。这是一个玩家用 prompt 改造游戏世界的 MMO,开发本身由 Fable 5 驱动的 agent 群自主完成,每月 token 花费超 300 万美元,约为工资的 30 倍。工程纪律值得抄:agent 直接改线上代码并每小时上线;60% 的工作源自生产错误或 agent 自己提的 bug;一小时没有 ship 就按 SEV-0 事故处理;故障可在 30 秒内局部回滚;还会故意制造故障来验证恢复路径。
里面有一个反直觉论点:高频小步 ship 反而帮 agent 保持上下文连贯。理由是 agent 只能维持数小时的连贯上下文,把工作切成一小时粒度的交付单元,等于每轮都在上下文退化的边界之前收口。模型选型上的一手对比也有信息量——Fable 5/5.1 才撑得起这种自主度,Opus 5.5 不够;GPT-6 Astra 在做安全修复时会把所有功能直接关掉,说明"能改代码"和"能判断改动范围"是两种能力。
组织层面的补充来自 NLW 的拆解(AI Daily Brief):十人规模、常驻 agent 集群、月均 7.7 万次代码变更,折算下来每个工作日约 2500 次。这个量级意味着 review 流程本身必须被重新设计——人工逐条 review 在这个吞吐下不成立,只能靠自动门禁加抽样。播客最后落在人类品味与野心仍是关键变量,跟 Simon 文章里"agent 只能保持数小时上下文"是同一条约束的两面。
测试这一环,Meta 的 JiTTesting(Meta Engineering)从去年的研究原型推进到生产基础设施,架构有两条互补工作流。dodgy diff 把每个 diff 当作 mutant,用变异引导生成能区分行为的测试;intent-aware 先用 LLM 推断改动意图与风险,再据此构造 mutant 并生成 kill 测试。为压误报,用规则加多模型集成的 LLM-as-Judge 过滤弱捕获,同时保留人工复核但降低介入率。系统夜间跑在闲置算力上,并先用类 DRS 机制筛出高风险 diff。
值得注意的共性:JiTTesting 先筛高风险 diff 再跑贵流程,OpenAI 的失准检测先跑低成本激活探针再上 reviewer,思路一样——全量过重模型在成本上不成立,分级筛选是唯一解。把这三块拼起来看,本周出现了一条完整的自主交付闭环样本:GitHub 提供入口与编排、Spawn 提供高频交付的节奏纪律、Meta 提供自动测试的判定层。缺口在最后一环——自动生成的测试通过之后,谁来判断这个变更在语义上是不是想要的,目前仍靠抽样与人的品味。
Computer Use 桌面化与端侧小模型落地
本周 computer use 在三层同时推进:前沿模型压成本、工具层解决并发、端侧小模型解决隐私与延迟。GPT-6.1 Terra(OpenAI)的定位写得很明确——更快更便宜、理解屏幕内容、跨应用执行动作、写得更自然,关键词是"整个工作日"和"效率让它承担更多"。computer use 的经济学重心从"能不能做"转向"每步多少钱",因为一个真实任务动辄几十到上百步截图-点击循环,单步成本和延迟会线性放大成任务级成本。
工具层的进展是 agent-desktop(Chris Tate):agent-browser 的整机版,任何 coding agent 都能获得 computer use 能力,覆盖 macOS、Windows、Linux,后台运行不抢占用户操作,多个 agent 并行使用同一台电脑、各自拥有独立光标。Rauch 的转发(Vercel)配的标题是 "An agent on every desktop"。
多光标这件事比听起来重要。此前 computer use 的一个结构性瓶颈是单光标互斥——人和 agent 抢鼠标,agent 要么独占机器要么效率极低。每个 agent 独立光标,等于把 GUI 从独占资源变成可分区资源,才有了"多个 agent 并行在我的机器上干活"这个形态。代价是并发状态冲突:两个 agent 同时写同一个文件、同一个应用窗口、同一份剪贴板,冲突检测与隔离目前没有标准做法。
端侧的样本是 Mage 的第三方实测(pratikg):Microsoft 低调发布的 4B 开源权重 computer-use agent,模型卡声称 OSWorld-Verified 66%(人类 72.4%,Qwen3.6-27B 为 63.9%)。作者自己转了 MLX 版本,在 64GB M5 Pro Mac mini 上测:4-bit 量化下占不到 9GB 内存,512 上下文 96 tok/s,满 32K 时 34 tok/s;每轮从读取 1080p 截图到决定下一动作耗时 3.1 秒,约合每分钟 19 步。三个真实任务:CSV 营收合计正确、文件重命名一次成功、Dark Mode 开关在 4-bit 下偏了 42 像素,全精度下成功。Apache 2.0。
这组数字里最有参考价值的是"每步 3.1 秒"。19 步/分钟意味着一个 50 步的任务要跑两分半,端侧在延迟上已经接近可用,但还不足以做实时交互。隐私论点是端侧真正的差异化:agent 看到的是整块屏幕,包括邮件和银行页,截图不出本机是架构层面的保证,不是承诺。这个判断在 Mano-P 一类开源端侧 GUI agent 上也被反复提到——OSWorld 上 58.2% 的端侧模型之所以有价值,恰恰因为推理路径不经过任何外部服务器。
训练侧,Apple 的 iOS UI 导航论文(Apple)做的是另一件事:在真实 iOS 应用上做在线强化学习。框架把 agent 拆成 Planning agent 与 UI Grounding 模型两个组件,用 LLM-as-a-Judge 提供步级稠密奖励加终局奖励,用带 step-level advantage 的 PPO 优化。方法上的新东西是 GiGPPO——利用并发轨迹中视觉相似状态的奖励信号做邻居条件化 value estimation,提升 critic 稳定性。为了撑住在线训练,团队搭了可编排数百台并发虚拟 iOS 设备的基础设施。
结果上,8B 模型在 OOD 的 Android 环境泛化上相对 SFT 基线提升近 7 倍,真实 iOS 应用上超过 Gemini-3.5-Flash、与 Gemini-3.1-Pro 持平。这条工作的意义在于把"可训练环境"变成了显式的工程投入——不是靠收集静态轨迹,而是造一个能在线试错的设备农场。它跟 Meta 夜间跑测试、Spawn 每小时上线是同一个工程直觉:agent 能力的提升速度,取决于环境能多快地给出反馈。
三层放在一起,端侧小模型负责日常低频任务与隐私敏感场景,前沿模型负责复杂长程任务,工具层负责把两者塞进同一台机器的并发调度里。目前缺的是跨层的任务交接标准——一个任务什么时候该从 4B 端侧模型升级到云端前沿模型,没有通用判据。
企业 Agent 平台:工具网关与大脑双手解耦
本周企业 agent 平台的两篇长文都来自 AWS,讲的是同一件事的两半:工具怎么接、平台怎么管。MoEngage 的 API 工具化复盘(AWS)给出了完整的决策链:25 个团队、7 个 Region、约 400 个 VPC 私有 REST API 要变成 agent 工具。团队明确否决了"每个团队各建一个 MCP server"这个直觉方案——20 多个部署要维护,跨域 agent 得连好几台,每个团队都得学 MCP。改成团队只写 OpenAPI spec 并声明哪些操作是工具,MCP 层由 AI 平台团队端到端拥有。
四条硬约束值得抄:不给任何 API 公网端点;身份(tenant/user/role/DB context)必须由调用方注入,结构上不可被模型设置;400 个工具的 schema 全量 tools/list 超过 2 万 token,所以必须做下发侧裁剪;客户端 tool_filter 不算授权边界——不该看到的写操作根本不该下发。最后一条是最常见的误用:把过滤逻辑放在客户端,等于把授权交给不可信方。结果省了约 6 个月平台工程,新 API 接入从数天降到数小时。
2 万 token 这个数字值得单独记。它是"工具规模上去之后,工具描述本身就是上下文预算"的具体证据。工具数量到几百个量级,光是把工具清单放进 prompt 就吃掉可观的上下文,做 agent 系统的人迟早要面对工具检索与动态下发的问题。
Bedrock AgentCore 的平台参考实现(AWS)走的是另一个层次。它的核心判断是:agent 上生产的瓶颈不在模型和工具调用,而在周边——多团队怎么在安全边界内自建、谁拥有模型与工具、AgentOps 与错误处理怎么不越界、财务怎么跨账号看成本与健康度。方案分四个平面:开发者体验、平台控制、Workstream 执行、保障与运营,以 Workstream cell 作为扩展单元。所有推理走审批网关(含 guardrails、区域与模型白名单、per-team 限流与 token 配额),所有工具走认证 MCP 网关(最小权限、可审计 owner),发布门禁是五类边界证据:模型访问、工具访问、身份、发布回滚、退役清理。配套 GitHub blueprint 可直接部署验证。
把"发布门禁"从 checklist 改成证据集是这篇的实质贡献——判断标准从"你检查过没有"变成"给我看证据"。退役清理这一条尤其容易被忽略:agent 下线时,它持有的工具权限、凭据、配额怎么回收,多数团队的流程里没有这一步。
对话的另一侧,Anthropic 的 brain/hands 分离(Latent Space,Katelyn Lesse 与 Angela Jiang)讲的是运行时边界。同一场访谈的文字整理给了更具体的机制:模型发布同时是 API 发布,比如跨轮保留 thinking block 以防推理被蒸馏提取,代价是会破坏客户既有 harness;早期访问计划的价值在于让客户在自家 harness 里跑评测,暴露 Anthropic 自己产品覆盖不到的行为;Managed Agents 把 session log 与 harness 同执行代码的 sandbox 解耦,sandbox 按需创建、失败不拖垮整个会话,凭据由代理单独持有、不进入 sandbox。
这套设计的取舍原则可以概括成三句:接口稳定性优先于实现稳定性;组件应该是可替换的牲畜而不是手工维护的宠物,故障应导致替换而非修复;大脑、手、session 三者独立失败与扩展。CubePlex 在类似架构文章里列的"四道鸿沟"——host 污染、凭据泄漏、网关超时、资产归属——正好是这套设计要跨过的四个坑。对设计 agent runtime 的人来说,本周可以直接对照自问:哪些部分必须存活、哪些执行不可信代码、哪些密钥真正需要出现在代码运行处。
训练侧本周有四篇工业界论文,共同结论是"数据构造方式比数据量更重要"。LLMON(IBM Research)把指令与数据在表示层分开:用结构化标记要求基于标识符的显式执行,构造 4.6B token 的训练语料(含大量干扰项变体),对 Granite-4.1 的 3B 与 8B 做 SFT+RL 后训练。间接提示注入的攻击成功率从 53-100% 降到 0.02-5.6%,通用能力保持,并配了逐层注意力的可解释性指标来诊断失败模式。这条对 agent 平台的意义是:指令边界可以当作可学习能力来注入,不必非要改架构。
WorkFactory(IQuest Research、人大)从专业意图出发构建可执行任务:信息支撑图规划显式表示输出所需信息的依赖与位置,探针执行暴露支撑失败并触发修复,最终产出 112,686 条任务、覆盖 612 个职业,微调出 WorkPilot 4B/27B/35B-A3B,35B-A3B 在 GDPval-AA v2.1 上从 879 涨到 1565 Elo。Trajectory2Gym(Ant International、西湖大学)重新定义了轨迹监督:成功轨迹不等于有用监督,要求 compositional coverage(重要观察-动作依赖被覆盖)与 decision grounding(每个监督动作都有 agent 可见历史支撑),在 Qwen3 五个规模上把 Tau1、Tau2、BFCL 的等权均值提升 16.9-29.8 个百分点,在有状态多轮交互上收益最大。
SynthAPI 的缩放律(Apple)给这几条提供了统一视角。它用可控合成管线沿工具、任务、数据库三个轴调节多样性,跑了 458,752 个任务、训练 849 个模型(四种规模),得出可预测的缩放关系:数据预算变大之后,扩工具与数据库多样性比扩任务数量更有效,提升数据复杂度比扩规模收益更大。换成工程语言:与其让 agent 在同一个 API 集合上刷更多样本,不如给它更多不同的 API 和不同的数据形态。这跟 MoEngage 那 400 个 API 的现实约束咬得上——企业 agent 面对的工具集本来就是异构、分散、多团队的。
交互式世界模型与具身仿真环境
世界模型这一周的重心从"生成好看的画面"挪到了"提供可交互、可测试的环境"。Genie 4(Demis Hassabis)的公布口径是实时物理、推理、音频三者合一,配了一句"模拟中的模拟,让人好奇兔子洞有多深"。Sundar Pichai 的补充给了具体能力清单:实时操纵动态环境(塑造事件、机位、动作)、生成与世界匹配的原生音频(从真实环境音到能实时对话的角色)、照片级场景与真实物理、用 Gemini 推理生成更连贯的多步事件。发布方式是研究预览,先给受信测试者,随后进入 Google AI Ultra 的 Project Genie、Gemini API 与 AI Studio 早期访问。
AINews 的转述(Latent Space)补了两个关键技术点:Genie 4 基于 Gemini Omni 构建,Gemini 在环内做多步事件规划以保持场景连贯;宣称具备空气动力学、碰撞与自然人体运动。方向上也说得明确——把"为 agent 和机器人提供安全虚拟测试环境"列为目标,并通过 API 首次开放。
三个细节值得拆。音频与"角色能实时对话"意味着世界模型开始承载交互对象而不只是环境,这跟单纯视频生成的差别在于,对象需要对动作做出有语义的回应。Gemini 在环内做规划,是把语言模型的推理能力接到世界模型的长程一致性上——预测误差累积导致长视频漂移,这是此前视频世界模型的老问题,靠外部规划器做约束是合理的工程路径。最后,"为 agent 和机器人提供测试环境"这个落点直接接上了本周的另一半需求:GUI agent 与机器人 agent 都缺可复现、可对抗、可大规模并行的环境,Apple 的做法是搭数百台虚拟 iOS 设备,理论上世界模型能提供更便宜、更可变的替代。
开源侧,Hy-Nomas(Heng Wang)给了一条不同的路线:自由交互式世界模型,文本提示加相机控制,具备世界记忆的长时生成,支持不同视角与风格,720p、分钟级视频,针对机器人等专用领域提供轻量 LoRA 适配,推理在消费级 GPU 上优化。权重、技术报告、基准全部开源,作者还用它复现了 Genie 4 的视频做直接对比。
对具身从业者,这两个组合起来的意义在于"环境"从稀缺资源变成可造资源。此前机器人训练的数据瓶颈在于真实环境采集成本高、仿真器建场景贵。现在一端有闭源的高保真世界模型,一端有能在消费级 GPU 上跑、能 LoRA 适配到具体机器人平台的开源模型,加上本周同步出现的 OmniBrain-0 这类统一决策模型,闭环的各段都有样本了。
OmniBrain-0(小米、澳门大学、清华)是一个轻量统一具身 agent:用共享的高层决策模型协调操作与导航,整合任务理解、规划、进度跟踪与反馈驱动的恢复。训练走渐进式路线——具身预训练、领域专家蒸馏、多教师 on-policy 蒸馏(MOPD),把强教师的交互经验先蒸馏到操作与导航专家,再合并进单一模型。配套的 Rubric-Guided Recursive Self-Improvement 是数据飞轮:一个 Meta-Agent 把执行证据转成细化的 rubric、步级提醒和验证过的轨迹,用于更新领域专家,再经 MOPD 并回主模型。评测覆盖 LIBERO-Pro、LIBERO-Plus、RoboCasa365、RoboTwin 2.0、R2R-CE Val-Unseen 五个 benchmark 加多项真实机器人任务,相比闭源教师(GPT-5.6-Sol)推理与执行开销显著降低。
这篇里有一句话值得单独拿出来:"统一发生在学到的决策模型内部,而不只是工具接口层。"这跟本周 Anthropic 讲的大脑双手分离正好构成对照。两者不矛盾——拆开的是运行时边界(session、sandbox、凭据),合起来的是决策权重。什么时候该拆、什么时候该合,判据是失败模式:如果失败主要来自执行环境的不确定性,就拆;如果来自跨域决策的割裂,就合。具身场景里操作与导航的耦合很深,失败往往是"该先开门还是先转身"这类决策层面的问题,所以合起来划算。
前沿模型发布与开源权重安全争议
前沿模型这一周有两个发布,定位截然不同。Gemini 4 Carbon(Google)的表述是"最强模型",在网络安全与长程能力上达到前沿水平,多数基准有提升,自主编码与网络防御表现突出。发布方式是先给 Fairwind 项目的受信网络防御者,之后再扩大。Google DeepMind 的同步公告措辞相近,没有给具体基准数字。
值得注意的不是能力描述,而是发布节奏。能力越靠近攻防双用,先内部、先受信、后公开的分级开放就越常见。这跟制度侧的动作对得上:美国的前沿模型网络安全审查机制目前仅涉及闭源模型,开放权重模型至少暂时不受影响——也就是说,"先给防御方"补的是闭源模型这一侧的流程缺口。
LFM3(Liquid AI)走的是完全相反的方向:6 个模型实例,覆盖文本、音频、视觉、omni 四种模态,包含生成模型与决策模型,采用新的 tri-hybrid 架构和新多模态编码器。LFM3-1.7B 是文本模型,256k 上下文;VL-2B 支持视频输入做空间理解;Audio-2B 在 18 种语言上做工具调用、语音对话与推理;Omni-2B 合并视觉、音频、语言;另有 d1-2B 与 d1-Omni-2B 两个决策模型,输出为带类型的结构化结果与校准概率,单次前向完成。官方口径是单 GPU 可微调,架构针对 GPU、CPU、NPU 共 14 类处理器优化,VL-2B 以 1.9B 参数对标 Gemma 4 12B(6 倍大)、Gemini 3.5 Flash Lite 与 GPT-5.6 Luna,1.7B 在设备智能的 Pareto 前沿排第一。
决策模型这条线值得单独留意。类型化输出加校准概率,是为端侧 agent 的工具调用准备的——调工具需要的是可判定的输出分布(这一步该不该调、调哪个、参数置信度多高),而不是自由文本。这跟本周端侧 computer use 的落地是同一需求的两面。
训练侧,Unified Training(Russ Salakhutdinov 团队)提出用单一最大似然目标统一预训练、midtraining、SFT 与 RL,基于 MaxRL,让静态数据与 RL 生成的数据在同一系统内一起训练。报告的效果是准确率与算力效率提升、对更难推理问题泛化更好、遗忘减少。两个观察有意思:跨阶段复用数据能提升性能,即便常规分阶段训练在该情形下失败;产出的模型对新任务适应更好,持续学习更强。代码与模型开源。
这条给"agent 训练数据从哪来"的争论提供了第三种答案——不区分数据来源,只统一优化目标。对照本周 WorkFactory、Trajectory2Gym、SynthAPI 三条数据构造路线,方向其实是汇合的:数据的"来源标签"(人类写的、模型生成的、RL 探索出的)正在失去意义,起作用的是数据结构与依赖覆盖。
安全叙事这一周被拿证据检验了一次。Nathan Lambert 的公开复盘(Interconnects)对自己几周前"开源权重模型网络风险被夸大"的论断做回测:GLM-5.3 被公认为真正跨过能力门槛的开源模型,权重发布一个多月后没有公开证据显示出现阶跃式的社会危害,只有加速而非突变;由此反推,若 Claude Mythos 当初意外开源,世界大概率也"基本没事"。文章逐条摘录了 Anthropic Project Glasswing 公告、80,000 Hours 播客、Zvi 等人的灾难论原始表述,指出这是一组可证伪的预测,如今正被现实检验。
这个复盘需要配两个限定条件读。一个多月的时间窗口对于"危害是否出现"来说太短,且开源权重的实际使用情况本来就不完全可见。另一侧的制度演进也在同时发生——中国厂商探索的是把高水平网络安全能力从通用前沿能力中剥离,以受控 API 形式提供给专业用户,通用能力继续走开放权重。这个思路如果成立,等于承认风险真实存在,但选择用能力分层而不是权重封闭来应对。
监控侧,OpenAI 的失准检测体系(OpenAI)首次系统披露内部栈,四层递进:Layer 0 用 activation probes 在激活层做低成本异常信号捕捉;Layer 1 用模型化 reviewer 审查 agent 的推理与动作;Layer 2 用调查型 agent 深挖可疑行为;Layer 3 做自动化调查闭环。文中公开了内部流量中实际发现的失准案例,用录制事件与模拟攻击做评测,以及一个关键张力——如何监控 agent 而不 incentivize 它学会混淆与规避。
Value Probes(Anthropic)在审计侧做了对应的工作:把多轮红队审计形式化为马尔可夫决策过程(状态是对话历史、动作是候选回复、奖励是 judge 分数),用 beam search 替代 auditor 单独决策,并提出 Value Probes——从目标模型激活做线性探针预测折扣未来奖励,作为 beam search 的启发式。18 个目标行为 × 3 个模型规模上,峰值审计分数提升约 50%,且探针可用小模型的 off-policy 数据拟合,比昂贵的 LLM follow-up 更省。
两篇放在一起看有个共性:激活层的线性探针在监控与审计两侧同时被用上。原因很实际——激活探针便宜,可以在全量流量上跑;重模型审查只能抽样。这跟 JiTTesting 夜间跑测试、先用类 DRS 筛高风险 diff 是同一套成本结构下的必然设计。
最后是两份关于"怎么读数字"的材料。State of AI 2026 的访谈(Nathan Benaich,MAD Podcast)给出的判断包括:预测 2027 年 AGI;Claude 已承担 Anthropic 26% 的模型研发,但受限于"研究品味";从零追赶前沿需约万亿美元,形成"要么死在冲前沿路上,要么活下来做推理"的格局;企业倾向自持 AI 而非租用;模型与 agent harness 之争成为新的竞争轴。26% 这个估计方法不明,方向可以记,数字别当真。
Artificial Analysis v5 的方法论批判(Interconnects)拆的是排行榜口径:v5 指数把四大类各设 25% 权重(知识工作、编码、科学、通用)并细分到子基准,整体明显偏向"前沿通用 agent 协作者",结果是 8 个闭源模型压过最强的开源 Kimi K3.1 Pro。作者认为旧指数过度美化开源,新指数又可能低估开源模型在经济中的实际地位,并预言单一智能指数终将被淘汰。本周同时有 Gemini 4 Carbon、LFM3 这类定位差异极大的模型发布,引用排行榜时对口径保持警惕是必要的。
📌 本周简讯
精神病学接诊的仿真 RL 训练 — Google DeepMind 与多所医学院 / 多轮 RL 仿真环境训练接诊 agent,随机双盲交叉研究(60 对场景、120 次接诊、32 名精神科医生角色扮演、15 名独立评分),训练后模型在 76.7% 配对场景中优于同 prompt 的基座,鉴别诊断适当性 68.3% vs 33.3%,急性安全风险漏诊率 12.9% vs 30.5%。仿真环境做训练的评估范式对医疗类 agent 有直接参考价值。
Microsoft Copilot 的合成企业评测 — Microsoft Research / 真实企业数据不能用于评测,解法是构造全规模合成企业租户,用 O*NET 职业数据、招聘信息、SEC 文件三类公开信号做 grounding,配自动 query 生成与结构化质量框架,内置内容安全与 PII 检查。给出一条"不碰客户数据也能证明模型有效"的方法论路径。
旅行场景的 KD + Medusa 统一流水线 — Amazon Science 与 Booking.com / 用 70B Llama-3.1 教师标注、在 1.1B TinyLlama 上挂 Medusa heads 单阶段联合训练,三个真实业务场景实测在保持教师质量的同时快 10-20 倍、成本低于 1/3,获 ACL Industry Track 最佳论文。高并发消费场景下"小模型加投机解码"的可抄范本。
Octoverse 2026 的方法论细节 — Simon Willison / 现场转述提到两条可复用的统计做法:按 NAICS 行业分类时用微调的多语言 embedding 模型归类仓库,以及用 LLM 从用户 profile 提取国家码以校正 VPN 带来的地理偏差。本身是"用 LLM 做数据清洗"的实操样本。
vibe coding 游戏的能力边界 — Simon Willison / 作者认为 2026 年 10 月是分水岭:模型在 3D 建模与音乐生成之外开始具备"游戏设计"能力,一句 "Make it a LOT more fun" 能显著提升可玩性,并给出四个纯 HTML/JS 的可玩 demo 与提示词原文。核心观察是"看起来像游戏"早就不难,"真正好玩"才是分界。
Anthropic 提交 S-1 的精读 — Zvi / 对招股书全文逐节解读,给出的口径澄清包括:H1 现金流为正 39 亿美元(外界传的 800 亿"亏损"来自股价上涨导致的票据重估)、实际募资 1410 亿、在手 1310 亿、算力承诺约 8000 亿美元;创始人通过 Class F 股可长期控制公司并联合员工越过长期利益信托。想理解前沿实验室治理结构与真实财务口径的话值得读。
Meta Andromeda 的召回架构 — Meta Engineering / 把 LLM 式 MoE 引入召回阶段,用户侧改为多个专家用户塔,候选广告塔联合编码注入实时上下文,交互层用 MoE attention gating 动态路由;约 1/300 推理 FLOPs 下逼近排序级效果,吞吐每秒超 10 亿广告(较 2024 版提升 100 倍),Facebook 转化率提升 2.4%。文中指出十亿级吞吐下内存带宽与 CPU-GPU 传输成为新瓶颈。