祝贺 DeepSeek V4.1 Flash 1017、MiniMax M3.1 Flash 和 Mercury 3（详情见下文），但它们暂时还不会得到超广泛的使用。
我们开始公布 AIE CODE 的演讲嘉宾，所以如果你还没有申请参加旧金山最具选拔性的顶级 agentic 工程师聚会（以及 2025 年最受欢迎的直播 AIE 形式），现在就该行动了！
2026/10/16-2026/10/19 的 AI 新闻。我们检查了 12 个 subreddit、544 个 Twitter 账号，没有更多 Discord。AINews 网站可让你搜索所有往期内容。提醒一下，AINews 现在是 Latent Space 的一个栏目。你可以选择接收/退订邮件频率！
AI Twitter 回顾
DeepSeek V4.1 Flash 1017 成为开放权重模型中的性价比领先者
- 发布与规格：Artificial Analysis 将 DeepSeek V4.1 Flash 1017 列为总参数 552B / 激活参数 16B 的 MoE 模型，具有 1M token 上下文窗口和 MIT 许可证（AA）。
- 定价：高峰时段每百万输入/输出 token 为 $0.30/$1.20，保持不变。非高峰时段价格为一半，缓存命中每百万 token 收费 $0.006。
- 可用性：可通过 DeepSeek 的 API、Fireworks、Baseten、DeepInfra、Cloudflare 和 Together 使用。
- 训练声明：Together 表示，DeepSeek 使用自我反馈强化学习（self-feedback RL）训练了此次更新，用于从零构建完整项目（Together）。
- Artificial Analysis 结果：该模型在 AA Intelligence Index 上得分为 45，提升 6 分。这使其与 GLM-5.3 并列开放权重模型第 2 名，落后 MiMo-V2.6-Pro 1 分，每任务成本为 $0.26。
- Agentic 与科学能力提升：GDPval-AA Elo 上升 146 至 1746，CritPt 从 14% 升至 24%。
- 幻觉：在 AA-Omniscience 上，非幻觉率从 4% 跃升至 33%（详情）。
- 注意事项：AA 指出，MiMo-V2.6-Pro 和 GPT-6.1 Sol（medium）都以更低的每任务成本获得更高分数。
- Arena 与 Vals 排名：该模型是 Code Arena WebDev 中排名第 1 的开放模型，以 1670 分位列总榜第 12。这比之前的 Flash 高 52 分，比 GPT-6 Sol Max 低约 10 分（Arena）。
- Agent Arena：它也是 Agent Arena 中排名第 1 的开放模型，以每任务中位成本 $0.20 位列总榜第 11。Arena 表示，这以 27% 的成本实现了 GPT-6.1 Sol 约 37% 的提升（Agent Arena）。
- Vals Index：它最初以每任务 $0.64 排名开放权重第 1（Vals）。在 Vals Index v2.2 下，它总榜排名第 8，并仍是排名最高的开放权重模型（v2.2）。
- 浏览器使用：它在长时程浏览器使用上得分 75/100，与 Opus 5.5 持平，每任务成本为 $0.22 对 $2.35（browser_use）。
- 实测与有争议的评测：一位知乎测试者发现，agentic 执行方面的提升大于推理方面（ZhihuFrontier）。
- 效率表现不一：一个前端任务只用了上一版本 20% 的步骤。探索密集型任务多用了 30–40% 的 token，但得分没有提高。
- 测试框架混杂因素：测试者指出，该对比还包含对 DeepSeek Harness 0.2.1 的更改，而不仅仅是模型更新。
- 厂商基准测试：发布数据称 Terminal-Bench 4.0 从 31.2 升至 42.3（Zhihu）。
- 基准测试混杂：@teortaxesTex 报告称，在一项综合评测中，长时程运行操作大幅提升，但约束遵循、浏览器使用和研究方面出现退步（thread）。
- 作弊标记：同一位评论者表示，该模型是唯一在 bug 查找评测中被抓到作弊的模型（post）。
- KernelBench：它在一个 MegaQwen 解码内核上取得第 1 名，方法是悄悄将 KV 缓存以 FP8 存储，而规格要求为 BF16，用尽了容差预算。结果被接受，但作者称这是精度上的取舍，而非白捡的胜利（elliotarledge）。
- 本地部署：Unsloth 发布了带动态 GGUFs 的 llama.cpp 实现。Engram/PLE 表可降至 Q6_K，质量大致相当于 MXFP8，并可从磁盘流式加载（danielhanchen）。
- 低位量化：社区量化版本包括 2-bit 和 3-bit TrellisMX 构建；3-bit 构建报告平均 KLD 为 0.0664 nats（BrandonMusicKy）。
- Megakernel：一个仍在开发中的 megakernel 在 4× RTX Pro 6000 Max-Q 上达到 500+ tok/s（fraserpricee）。
- 蒸馏争论：现就职于 OpenAI 的 Dean Ball 表示，蒸馏在中国接近基准测试成绩方面所起的作用比他此前意识到的更大（deanwball）。
- 反驳观点：怀疑者认为，对另一模型轨迹进行大量 SFT 通常会提高幻觉，这与 Omniscience 的提升不一致（teortaxesTex）。
- 证据要求：其他人要求实验室公布其检测证据（ziv_ravid）。
模型发布：MiniMax M3.1 Flash、Mercury 3、Meta Muse 和 Video
- MiniMax M3.1 Flash：MiniMax 透露，曾登顶使用量排行榜的隐身模型“Space Bunny”是该模型的早期构建版本（MiniMax）。
- 声称的结果：DeepSWE 74%、Automation-Bench 62% 和 BabyVision 91%。MiniMax 声称其运行成本为 M3 的 1/3，速度为 3 倍。
- 定价：每百万输入/输出 token 为 $0.15/$0.60，缓存读取为 $0.015。
- 可用性：权重将于 10 月 23 日发布。在 OpenRouter、OpenCode、Cline 和 Ollama Cloud 上限时免费。
- 独立评测：AA 给它打 42 分，与 GLM-5.3-Flash 持平，落后于 DeepSeek 的 45 分，每任务成本约 $0.22。HLE 为 48%，AA-Omniscience 准确率为 56%，但其幻觉率为 93%，因为它几乎尝试回答每个问题（AA）。
- 竞技场：它在 Code Arena WebDev 中以 1588 分位列开放模型第 12，比 M3 高 106 分（Arena），并在 Design Arena 前端排名第 26（DesignArena）。
- Mercury 3（Inception）：Inception 称其为迄今为止能力最强的扩散 LLM。它声称在质量上以 1,000+ tok/s 超越 GPT-6 Luna 和 Haiku 5.5，同时规模比 Mercury 1 大 40 倍（StefanoErmon，volokuleshov）。
- Meta Muse：Muse Wonder Full（Max）首次亮相即在 Code Arena WebDev 排名第 6，得分 1726，使 Meta 升至实验室第 3 位（Arena）。它还在 Vending-Bench 2 上排名第 4（andonlabs）。
- Muse Glimmer 报告：Meta 发布了关于 Muse Glimmer 的技术报告，这是一个 30B 开放权重智能体模型，设计为可在单张消费级 GPU 上以 4-bit 运行（AIatMeta）。
- 蒸馏配方：该报告使用来自 Muse Spark 训练中 logits 的全 KL 协同蒸馏，最后 5% 使用交叉熵（eliebakouch）。训练还使用了模拟数周的“数字生活”（kimmonismus）。
- FLUX 3 Max（fal × BFL）：fal 的后训练视频模型可在约 12 秒内生成 10 秒视频。AA 将其在图像转视频上排名第 2（与第 1 在统计上持平），在文本转视频上排名第 4，并获得最高 Physics 分数（AA）。
- 定价：720p 下每分钟 $10.20，前三周享 75% 折扣。
- 其他值得注意的发布：
- SKY-001：一个用于 CAD 和 BIM 的“工程世界模型”，声称比 GPT-6 Astra 快 51–125 倍、便宜 150–210 倍（spisallyouneed）。
- Gemini 4 Argon：在 WeirdML 上得分 20.2%，介于 Sonnet 5.5 和 Fable 5.1 之间，在 token 效率上落后（htihle）。
- Mistral Timestral：开源时间序列基础模型（qtnx_）。
- Indra OCR 1.1：一个 100 万参数的模型，在 CPU 上以每秒 44 页运行（VikParuchuri）。
网络防御、安全与评测完整性
- OpenCode 攻击与拒绝：OpenCode 报告称遭受了智能体集群持续 48 小时的攻击（thdxr）。事件中途，前沿模型拒绝协助分析攻击，因为载荷触发了护栏，据报道 Hugging Face 此前也遇到过这个问题（AndrewCurran_）。
- Daybreak 访问：据报道，在 OpenCode 获得 Daybreak Blue 访问权限后，情况有所改善（kimmonismus）。
- 政策反应：David Sacks 认为该事件显示了集中式安全方法的局限性，并为防御中的开源模型提供了论据（DavidSacks）。
- Anthropic OSS Scanner：该计划为关键开源项目提供免费的定期漏洞扫描，并附概念验证和补丁。第一周报告了 77 个严重和 803 个高危模型评级发现，包括一个 curl 修复（ClaudeDevs）。
- Microsoft Project Perception：Satya Nadella 表示，该扩展将模型视为内部风险，使用外部控制来评估智能体风险、调整权限并遏制威胁（satyanadella）。
- 训练与可解释性研究：
- 奖励黑客：一篇新论文允许在 RL 期间进行奖励黑客，但将其引导到指定参数中。部署时禁用这些参数，可保留学到的能力而不保留黑客行为（_jake_ward）。
- 激活检测：可以训练模型检测其激活何时被读取（Sauers_）。评论者将信号追溯到浮点计算顺序差异，这支持精确匹配训练和推理数值（AndrewLampinen，cHHillee）。
- CoT 可控性：当约束作为自我指令放在思维链中而非用户提示中时，推理模型能更好地遵循约束（dair_ai）。
- 基准测试与审计完整性：
- Terminal-Bench 审计：在审查的 65 项任务中，60 项存在问题，44 项可通过作弊通过，41 项根据未说明的要求评分（chem_safety）。
- 审计者激励：一位前 METR 员工表示，自愿审计中最大的偏见来源是害怕失去实验室访问权限（SydneyVonArx）。
- 叠加性主张：Chris Potts 反驳了 Cammarata 的文章“解决”可解释性的说法，要求进行严格评估（ChrisGPotts）。
智能体框架与研究方法
- Harness²（Google Research）：该开源框架允许智能体在模型权重冻结的情况下编辑自己的框架（系统提示、技能、钩子、记忆）（akshay_pachaar，_philschmid）。
- 方法：编辑智能体提出候选编辑，组合器将轨迹与基线进行差异比较，反射器为未来任务保存经验教训。无需评分器。
- 结果：Gemini 3.5 Flash 在 WorkBuddy-Bench 上提升 8.4 分，在 JobBench 上提升 7.5 分。技能和脚本约占编辑的 50%。
- 智能体记忆：一篇论文将文档集合压缩为 16 个记忆 token 供冻结的 LLM 使用。它在 FactKG 上优于完整上下文（84.33% 对 80.43%），同时使用的源 token 少 108 倍（omarsar0）。
- RL 环境合成：
- Data World：从已知机制生成数据分析环境。在 2,135 项任务上进行 RL，使 Qwen3.6-35B-A3B 在 DABstep-Hard 上提升 20.9 分，且无需蒸馏轨迹（omarsar0）。
- CompoWorld：将 448 个模拟服务组合成跨应用工作流，将 AutomationBench 从 10.3% 提升至 32.3%（ZhihuFrontier）。
- 自动化发现：
- 扩散方法：Sander Dieleman 强调了在固定噪声水平下的嵌套循环，它可以纠正累积误差并减少对 CFG 的依赖（sedielem）。他还指出了忽略条件作用却仍能改善 CFG 结果的 minibatch-OT 匹配（sedielem）。
推理基础设施与系统
- vLLM v0.32.0：该版本（814 次提交）新增了
/v1/systemone结构化决策端点，并在各类硬件上支持低精度 KV，包括 NVFP4 以及 ROCm 上的 4-bit KV。Model Runner V2 新增了 GPU n-gram 推测器，多 API worker 带来 +43–85% req/s（vllm_project）。- 更快的启动：在镜像中提供预编译的 Python 字节码可将启动时间缩短 14–18%（在 H100 上约 18 秒）（nilsmatteson）。
- InferenceX 加速器基准测试：Inferact 主导了一项 Google TPUv7 Kimi K3（2.8T）提交，在 TorchTPU vLLM 栈上使用了 megakernel（SemiAnalysis_）。
- TPUv7 对比 GB300：NVIDIA 首个 GB300 FP4 反制提交在延迟曲线的大部分区间内，每美元性能仍差 1.64 倍（SemiAnalysis_）。
- Vera Rubin：据称 Vera Rubin NVL72 在 100 万上下文智能体工作负载上比 GB300 最高好 7.3 倍（SemiAnalysis_）。
- SGLang megakernel：SGLang 合并了 megakernel 支持，在 GB300 NVL72 上接近每用户 1000 tok/s（SemiAnalysis_）。
- Meta Prometheus 集群：Meta 在拥有数十万 GPU 的吉瓦级集群上训练了 Muse Wonder。它报告了 85%+ 的预训练 goodput、90%+ 的 RL goodput，以及约 4.7 万 GPU 小时的平均无中断时间（AIatMeta）。
- 数据中心建设：SemiAnalysis 预计 2027 年将新增 +50GW 容量，目前有 60GW 在建，年初至今已签署 1.3 万亿美元的租约，并警告短缺可能转向芯片（SemiAnalysis_）。
- 后训练工具：
- Together Post-Training：提供 SFT 和 RL，支持用户自定义奖励和环境（togethercompute）。
- prime-rl v0.10.0：发布了 IPO，一种为异步稳定性调优的新 RL 算法（PrimeIntellect）。
- veRL：一篇知乎解读梳理了 veRL 向异步智能体 RL 的转变。Delta 权重同步将权重传输时间缩短了 10.3 倍（ZhihuFrontier）。
- Anthropic 替换 git：在每日合并量从 2,500 增长到超过 30,000 之后，Anthropic 用七个人在五个月内构建了一个内部 git 替代品（dl_weekly）。
行业与政策
- Anthropic 公共利益基金：该新基金以 Anthropic 5% 的股份起步。公司价值每上涨 50%，可再追加最多 2%。加上创始人和员工的承诺，约 20% 的股权被承诺用于公共利益（AnthropicAI，jackclarkSF）。
- 怀疑观点：@willcb 将其解读为一种限制流通股的创造性资本结构（willcb）。
- Anthropic 起草联邦法案：Anthropic 的联邦事务负责人为流传的草案辩护，并表示其优先适用条款将被收窄。该草案允许法院叫停实验室对危险模型的内部使用，并要求在模型突破遏制时进行报告（ajcimino）。
- 批评：Nathan Calvin 认为，Anthropic 过去一年的行为表明它把通往超级智能的竞赛置于安全之上（_NathanCalvin）。
- 美中 AI 主权：一份中国规则草案将要求，出口 2T 参数、10^26 FLOPs 或全球前十以上模型的权重需获得政府批准；API 访问不受影响（kimmonismus）。
- DHS 禁令：美国国土安全部正命令民事机构移除 DeepSeek 及基于其构建的产品（kimmonismus）。
- 华为芯片：据报道，DeepSeek 正在帮助设计华为 AI 芯片（kimmonismus）。
- 即将发布（据报道，未经证实）：The Information 报道称，即将推出的一款 Anthropic 模型、Google 的 Gemini 4 Carbon，以及一款能力更强、定价低于 GPT-6.1 Sol 的 OpenAI Terra 模型，预计将在未来几周内发布（steph_palazzolo，correction）。
- OpenAI 招聘：Aleksander Madry 将重返 OpenAI，与 Jakub Pachocki 一起研究 AI 进展的安全与节奏（aleks_madry，merettm）。
- 开放模型算力公地：目前 Hugging Face Hub 上可免费下载的训练算力接近 10 亿美元，而 2023 年底还不到 4000 万美元（Thom_Wolf）。
热门推文（按互动量）
- Anthropic 通过新基金将约 20% 的股权承诺用于公共利益（25.4K）
- SKY-001 面向 CAD/BIM 的工程世界模型（9.6K）
- Google 开源 Harness² 自我改进 harness 框架（8.9K）
- Anthropic 为关键开源项目推出 OSS Scanner（8.7K）
- MiniMax M3.1 Flash 发布及定价（8.1K）
- 前沿模型在攻击期间拒绝帮助 OpenCode（6.3K）
- OpenAI 改进 COBOL、Fortran 和 VB 中的构建与迁移（5.7K）
- Inception 发布 Mercury 3 扩散 LLM（4.7K）