正如你在下方 AINews X 回顾部分所看到的，地球上所有人都克隆了 Jev API，但只有一家公司能够开创这个品类。TypeSafe 宣布了他们的“Series AI”，而 Sequoia “泄露”称他们在第一周就突破了 1 亿美元 ARR。
尽管存在质疑者和关于人为炒作的指控，我们希望显而易见的是，我们的 Jev 播客是 100% 真实的。
2026 年 10 月 8 日至 2026 年 10 月 9 日的 AI 新闻。我们检查了 12 个 subreddit、[544 个 Twitter 账号]，没有进一步检查 Discord。[AINews 的网站]让你可以搜索所有过往期刊。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
决策模型成为一个产品品类
模式：多家厂商在同一天发布了“决策”模型。这些模型在一次前向传播中返回类型化答案（概率、从列表中选择、分数），而不是自由文本。Jev 是所有人用来对标的参照点，@scaling01评论了这种格式传播得有多快。OpenAI Decisions API：三种请求类型：条件为真的概率、从列表中选择，或按等级评分。它接受文本和图像，运行在 GPT-6 Luna 上，输入 token 价格为 0.10 美元/百万，不收取输出费用，并且按照 OpenAI 自己的说法“最高快 10 倍”（@LearnOpenCV）。Microsoft-Decision-1：定位于 LLM 评判和筛选科学假设。一位早期评估者表示，决策模型在一致性和复杂决策方面仍然吃力（@omarsar0）。Perplexity pplx-decider-v1.1-27b：声称在 1,071 个案例中取得 Decision Bench 最高准确率 94.5%，价格为每 1K 次决策 0.017 美元（@perplexitydevs）。Cloudflare clef：新的 clef-omni 接受音频、视频、图像和文本。clef-flash 现在比 Jev 更便宜，而 clef 整体大约快 2 倍（@michellechen）。权重已在Hugging Face上发布。Liquid d1：现已上线 Vercel AI Gateway，支持视觉，用于分类、路由和评分任务（@vercel_dev）。
服务与路由：vLLM Semantic Router 的 Decision 2.0 在一次前向传播中针对单个输入回答多个问题，并给出每个选项的概率（@vllm_project）。LangSmith 使用 Jev 作为评判器，在每条 trace 上分别返回针对难度和正确性的类型化答案（@hwchase17）。训练你自己的模型：Unsloth 发布了一个免费 notebook，可在 8GB 显存上将 Qwen3.5-4B 转变为决策模型（@UnslothAI）。一篇关于 Qwen3.5-0.8B 的实操指南报告称，准确率在 60 步内从 37% 升至 65%，在 4GB 显存上约需 10 分钟（@akshay_pachaar）。为什么 harness 需要这个：许多 agent 步骤是是/否判断，而非生成。LangChain 表示，将每个任务路由到最便宜的足够模型，使 Open SWE 每任务成本中位数降低了 64%（@hwchase17）。相关研究：Apple/CMU 的 Selection-based Structured Reasoning（SSR）在 agent 内部应用了相同的思路（@ZhihuFrontier）。方法：六种自然语言策略在一次共享 KV cache 的批量前向传播中，通过长度归一化的对数似然进行评分。结果：每轮推理延迟下降超过 90%，但每个问题的端到端延迟仅下降 28–54%。在 Qwen3-VL-4B 上使用 GRPO，平均成功率为 61.37%，而 TAPO+GSPO 基线为 61.25%。
多 Agent 编排与编码工具
Claude Managed Agents 动态工作流（公开测试版）：一个 lead agent 编写分阶段计划，将其分发给每次运行最多 1,000 个 agent，然后合并结果。它通过multiagent_20261001启用
（@ClaudeDevs，config）。成本警告：Anthropic 建议从范围明确的任务开始，因为 token 用量可能很高（guidance）。Claude Code Projects：所有进入等待名单的 Pro 和 Max 用户均已获准使用。每个项目以并行线程运行任务（@ClaudeDevs），会话现在可以在本地运行（@gem_ray）。Opus 5.5 快速模式：它已推出，但按使用额度计费，不包含在订阅中（@theo）。
Agent 团队是否划算？：Vals AI 在 Vibe Code Bench 上运行了 GPT-6 Sol 和 Opus 5.5，分别以单独和团队形式（@ValsAI）。结果：团队成本高出 1.8–5.1 倍。只有中等投入的 Sol 有显著提升，提高了 7.3 分。行为：Sol 沿架构线并行委派。Opus 运行顺序波次，在最大投入下每个应用达到约 6.8 个子 agent 和约 1,140 次子 agent 工具调用，但没有显著收益（details）。
Prime Agent 用 Rust 重写自身：在两周内，超过 2,000 个智能体组成的集群使用了 10K+ 沙箱和 200B+ GLM-5.3 token。结果达到可用输入的速度快了约 13 倍，启动内存减少了 83%（@PrimeIntellect）。一篇配套文章认为，上下文限制必然导致集群（文章）。Codex 更新：Windows 沙箱：基于 Microsoft Execution Containers (MXC) 构建的新模式提供了更快的设置、网络强制执行和细粒度文件控制（@OpenAIDevs）。Composer 预测：Codex 现在会建议你的下一条消息，仅对 Pro 用户开放测试（公告）。一些用户批评仅限 Pro 的门槛（@Angaisb_）。可靠性：有用户抱怨持续一整天的宕机（@dzhng）。情绪：DHH 表示 GPT-6.1 Sol 让 Codex 取代 Claude 成为他的主要工具（@dhh）。
Devin 和 Grok Bot：Devin 现在可以生成受管理的 Devin 树，因此挂钟时间取决于最慢的分支而非总和（@devindevelopers）。Devin 还接受个人 ChatGPT 计划用于 GPT 使用（@cognition）。另外，Grok Bot 获得了自己的电子邮件地址，用于注册和日程安排（@bot）。
模型发布与独立评估
Qwen-Image-2.1-Turbo（开放权重）：7B Qwen-Image-2.1 的加速检查点。它执行 8 步 2K 生成和自然语言编辑，通过 Diffusers QwenImage21Pipeline 加载，并与 Pro 和 Turbo API 一同发布（@Alibaba_Qwen）。StepFun Step 5 预览：一个总参数 600B、激活 27B 的稀疏 MoE，具有 1M 上下文和视觉能力（@omarsar0）。结果：它在 Hermes Index 上得分 33.89，与 GPT-6 Luna 持平，并在 Nous Portal 上免费一周（@NousResearch）。可用性：它在 OpenRouter Trending 上达到第 1 名，该榜单衡量使用量而非质量（@kimmonismus）。开放权重定于 10 月 15 日发布。最大输出已更正为 64K token（更正）。
Upstage Solar Mini 4：一个 35B MoE，激活 3B，524K 上下文和 208 tok/s。其 AAII 得分 24 是 3B 激活级别中最好的，与 Nemotron 3 Ultra 相差不到一分。它在 Cline 中免费（@cline）。Gemini 4 Argon：据报道在 DeepSWE v1.1 上达到 77.9%，而 Opus 5.5 为 74.2%。它首先以每百万 token 2 美元/10 美元的价格提供给 650+ Fairwind Program 防御者（@dl_weekly）。信号：推理努力选择器已出现在 Antigravity 中（@testingcatalog），Logan Kilpatrick 表示“Argon 即将到来”（@OfficialLoganK）。未经证实：Business Insider 报道称，一个内部“Carbon”检查点在编码方面接近 Opus 5.5。
语音模型：HeyGen Voice 以 1,201 的 Elo 分登顶 Artificial Analysis 受控语音 TTS 竞技场，价格为每 100 万字符 30 美元，速度为 40 字符/秒（@ArtificialAnlys）。Whistle 是一个 16.9MB 的端侧 STT 模型，据称可与 Whisper base 相媲美（@victormustar）。多轮图像编辑：Artificial Analysis 串联了 30 次连续编辑（@ArtificialAnlys）。结果：Ideogram 4.5 和 FLUX 3 在本地进行编辑，小幅编辑时图像 95% 以上的区域保持不变。GPT Image 2.5 Sunburst 每一轮都会重新渲染画面的大部分区域，仅约 20% 保持不变，因此会出现漂移。Nano Banana 2.1 会逐渐变暗。
OCR 基准测试：Roboflow 的新基准测试覆盖 48 个模型，GPT-6 Astra 在文本定位方面领先（@skalskip92）。Datalab 的 OmniParseBench 包含跨 90 种语言的 16K 项测试，而其自家模型并未排名第一（@VikParuchuri）。竞技场汇总：Claude Haiku 5.5 在 WebDev 上排名第 30，价格为 $0.10/$0.50，与 GPT-6 Luna 的价格相同，但得分高出 6 分。Mistral Large 4 在 Agent Arena 上排名第 43（@arena）。在 ARC-AGI-3 上，创下 59.17% 的新高分（@arcprize）。
研究、训练与推理系统
Vera Rubin 上的 vLLM 与 SGLang：vLLM 报告称，在 AgentX 上匹配交互性时，MiniMax M3 在 GB200 上的吞吐量提升超过 7.8 倍。这些是早期结果（@vllm_project）。技术：局部性感知 MoE 利用 CUDA 13.4 局部性域，使每个 SM 仅读取本地 HBM，可将 MoE 解码速度提升至多 1.2 倍（详情）。SGLang：在 128K 上下文下 FP8 MLA 速度提升至多 20%，MoE 尾部融合带来 5.9% 的端到端增益，每个解码步骤减少 276 次启动（@sgl_project）。SemiAnalysis 的说法：一份预览版 InferenceX 提交显示，与 GB300 相比，每吉瓦利润提升 3.2 倍，每美元性能提升至多 10 倍（@SemiAnalysis_）。
TRL v1.15：融合 LM head 现已默认开启，避免物化完整的 logits 张量（@LysandreJik）。结果：在 Gemma 3 1B 上，GRPO 序列长度从 28K 提升至 114K，DPO 从 10K 提升至 59K。8K 下的峰值内存下降 52–82%，训练速度提升至多约 11%。
数据与后训练服务：Datology Curation Studio：声称在 39 个开放数据集上为 30B MoE 带来 6 倍计算乘数（@pratyushmaini）。它还提到 Thomson-1，训练成本为 45 万美元，在与 GPT-5.6 Sol 的正面对决中胜出（@arimorcos）。Tinker：降价至多 70%，长上下文与短上下文定价相同，并新增 GLM-5.3-Flash 和 DeepSeek-v4.1-Flash（@tinkerapi）。
DeepSeek 的周期性弱点：字节跳动 Seed 发现，检索效果取决于 token 相对于压缩步长的落点位置（@ZhihuFrontier）。证据：该模式在无 RoPE 或学习门控的情况下依然存在，并与步长相关。解读：V4.1 的步长 2 减轻了该效应，但并未消除。
智能体研究：智能体可塑性（Meta）：衡量每单位学习投入所带来的留出集增益。表现最佳者并非学习效率最高者（@omarsar0）。MIMESIS：一个 9B 用户模拟器，在行为保真度上以 13.4 分优势击败 Opus 5（@dair_ai）。基座模型选择（NVIDIA）：根据基座模型能否复现“决定性编辑”对检查点进行排序，该信号与后训练后的 SWE-bench Verified 分数相关（@dair_ai）。