微软与香港城市大学的研究者构建了Taste-Bench,用于评测AI智能体在长任务中的长期决策能力。该基准包含502道二选一题目。据The Decoder报道,表现最好的GPT-5.6 Sol平均准确率仅59.7%,GPT-5.5为59.5%。当关键线索要到后续大量工作后才显现时,所有模型平均准确率降到21%,接近随机猜测,增加推理预算也几乎没有改善。研究者还以Qwen3.6-27B为基座蒸馏教师模型的判断,学生在未见任务上的准确率从30%升到47.9%,在41个SWE-bench Pro任务上把成功率从14.6%提升到33.7%。
匹配字段摘要
2026年10月17日,Perplexity的Decider V1.2决策模型上线Vercel AI Gateway,Vercel开发者现可使用面向复杂智能体工作流的perplexity/pplx-decider-v1.2和面向超快决策的perplexity/pplx-decider-flash-v1.2,Aravind Srinivas转发了这一消息。同日稍早的报道称,Perplexity开源了pplx-decider-flash-v1.2与pplx-decider-v1.2两款决策模型:前者为4B参数、每百万token 1美分,被称为HF Decision Index上最强的4B模型;后者为27B参数、每百万token 2美分,在HF Decision Index总榜排第2。两者均已在Perplexity Decisions API上线,并在Hugging Face提供开放权重。Perplexity Developers称这一代开放权重多模态决策模型文本与视觉分数均有提升,推理速度最高快5倍,一次请求中的所有问题单次前向完成。
匹配字段摘要
Hao AI Lab 在 200 个维多利亚时代伦敦案件上评测三种侦探智能体配置:Jev 集群单独行动、GPT6-Astra 单独行动,以及 GPT6-Astra 领导 Jev 集群。该机构公布的结论是,集群能够覆盖线索,但需要推理型领导者来发现矛盾并深入追查。在 100 个较难案件、付费证人多于诚实证人的设定下,GPT6-Astra 加 Jev 集群解决 93 个,GPT6-Astra 单独解决 59 个,Jev 集群单独解决 42 个,规则型领导者加 Jev 集群仅解决 0–1 个。目前没有后续发展。
匹配字段摘要
Hao AI Lab 于 2026 年 10 月 17 日公布智能体群体破案评测结果,测试使用 200 个维多利亚伦敦探案案例。在 100 个较难、付费证人多于诚实证人的案例中,GPT6-Astra 带领 Jev 集群解决 93 例,GPT6-Astra 单独解决 59 例,Jev 集群单独解决 42 例,规则式领导者加 Jev 集群仅解决 0–1 例。Hao AI Lab 同时指出,单独作战时两种方案各有失败方式:无领导的 Jev 蜂群像谣言工厂,一个孩子误读线索、同伴照抄投票,整条街就认同错误答案;而孤身一人的天才则受限于时间,无法把决定性线索送到门口。作者结论是,面对有组织的谎言,需要一个会追问“谁在说话”的推理型领导者。
匹配字段摘要
Satya Nadella 介绍了一项新研究,该研究显示机器学习可改进未来两到六周的天气预报,而这一时间尺度历来难以预测。相关研究已在 Nature 发表。Nadella 表示,这项工作有望帮助应对极端天气、管理自然资源和辅助农业决策。他还提出更广泛的思路:未来不只在于模型能力更强,还在于围绕模型构建智能验证系统,学习模型系统性出错之处、推理因果关系并持续用现实校准预测。目前该消息仅有这一来源,尚无后续发展事实。
匹配字段摘要
OpenRouter 宣布上线 RespanAI 的开放权重决策模型 Span-02。该模型可输入文本和图像,按自定义问题返回选项、是/否/未知或带概率的分数;定价为每百万输入 token 0.01 美元、输出免费,上下文长度 131K。OpenRouter 后续说明,Span-02 运行在 OpenRouter Decisions API 上,与其他决策模型请求格式相同,切换只需改一行模型名;图片与文本放在同一 state 中,每次请求最多 4 张。Respan 此前介绍称,Span-02 支持随时推理,给定截止时间即返回当前最优决策,可配置推理时长,并支持多模态看图与屏幕。目前该模型已在 OpenRouter 上线。
匹配字段摘要
Databricks 自 2025 年 11 月起收集 npm 恶意软件样本。其博客披露,在扫描并核实的 11,413 个 package-version 中,96.2% 将载荷藏在源码或外部服务器,仅 3.8%(432 个)捆绑二进制;但捆绑二进制包无法得出明确恶意结论的比例是纯源码包的两倍以上(14.4% 对 6.2%)。团队评估了 9 个模型,包括 Claude Haiku 4.5、Gemini 3.5 Flash、GPT-5.4-nano、Qwen3-Next 80B 等,并在推理阶段注入预计算的静态证据作为能力画像,以提升预算级与前沿模型的检测质量。目前公开信息仍以该博客披露为准,尚无后续进展。
匹配字段摘要
Aleph Alpha于2026年10月16日发布开放权重模型Kolibri-1。据heise online报道,该模型总参数78B,采用384个专家、6个路由专家的MoE结构,推理时仅激活3.46B参数,上下文为256K Token并可外推至约100万Token。模型专注德语和英语,tokenizer对德语词切分更省Token,例如德国联邦议院术语表仅需1137 Token,而对比的DeepSeek-V4.1-Flash需要1910 Token。预训练使用20万亿Token,数据截至2026年6月18日。报道作者实测称其回答正确、德语推理过程明显,并称Merlin-Arthur协议让模型在基准中幻觉更少,但实际效果仍需在真实使用中检验。目前尚无后续发展事实。
匹配字段摘要
Reflection宣布为Beam项目发放1万美元Hub额度。该消息于2026年10月16日发布。同一时间,Hugging Face发布了Beam模型:这是一个501B参数的稀疏MoE开源模型,面向1M上下文的长文本推理与智能体任务,每个token仅激活约23B参数。模型采用52层混合注意力,其中43层为512 token滑动窗口、9层为全局注意力,KV cache每token增长36 KiB,约为全注意力方案的六分之一。官方提供BF16、FP8和NVFP4三种checkpoint,NVFP4可将权重从约1 TB压缩到约280 GB,并已获transformers、vLLM和SGLang的day-0支持。目前尚无后续发展事实。
匹配字段摘要
MIT研究人员提出一个多模态AI模型,将晶体的3D原子结构与自然语言描述结合,使模型能“看见”原子排列与键合模式并推理材料性质。该研究发表于Nature Communications。在固态锂离子电池电解质筛选中,其排名靠前的结果包含已被独立认定为有前景的候选材料;模型在材料设计识别上优于仅用文本训练的模型。目前尚无后续进展。
匹配字段摘要
Mercedes-Benz与NVIDIA宣布扩展战略合作,共同开发下一代驾驶辅助与自动驾驶系统。NVIDIA新闻室2026年10月16日发布的信息显示,双方将把Mercedes-Benz的MB.OS与NVIDIA Hyperion计算和传感器架构、Alpamayo Stack软件及Halos安全系统结合,合作支持未来SAE-Level 4应用,包括robolimousines,并延续此前为西方市场开发的首个城市点到点驾驶辅助系统。The Elec于10月18日报道称,双方于10月15日宣布扩大合作,并提到Hyperion提供车载计算与传感器架构、Alpamayo负责带AI推理能力的驾驶软件、Halos增加并行安全栈,还计划开发包括robo-limousines在内的Level 4自动驾驶技术。目前尚无进一步有证据支持的发展。
匹配字段摘要
2026年10月16日,Artificial Analysis公布Reflection首个模型Beam的评测结果:Beam在Artificial Analysis Intelligence Index上得分30,位列美国开源权重模型第二,仅次于Meta的Muse Spark Open(39),高于NVIDIA的Nemotron 3.5 Super VL(26)。该模型为501B总参数、23B激活参数的开源权重模型,每个智能指数任务约消耗26k输出token,其中约19k用于推理、7k用于回答;AutomationBench-AA得分48.5%,Terminal-Bench 4.0仅3.0%;AA-Omniscience正确率33%、幻觉率47%。10月17日,Arena.ai宣布Beam-1.0-501B-A23B进入Agent Arena,在开源权重模型中排第12,Net Improvement为-3.67%,误差区间±3.84%;在Code Arena: WebDev开源榜排第22,得分1438。
匹配字段摘要
2026年10月16日,爱芯元智在2026中国国际工业博览会上发布全新大算力边端AI SoC系列AX8860。据集微网报道,该系列含AX8860、AX8860P两款芯片,采用6nm制程,峰值算力256TOPS,内存带宽273GB/s,单芯片原生支持128GB LPDDR5X内存,四芯级联最高512GB,可运行DeepSeek V4 Flash等千亿参数以上大模型;同步推出核心模组、PCIe推理卡、智能体盒子和边缘推理服务器,工具链兼容vLLM、SGLang、PyTorch与OpenAI API,已完成260多个模型适配。智东西同日报道称,该系列混合精度算力达256TOPS,双芯互联可运行2840亿参数的DeepSeek-V4-Flash等模型,是首批原生支持FP4计算精度的边缘芯片之一,并同步展出A256S核心模组、PCIe推理卡及Agentic Box等硬件形态。目前该系列已正式发布,暂无后续进展。
匹配字段摘要
2026 年 10 月 15 日,TIME 将 Inception Labs 的 Mercury 2 列入 2026 年度最佳发明榜单,归入 AI 类别。据 Inception Labs 介绍,Mercury 2 是首个为推理打造的扩散 LLM,生成速度超过 1,000 tokens/秒,比领先的速度优化 LLM 快 5 倍以上;该模型于 2 月发布,9 月推出 Mercury 2.5,并已衍生出 Mercury Voice(首 token 延迟低于 170ms)、Mercury Router 和 Mercury Decide。10 月 16 日另有报道称,TIME 本年度榜单共收录 300 项正式发明和 100 项特别提名,中国产品上榜数量明显增多,AI 不再作为独立品类,而是渗透进消费电子、机器人、医疗和支付等硬科技底层。目前该事件无进一步有证据的发展。
匹配字段摘要
François Chollet 评价称,Gemini 4 Argon 在 ARC-AGI-3 上的表现与 Astra 相近,Google 重回前沿。同日,ARC Prize 公布 Gemini 4 Argon 在 ARC-AGI 系列上的验证成绩:ARC-AGI-3 在 provider adapter harness 下得 97.5%,成本 4.8K 美元;标准 harness 下为 49.8%,成本 5.8K 美元。ARC-AGI-2 为 91.3%,每任务 0.32 美元;ARC-AGI-1 为 98.5%,每任务 0.16 美元。ARC Prize 称 Google DeepMind 是第二家在 ARC-AGI-3 上超过 95% 的前沿 AI 实验室,Argon 的 97.5% 仅次于 GPT-6 Astra 的 99.9%。标准 harness 测试因 API 问题未能完成全部 55 个游戏,高推理档仅完成 19 个游戏,故未公布分数。
匹配字段摘要
Sidero Labs 在 TalosCon 上展示了 Talos Hypervisor 的 Alpha 版本。据 heise online 报道,该版本已包含在 10 月 13 日发布的 Talos 1.15.0-alpha.1 中,基于 libvirt 和 QEMU/KVM,计划 12 月正式可用。同一报道还提到,Sidero Labs 同时推出 VMware 替代品 Talos Director;Talos Linux 1.14 现可脱离 Kubernetes 运行容器;Talos Linux Enterprise 提供 SBOM 和 VEX 数据;Talos Linux for AI 支持 Nvidia 和 AMD GPU、vLLM 推理及 SFT-LoRA 微调。目前尚无后续发展事实。
匹配字段摘要
2026年10月17日,Elorian发布其首个AI模型Glimpse。据Testing Catalog报道,Glimpse能在思考过程中回到视频的特定时间点、放大细节,或以更高帧率重放半秒视频后再作答。Elorian自测显示,Glimpse在科学图表阅读和短视频描述上优于GPT-6 Astra;在规划机械臂将奶油奶酪放入碗中的模拟任务时,Glimpse成本为0.035美元,GPT-6 Astra为0.249美元;演示中Glimpse解出5个难度递增的迷宫,Gemini 3.8 Flash解出1/5。同日另一篇报道称,Elorian将Glimpse定位为首个视觉推理模型,用于比较视频中不同时间点的场景变化,并将这种基于帧的推理称为visual thinking,其推理过程中可回到源视频、裁剪区域、抽取指定帧或运行代码来测量和比较所见内容,该机制被称为visual scratch space;联合创始人Andrew M. Dai称其在关键公开视觉推理基准上具备与Astra竞争的前沿性能。目前该模型发布后尚无进一步有证据支持的发展。
匹配字段摘要
2026年10月17日,北京大学与三星发表论文,提出慢推理模型离线指导快模型的方法TORSI。该方法让慢推理模型在局间研究快模型的失败并写出指令。据论文,快模型Jev在实时游戏中的平均得分从13.51提升至24.19,6类游戏全部改善。论文同时构建了RealtimeBench,包含Mario、Snake、Tetris等6款游戏的180个任务,推理期间游戏持续运行。论文还提到,暂停时GPT-6.1-sol在6款游戏中5款胜过Jev,但实时对局仅得1.51分,远低于Jev的13.51分。作者建议实时智能体保留快模型在环,用慢模型离线编写和测试指令。
匹配字段摘要
北京大学与三星 发表论文 慢推理模型离线指导快模型的方法TORSI
English translation is being prepared.
匹配字段摘要
Meta 于 2026 年 10 月 13 日发布 Muse Wonder 系列,包含 Muse Wonder 和 Muse Wonder Full 两款模型,称其为目前能力最强的模型,在个人与专业智能体任务上达到 SOTA,覆盖法律、金融、健康等专业领域及前沿编码能力。两款模型具备 Active Memory 与 Active Focus,按 Meta Superintelligence Scaling Framework 训练、评估和发布。Artificial Analysis 数据显示,两款模型在 Intelligence Index v4.3 最高推理强度下分别得 52 和 56,高于 Muse Spark 1.3(max)的 48;Muse Wonder 已在 Meta 一方 API 和 Muse Code 上线,Muse Wonder Full 仅面向 Muse Code 用户。同日,Arena 将两款模型纳入 Agent Arena 测试,Simon Willison 发布 llm-meta-ai 0.2 插件支持新模型。10 月 14 日,Arena 公布 Muse W
匹配字段摘要