AI 编程实时动态与要闻

GitHub 10 月 28 日在 Universe 2026 宣布 Copilot Fusion 正式可用（GA）。它把此前研究预览的 Project HydraFusion 多模型编排和 Copilot auto 模型选择合并：用户在模型选择器里选 Copilot Fusion 和努力档位（Standard / High / Max），由系统按任务决定用哪些模型、走 Single、Cascade 还是 Critique 流程。官方称 Fusion Max 在 Artificial Analysis 编码智能体指数得 60 分，比 Claude Code + Opus 5.5 Max 低 2 分，但每任务 API 成本约一半、token 约一半、耗时少约 40%。按所用模型标准价计费，付费用户到 11 月 30 日享 30% 折扣。

查看大图

Cloudflare 10 月 19 日发布 Clairic 预览版，定位为「System One 抽取模型」：不逐 token 生成，而是一次并行前向传播，从文本或最多 4 张图片里抽取、计算、估计和预测带类型的值，每个答案附置信度、字符位置和缺失概率，缺失时返回 null。模型以 @cf/cloudflare/clairic 上线 Workers AI，文档标注 64K 上下文、支持视觉、每百万输入 token 0.10 美元且不收输出费。官方示例中，Clairic+Clef+GLM-5.3 级联比全用 GLM-5.3 快约 3.2 倍、成本低约 49%（官方口径），权重将在之后开放。

查看大图

将文本表征模型扩展至语音、音频、图像、视频及图文混排文档等多模态领域时，传统方案往往导致严重的文本检索灾难性遗忘，而现有全模态向量模型通常需要数十亿甚至上百亿参数来勉强维持平衡。穆罕默德·本·扎耶德人工智能大学（MBZUAI）等团队推出了轻量化全模态嵌入模型 Omni-Embed-Mini。该模型仅拥有 0.9B 极小参数量，通过密集的级联描述蒸馏（Dense Cascaded Caption Distillation），将文本、语音、音频、图像、视频与文档六大模态映射进统一的余弦空间。核心突破在于文本侧权重保持 100% 静态冻结（Byte-Identical），从理论与工程上彻底杜绝了文本检索退化（MTEB-v2 BEIR-8 达 49.57 nDCG@10）；而其 2.3B 升级变体在全模态平均检索得分上更是逆袭超越了闭源商业标杆 Gemini-Embedding-2。

查看大图

亚马逊人工智能研发团队（Amazon AI，@awscloud）在 Hugging Face 与 ArXiv 正式公开了《Rufus-Air: An Open LLM Post-Training Recipe》（arXiv: 2609.29421）。面对前沿工业级大模型后训练流水线高度封闭、依赖未公开的内部教师模型蒸馏与昂贵人工标注的困局，亚马逊团队全面公开了基于智谱 GLM-4.5-Air-Base（106B 总参数、12B 激活的 MoE 架构）的八阶段全串行后训练完整配方（涵盖 SFT、数学推理 RL、编码 RL、指令对齐 RL、通用智能体、编程智能体、检索智能体与 RLHF）。所有训练流程均采用完全公开的开源组件与公开数据集，综合评测成绩全面超越智谱官方发行的 GLM-4.5-Air 权重。

查看大图

AI 研究团队在 Hugging Face 与 ArXiv（论文编号 2609.27657）正式发布并开源了 FLEET（From Logits Entropy to Enhanced Trajectories）框架。针对大语言模型在长代码生成与数学定理推导中极易陷入局部幻觉循环的瓶颈，FLEET 通过在前向传播中实时监测未归一化 Logits 的信息熵分布，自适应动态调整束搜索（Beam Search）与采样温度，将长程生成的错误累积率降低了 38%，代码单元测试通过率显著提升 14.8%。

查看大图