AI 编程实时动态与要闻

联邦学习框架 Flower 背后的 Flower Labs 于 11 月 3 日发布 Endeavor 1.1，这是其今年第三个模型（继 4 月的英国主权 7B 模型 Lizzy、9 月的 Endeavor 1.0 之后）。新版本新增图像输入、可选欧盟境内 GPU 推理，支持 Flower 托管、私有云或本地部署，并承诺用户可查看完整思维链、拥有推理输出并用于训练自有模型。官方口径 GPQA 94.4、HumanEval 99.9、AIME 2026 99.9、MMMU-Pro 81.1，但对比对象是 GPT-5.6 Sol 与 Claude Fable 5 而非两家最新模型，且目前仅开放申请试用。

查看大图

OpenAI 10 月 26 日发布 GPT-6.1 Terra，定位是兼顾视觉推理、精确电脑操作和自然写作的高效模型，今天起向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户开放，API 模型名 gpt-6.1-terra。标准 API 价格为输入 $1、缓存输入 $0.05、输出 $5（每百万 token），官方称比 GPT-5.6 Terra 和 GPT-6.1 Sol 低 50%；上下文 1,050,000 token。官方口径下，它在 Agents' Last Exam 上中等推理强度比 GPT-5.6 Terra 高 15 个百分点、成本约三分之一，Terminal-Bench 4.0 最高强度 50.3%。

查看大图

OpenAI 官方宣布，网络安全研究机构 Calif 借助 GPT-5.6 Sol 成功发现了存在于 PHP 核心解释器中的关键高危漏洞，云安全巨头 Wiz 亦独立完成双重漏洞上报。鉴于全球约 70% 的互联网网站均运行在 PHP 之上，该漏洞具有重大潜在威胁。OpenAI 遵循负责任漏洞披露规范协助完成安全补丁升级，宣布设立 10 亿美元规模的 Daybreak 补贴基金以强化关键开源安全，并联合开源了基于 Codex 技能的自动化检测工具 openai/php2shell-checker，供全球站长一键自查。

查看大图

10 月 21 日，PHP 官方发布安全公告，修复两个可被未认证远程代码执行的严重漏洞（CVE-2026-109618、CVE-2026-109619），所有提供 Web 请求的 PHP 部署都受影响，mod_php 风险最高。OpenAI 同日披露：安全公司 Calif 在其 Patch the Planet 计划中用 GPT-5.6 Sol 发现了漏洞，Wiz 也独立发现并报告；OpenAI 牵头约两个月的协同披露，并承诺投入 10 亿美元补贴 Daybreak 给资源有限的防御方。

查看大图

OpenAI 10 月 19 日发文，称最新模型在 COBOL、Fortran、Visual Basic、OCaml 等训练语料稀少的「低资源语言」上大幅进步，并开源评测 MultiLangBench：让模型用 20 种语言各自从零写一个兼容 SQLite 的数据库引擎。GPT-6 Astra 平均测试通过率 87.4%（GPT-5.6 Sol 为 26.8%），20 种语言里 19 种超过 83%，COBOL 仍最难，为 72.1%。另一项 COBOL 迁移评测要求把程序迁到 C++、Java、Kotlin、Python 或 Rust 并做到输出逐字节一致，GPT-6.1 Sol 低推理档 86.6%（GPT-5.6 Sol 仅 5.4%），高推理档 97.9%。以上均为 OpenAI 自测口径。

查看大图

当前 LLM 能否在复杂连续空间操作中精确预测离散物理世界的演变？南加州大学（USC）、UCLA 与 CMU 联合发布 Grid-Bench（arXiv:2610.22312，GitHub: grid-bench/Grid-Bench）。该基准基于 8 种离散几何变换规则，测试 2D/3D/4D 网格在 0 至 64 步长事件链下的全状态精确预测。对 GPT-5.6 Sol、Claude 5 Sonnet、GLM-5、Kimi K2.5 等 6 款顶尖模型的评测表明：在 64 步长轨迹下，开源与中型模型完整状态精确率几乎归零，唯闭源旗舰维持断层领先。

查看大图

权威半导体与 AI 算力研究机构 SemiAnalysis 披露了 AgentX 基准实现每美元 TCO 产出 13 亿 Token 的底层架构细节：vLLM 联合 Inferact 采用预填充/解码分离式推理（Disaggregated Serving），在超大规模云商批量计价下单位成本性能达到 NVIDIA B300 聚合式（Aggregated）部署的 4 倍；与此同时，开源编程智能体 Cline 公布实测，指出 DeepSeek-V4.1-Flash-1017 仅靠在多套异构 Coding Agent Harness 上扩展强化学习，便以低 17 倍的成本在 Terminal-Bench 上击败 GPT-5.6-Sol、较前代提分 35%。

查看大图

今日 Hugging Face 每日论文热榜前二的两项高赞研究（RoTA-Bench 200 赞、OpenSAE 104 赞）深入剖析了大模型内部表征与三维交互推理的边界：厦门大学纪荣嵘团队开源 RoTA-Bench（arXiv:2610.17665），通过 674 个可逆 3D-2D 剪影旋转对齐任务测试多步视觉反馈控制，发现人类本科生达成 100% 成功率而旗舰 GPT-5.6-Sol 仅得 17%；威斯康星大学麦迪逊分校开源 OpenSAE 行为可组合性框架（arXiv:2610.21261），提出 SAE 可加性残差（SAR），证明引入二阶成对特征交互可将多特征联合干预的排序保真度从 0.5874 大幅提升至 0.7790，误差降低逾 58%。

查看大图

基于单元测试通过与否的强化学习（Unit-Test RL）是当前后训练代码模型的标准范式，但研究发现仅靠测试通过率奖励会诱导模型‘胡乱扩大修改范围’甚至在原本正确的代码上产生幻觉式改写。研究团队提出 PreciseCoder，在单元测试奖励之上引入语义验证的局部化精准编辑奖励。在 4B、9B 与 27B 模型上将平均修改代码行数从 7–15 行压缩至仅 3 行，零样本迁移至仓库级修复解决更多 Issue，且将 9B 推理轨迹提供给 GPT-5.6 Sol 与 Qwen3.8-Max 可直接提升 4.6–12.4 个百分点的编辑精度。

查看大图

Pine AI 于 10 月 9 日发布 Pine Computer 私测版：一套面向 AI 的云端虚拟电脑 + Harness + 运行时，应用通过 API 提交任务，系统跨浏览器、文件和 Shell 执行。核心机制是让操作系统、浏览器和应用主动把“发生了什么变化”推给模型（类似 epoll），而不是反复截图。官方公布 SaaS-Bench v1.1（106 个任务、23 个应用）上 GPT-5.6 Luna 检查点得分 78.3%，高于 Opus 5 + Claude Code 的 74.3%，但完整解决率 27.4% 低于后者的 31.1%。

查看大图

T3 创始人 Theo 开源 ts-rust（npm 包 tsc-rs），把微软 Go 原生版 TypeScript 编译器、类型检查器与 LSP 整体移植到 Rust。他此前用 GPT-5.6 Sol / GPT 6 Astra 烧掉逾 40 万美元 API 价 token、写出 130 万行 Rust 仍卡在约 84% 兼容；换 Claude Opus 5.5 从零重写，10 小时出 v0，两周约 24,047 美元完成。181,711 个移植自 Go 的测试全过，六个开源项目几何平均比 tsc 7 快 1.61 倍，内置 Effect 诊断并支持 WASM。

查看大图