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 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

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

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

OpenAI 公布首个“垂直 SaaS 共建”计算机操作研究：与合同平台 Ironclad 共同定义 11 个法务/采购/商务任务，在 Ironclad 托管环境里用 RL 训练 GPT-6 Astra。Astra 平均 rubric 得分 55.0%（GPT-5.6 Sol 41.6%），估算单次耗时 19.2 分钟 vs 37.0 分钟；内部模型已达 63.7%。OpenAI 同时开放软件公司申请合作。

查看大图

随着通用智能体向复杂物理世界与全流程数字化工作流渗透，开发者期望智能体能够无缝处理文本、图像、音频、视频、结构化文档、3D 资产与程序代码等 7 大跨模态资产。然而，直接重新预训练或微调全模态底座模型成本极其高昂且极易损害核心推理能力；而简单外挂零散工具又导致中间资产格式混乱、跨轮次状态修改无法追溯。来自新加坡国立大学（NUS）与 S-Lab 联合团队推出了开源即插即用外壳框架 Omni-IO Skills（arXiv:2609.31847，社区近 300 赞）：首创声明式执行图（Declare Execution Graphs）与持久化资产注册表（Asset Registry），打造包含 27 项层次化多模态技能的标准化接口，全方位覆盖 38 项代表性复杂跨模态任务。在权威评测 UniM-90 上，该外壳将 GPT-5.6 Sol 与 Claude Sonnet 5 的全模态输入支持率从原先的 40% 暴力提升至 100%，结构化达标率突破 99.78%，开辟了外壳级多模态能力重组的最高效路径。

查看大图

终端智能体（Terminal Agents，如 Cline、OpenHands、Claude Code）依赖概率生成模型直接向 Bash 命令行下发指令，但具备生成有效动作的能力并不等同于能够可靠执行。在实际工程中，一条错误的误操作命令（如误装依赖版本、错误删除配置或破坏系统文件）便足以永久破坏沙箱环境，使后续规划全盘瘫痪。最新研究提出 Mid-Harness，首次将测试期计算（Test-Time Compute）聚焦在模型与 Harness 的交界处。通过在动作真正下发至系统前进行多候选采样与细粒度验证，在无需改动底座生成器与 Harness 的前提下拦截灾难性调用。在 TerminalBench-Lite 评测中，Mid-Harness 将 Pass@1 从 50.00% 跃升至 68.03%，且相比盲目生成整条长轨迹，在显著降低 Token 消耗的同时获得了更高的任务完成率。

查看大图

通用智能体虽具备长程规划与工具调用能力，但在实际工程落地中，其生产力能力依然深度割裂在文本、图像、音频、视频、文档、3D 资产与代码这 7 大异构模态之间。直接微调端到端全模态底座成本极其高昂且极易出现灾难性遗忘，而简单外挂多个专用模型又缺乏跨模态依赖编排、中间产物复用与跨轮次协同能力。新加坡国立大学（NUS）NExT++ 实验室研究团队提出即插即用的全模态智能体底座增强运行时 Omni-IO Skills。该框架构建了层级化技能库、标准化多模态执行接口、依赖感知编排引擎与持久化资产注册表（Asset Registry）。工作流被建模为声明式执行图（Declare Execution Graphs），不仅原生支持无依赖动作并发调度，更能将多步生成的中间产物自动缓存供下游复用。在全新全模态基准 UniM-90 上，该运行时将 GPT-5.6 Sol 与 Claude Sonnet 5 的输入模态支持率从约 40% 直拉至 100%，语义质量综合得分实现近 3 倍爆发式跃升。

查看大图