AI 编程实时动态与要闻

T3 Chat / T3 Code CEO、YouTuber Theo（@theo）11 月 8 日发帖称，大模型「在给 Agent 造工具这件事上仍然非常糟糕」：每次让 Opus 搭建 MCP 认证路径，它都会做出离谱的假设，写出「根本跑不通」的东西。两小时后他追发一帖：他在写一份给自家 Agent 用的「MCP 正确用法」指南，先让 Agent 起草初稿，结果 Agent 建议把 MCP 地址渲染成给用户点击的链接，他直言「别相信 Agent 关于 MCP、连接策略和 Agent『最佳实践』说的任何话」。截至发稿，主帖约 880 赞、136 条回复、6.5 万次浏览。

查看大图

11 月 8 日（北京时间 11 月 9 日早上），独立评测机构 Artificial Analysis 发布决策模型榜单 Decision Index 第二版。新版把头号指标换成同时看「答对没有」和「置信度准不准」的 Decision Score，私有数据占比从 v1 的 25% 提到 45%，新增 1,500 份私有文档的 AA-Paperclip 和测一致性的 AA-Symmetry。决策模型中 Nace AI 的 Drex Max v1.1 与 Fastino 的 GLiDE v1.2 同为 73 分，Drex Max 以小数微弱领先，Base Labs 的 Mammoth 27B 72 分。通用大模型 Claude Haiku 5.5 (Max) 77 分、GPT-6 Luna (Max) 76 分更高，但每百万任务成本分别为 6,240 和 1,530 美元，远高于 Drex Max 的 102 美元。

查看大图

YC W26 公司 CellType 11 月 4 日发布 BioSimBench 1.0，用真实实验室数据测试大模型能否预测细胞在药物、基因敲低和免疫信号作用后哪些基因上调或下调。12 个前沿模型中，Gemini 4 Argon 以总分 0.184 排第一，Claude Sonnet 5.5（0.160）和 GPT-6 Astra（0.159）随后，而两次实验室重复之间的一致度为 0.462。CellType 用自家 RL 环境 BioSimGym 训练的 27B 模型在四个预测赛道都超过最强前沿模型。

查看大图

Randall Balestriero 与 Yann LeCun 10 月 29 日在 arXiv 发布论文《Proving and Improving the Platonic Representation Hypothesis with JEPAs》（2610.39302），署名单位为 Brown University、NYU 和 AMI Labs。论文证明：只要正样本对是同一场景的两次观测（「好视角」），分别在不同模态上训练的 JEPA 会学到只差一个旋转的相同表征；而 next-token prediction 相当于「坏视角」的 JEPA，所以语言模型只能靠堆规模才与视觉对齐。作者称，好视角达到同等对齐只需 next-token 的 1/42 训练样本，109M 文本 JEPA 在 DINOv2 对齐上得 0.184，高于 Qwen2.5-72B 的 0.154（论文作者口径）。代码与在线 Demo 已开放；Balestriero 的发布帖约 1,054 赞、7.2 万浏览。

查看大图

2026-10-23（UTC 16:53，SGT 10-24 00:53），Block 官方账号 @blocks 发布 Dessa，Jack Dorsey 随后转发称其为「迄今最真实的全双工语音模型」。官方页面 block.xyz/dessa 介绍：Dessa 是真正的语音到语音模型，训练数据只有人类对话录音，不用文本、不用任何预训练模型；全双工，能边听边说，会自然插话和附和（“yeah!”“got it!”），推理快于实时，可在 MacBook Pro M4 Max 或更高配置上本地运行。官方称只用一套 NVIDIA GB200 NVL72 完成训练，学习语言所需的词量比 LLM 少数百倍。目前没有公开 API 或权重，只向一小批 AI 安全研究者开放早期访问。

查看大图

独立评测机构 Artificial Analysis 正式上线全新基准维度 AA-PersonalityBench，专门量化评估前沿大语言模型的拟人化心理特征，重点聚焦两大关键指标：置信度（Confidence / 不确定性承认度）与谄媚度（Sycophancy / 迎合用户错误倾向）。实测数据显示：在置信度维度上，Google Gemini 3.8 Flash 斩获 100 分满分，Gemini 4 Argon 达到 97 分，展现出极强的决策断言能力，但同时也是最不愿意承认自身不确定性的模型；在谄媚度测试中，开源大模型 Llama 4 Maverick 达到 97 分（极易毫无底线附和用户），而 Claude Fable 5.1 仅得 4 分（最坚持事实原则），为对齐工程提供了量化标尺。

查看大图

vLLM 官方联合蚂蚁集团正式开源底层高性能量化推理算子库 Humming（humming-kernels）。该算子库专为大规模混合专家（MoE）与低精度密集模型的高并发服务而设计，全面覆盖 WnA16、W8A8、W4A8 与 W4A4 多种量化精度，横跨 INT1~INT8 与 FP4~FP8 数据格式，并原生适配从 NVIDIA Turing 到 Blackwell 架构及平头哥真武 810E 芯片。实测显示，Humming 算子在小 Batch 下比 cuBLAS 快 3~4 倍，在大 Batch 下比 Marlin 快 2 倍；在 8 张 H20 GPU 上运行 DeepSeek-V4.1-Flash，64 并发下整机端到端吞吐暴增 43.3%，首字时延（TTFT）大幅降低 32%，现已作为默认引擎整合至 vLLM v0.29.0+ 中。

查看大图

针对小语言模型（SLMs，0.6B~8B 参数量）在通过监督微调（SFT）蒸馏大模型智能体能力时，普遍存在多轮长程交互容易陷入无效循环、动作重复及进度停滞（Progress Stagnation）的严重问题，研究团队在 arXiv:2610.19439 中提出了 ProD（Progress-Aware Distillation）蒸馏框架。ProD 建立了精确的单轮与轨迹级停滞评估指标，在蒸馏优化过程中动态监测并重罚学生的无生产力动作，通过自适应边界机制强制对齐教师模型的积极进展策略。跨越 8 款 SLM 的详尽实验表明，ProD 显著消除了智能体卡死现象，在大幅缩减无效 Token 开销的同时全面提升了任务完成率。

查看大图

多所顶尖高校与研究机构在 arXiv:2610.06563 中正式提出 HERA 框架，专门解决大型语言模型智能体（LLM Agents）在复杂工具调用环境中“缺乏自知之明、盲目执行不可行任务”的行业痼疾。传统方案在固定任务集上优化智能体脚手架（Harness），极易过拟合且难以泛化到未知失败模式。HERA 创新性构建了“脚手架-环境共进化”机制，动态生成成对的可行/不可行变异任务。在涵盖 19 款主流前沿大模型的系统评测中，HERA 将智能体面对不可行任务的主动拒答成功率（Abstention Success）从 61.7% 大幅提升至 83.3%，成对任务解决率升至 70.0%，并全面开源基准测试集 hera-bench。

查看大图

来自斯坦福大学与加州大学伯克利分校的研究团队在 arXiv:2610.22273 中提出图书管理员智能体（Librarian Agents）。针对传统 RAG 被动检索导致推理期跨文档推理瓶颈的问题，该方法利用强化学习（RL）训练 LLM 预先对杂乱的超长文档工作区进行“前瞻性主动编排”，生成由模块化文件、子目录与交叉链接构成的合成文件系统。在 BrowseComp+ 评测中准确率达 55.86%，导航 Token 消耗降低 33.8% 至 51%。

查看大图

针对多模态大模型普遍依赖纯文本监督而欠缺像素级细粒度空间定位能力的瓶颈，小米 AI 实验室（Xiaomi AI Lab）发表技术报告 Xiaomi-Lens-0（arXiv:2610.23279）。该模型基于 Qwen3.5 4B 打造，通过轻量级掩码解码器将视觉编码器 Patch 特征、隐层表征与掩码 Token 状态深度融合，在 RefCOCO/RefCOCO+/RefCOCOg 目标表达理解（REC 达 94.6%/92.1%/92.5%）与表达语义分割（RES cIoU 达 83.4%/79.9%/81.1%）上全面超越 Florence-2 与 LISA，同时保持 69.7% 的通用多模态感知高分。

查看大图

现有连续扩散语言模型（CDLM）普遍直接套用自回归 LLM 或图像 DiT 架构，存在特征尺度失控与梯度路由紊乱问题。小红书、北京大学、香港中文大学（深圳）与 UCLA 团队联合发表 LangDiT（arXiv:2610.22330）。通过骨干网与 Q/K RMSNorm、展宽噪声条件调制、词表头残差截断解耦及置信度门控自条件引导，在 OpenWebText 基准上将 LangFlow 生成困惑度压至 21.72，适配 Plaid 架构后进一步取得 11.33 的全新 SOTA 困惑度记录。

查看大图