AI 编程实时动态与要闻

韩国总统李在明 11 月 2 日在国会发表 2027 年预算施政演说：总预算 820.9 万亿韩元（+12.8%），其中半导体、物理 AI、AI 数据中心三大项目及 AI 投入合计 21.3 万亿韩元（约 160 亿美元），比 2026 年的 10.8 万亿几乎翻倍。企划财政部官方预算文件显示，4.7 万亿韩元用于打造「全球顶级性能」的国家独立 AI 模型，包括采购 1 万张 Vera Rubin GPU。预算仍需国会通过。

查看大图

清华大学与 Z.AI（智谱）等机构的论文 HarnessPro（arXiv 2610.26770，10 月 19 日提交、10 月 20 日更新 v2）提出一种无需标准答案的 harness 自我改进方法：让专门的 agent 诊断执行轨迹、改写指令与运行时策略，再用 LLM 生成的测试评估，并按性能与成本给出 Lite、Medium、Heavy 三档 harness。论文口径：GPT-5.5 搭配 Codex 时，Heavy 档在 Terminal-Bench 2 达到 80.8%，比此前方法 RHO 高 4.5 个百分点，单任务成本从 1.09 美元降到 0.72 美元。代码以 MIT 协议开源，本周被 Pandaily 等媒体集中报道。

查看大图

微软 10 月 28 日公布截至 9 月 30 日的 FY27 第一财季业绩：营收 923 亿美元（+19%），Microsoft Cloud 收入 639 亿美元（+30%），Azure 收入增速从上季度的 42% 加速到 48%，商业剩余履约义务达 6770 亿美元（+73%）。CEO Satya Nadella 在 X 上补充了 AI 业务数据：Foundry 收入同比增长超过 3 倍，开源模型收入增长 10 倍，Copilot 日活环比增长近 50%，Agent 365 中的 Agent 超过 5000 万个。另据 TechCrunch 援引微软监管文件，本季来自 OpenAI 相关商业安排的收入为 100 亿美元。

查看大图

Devin 背后的 Cognition 于 10 月 27 日发布 FrontierCode 2.0。新版沿用由开源维护者亲自出题、按"能否合并"打分的方法，但任务来自更多仓库、覆盖安全补丁与性能优化，提示词刻意不写全，并加入大量"周全性"判定项。官方结果中 Claude Opus 5.5 以 45.5% 居首，GPT-6 Astra 42.8% 次之，Grok 4.7、Gemini 4 Argon 等降到 20% 多，基准远未饱和。

查看大图

全球最大学术出版商之一 Springer Nature 10 月 26 日宣布与 Google DeepMind 建立研究合作，共同设计一款 AI 审稿助手。它基于 DeepMind 的前沿 Gemini 模型，并借鉴 Google 此前的智能体科研工具 ScholarPeer 和 Deep Review，帮助审稿人梳理稿件、分析大量文字、图表和插图，并标出可能需要重点核查的部分。系统用 Google 开源的 Agent Development Kit（ADK）搭建，只运行在 Springer Nature 私有的 Gemini Enterprise 环境里，稿件内容不出其安全环境。原型正在测试，官方强调「人类优先、AI 其次」，没有公布上线时间或效果数据。

查看大图

国际权威模型独立评测机构 Artificial Analysis 正式发布针对 DeepSeek 官方搜索增强 API（DeepSeek Search）的详尽基准测试数据。评测显示，挂载 DeepSeek 搜索模块后，基座模型的全域搜索综合指数从原先的 33 分暴涨至 69 分（净增 36 分，位列全部 27 款受测搜索 API 的第 17 位）。在成本维度上，DeepSeek Search 展现出无与伦比的颠覆性定价：每 1,000 次搜索请求仅收费 0.75 美元，折合单任务平均成本仅约 0.032 美元，成为全网受测商业搜索 API 中最经济的选项；在事实性问答基准 AA-Omniscience 达到 70% 准确率，而在复杂长程网页浏览任务 BrowseComp 则达到 63%。

查看大图

在 arXiv:2610.25834 中，跨国研究团队正式发布业内首个专门评估 Coding Agent 大规模、面向物理性能代码重构能力的基准 FrontierRefactor。与传统仅考量“功能测试能否通过”的 SWE-bench 不同，FrontierRefactor 涵盖 7 种主流编程语言、跨越 10^1 至 10^4+ 行代码规模的 60 个符合阿姆达尔定律（Amdahl's law）的严苛工业级工程任务。测试揭示了惊人的行业现状：超过 41% 的智能体生成补丁虽然 100% 通过了功能等价性测试，却并未带来任何实际物理加速，其中 19.3% 甚至引发严重的运行时性能回退，展现了引入多轮执行耗时反馈机制对自主重构智能体的决定性意义。

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

多所顶尖高校与科研机构在 arXiv:2610.24648 中正式发布首个面向异构端侧硬件的大模型底层算子生成统一基准 EdgeKernelBench 与分层智能体架构 LEKA。针对当前学术界算子生成评测过度局限于云端高性能服务器 GPU，而在端侧设备上面临硬件高度异构、底层软件栈严重碎片化（CUDA、OpenCL、TileLang、Triton）以及极度严苛资源约束的行业痛点，EdgeKernelBench 建立了包含 331 项经典任务与 650 个实例的统一中间表示（IR）部署管线。配合分层算子生成智能体 LEKA 解耦复杂编译决策，使大模型端侧算子生成性能取得跨越式突破。

查看大图

在 DeepSeek 宣布开源其生产级推理引擎 DeepInfer 数小时后，vLLM 官方项目团队正式公布了针对 DeepSeek-V4.1-Flash 的实测重磅性能对标数据。采用 DeepSeek 官方完全相同的测试拓扑（131K 超长上下文、nextn=3 投机采样），vLLM 在 NVIDIA GB200 NVL 架构上针对 Batch Size 8~256 的全并发区间，将与 DeepInfer 的端到端吞吐差距压缩至 6% 以内；在下一代 GB300 架构上，单 GPU 吞吐量突破 1,000,000 Token/秒，单用户峰值输出达 826 Token/秒，折合单 GPU 每小时营收达 38.96 美元。同时宣布 FastH3-Omni 与 Spark-X2.6-4B 首发支持。

查看大图

在小参数语言模型中，庞大的词表嵌入层往往占据模型总参数量的六成以上，成为端侧部署与三值量化（Ternary）的致命包袱。最新研究（arXiv:2610.22428）提出革命性的无训练词表方案：利用主成分投影与符号二值化构建仅 16 MB、含 512 位二进制码的固定词表，彻底移除可训练嵌入参数。在 Gemma 3 270M 上，可训练参数从 268.1M 骤降至 101.0M（暴减 62.3%），而 HellaSwag（30.4%）与 PIQA（61.5%）等基准表现持平甚至反超原版模型。

查看大图

半导体分析机构 SemiAnalysis 发布最新评测：Inferact（vLLM 核心团队）联合 Google 正式提交了首份基于 Google TPUv7 的 Kimi K3 2.8T 巨型 MoE 模型推理基准。在单芯片时租仅 1.21 美元（相比 GB300 2.31 美元、B300 2.26 美元、GB200 1.86 美元）下，借助 TorchTPU vLLM 大核与 TPU-Sync KVCache 卸载库，TPUv7 在 390 tok/s 超高交互区实现每美元 220 万 Token 吞吐，TCO 表现越级反超 NVIDIA GB200 NVL72、B300 与 AMD MI355X。

查看大图

针对长链路多轮工具调用与多智能体协作中频发的“目标漂移（Goal Drift）”难题，新加坡国立大学、中科大与阿里通义千问团队联合提出 Steering Agent（arXiv:2610.22316）。该框架通过成对排序与组相对策略优化（GRPO）联合训练低成本快速判断路径（When to intervene）与高成本慢速纠偏生成路径（How to intervene），在无需重训基座模型的前提下将多跳 QA 平均基准分从 42.70 提升至 50.10，同时将平均执行轮次从 8.8 轮大幅压缩至 6.5 轮（-26.1%）。

查看大图

针对编程智能体评测与强化学习中愈演愈烈的“篡改测试脚本刷满分（Reward Hacking）”与“静态题库过拟合”两大痛点，今日两项重磅研究给出系统性方案：CMU 团队提出弱到强验证器自动加固框架（arXiv:2610.15924），通过隔离验证沙箱与 Hacker-Fixer 攻防闭环大幅压降 Terminal-Bench、KernelBench 与 SETA 的作弊成功率，已被 Terminal-Bench 官方仓库采纳；递归环境缩放框架 RES（arXiv:2610.16397）则在不改变核心目标下递归演化执行依赖，使 Claw-Eval-Live 上的六大模型成功率暴跌 57.14~77.14 个百分点，并用生成的轨迹将 SFT 泛化性能全面拉升 7.00~14.61 个百分点。

查看大图