AI 编程实时动态与要闻

微软 Mage 团队 10 月 30 日在 Hugging Face 以 Apache-2.0 发布 Mage-VL-Cowork：4B 参数的多模态电脑操作智能体，同一个模型每一步自己选择用截图点界面（computer_use）还是在终端跑 bash/Python，不需要外部调度器。官方报告它在 OSWorld-Verified（361 题、50 步上限）两次平均 66.0%，高于 Qwen3.6-27B 的 63.9%，但仍低于 9B 的 SCALECUA-Qwen3.5-9B（68.7%）。

查看大图

Anthropic 平台工程负责人 Katelyn Lesse 在 Latent Space 播客（10 月 27 日上线）中说，上周已全量上线用 Rust 写的 Messages API：原系统是吃 CPU 的 Python 单体，团队起步时「一个 Rust 开发都没有」，人负责系统设计和验证，Claude 写实现，再用影子流量比对新旧两套输出。她给出的粗略数字是 CPU 少约 40–50%，首 token 延迟改善约 10–20%。这段片段被 Somi（@somi_ai）剪出后在 X 上获得 1,000+ 点赞、约 14 万次浏览，swyx 等人转引，讨论焦点是「别搞大重写」这条老经验是否已经过时。以下观点属于 X 讨论，数字为 Lesse 口头估算，Anthropic 尚未发布书面工程报告。

查看大图

月之暗面 Kimi 官方账号 10 月 30 日 03:14（UTC）发布 3D Make，称 Kimi 可连接 Blender 和 CAD 等工具来建模、组装场景和开发游戏，已在 kimi.ai 和 Kimi Work 上线。官方同步发布的 3D 教程说明，K3.1 Pro 经过专门训练，通过 Python 脚本操作 3D 软件，即使没有 MCP 支持的专业软件也能纳入工作流；人物、动物等网格模型则自动调用 Tripo 等扩散模型生成。需要本地软件的插件仅在 Kimi Work 中可用。

查看大图

xAI 10 月 28 日在 @grok 官方账号宣布，所有 API 客户现在都能在文本请求里加 guidelines 数组，对 nsfw、violence、profanity 三个类别逐一设为 decline，让 Grok 在写回答时自己收紧这类内容，而不是事后过滤。字段同时支持 Responses API、Chat Completions 和 xAI Python SDK；多智能体模型和延迟补全暂不支持，参数不合法时 API 会在调用模型前直接返回 400 或 422。

查看大图

10 月 21 日，热门 LLM 网关 LiteLLM 的发布流水线被攻破，恶意 1.107.0 版本在 PyPI 上线约 2 小时（11:39–13:23 UTC），Docker 的 v1.107.0、latest、main-latest、main-stable 标签也在 11:46–14:20 UTC 指向被污染镜像。官方事件报告称恶意文件会在每次 Python 启动时窃取云、SSH、AI 工具和代理库中的密钥，现已下架，开源用户应固定 1.106.2 并轮换凭证，企业私有仓库不受影响。

查看大图

多所顶尖研究机构在 arXiv:2610.23986 中正式发布首个面向真实世界参考的视觉智能体 3D 创作评测基准 BlenderWorld。基准涵盖程序化建模、着色材质编写、空间布局与灯光模拟等 223 项真实工业级任务，接入 Blender 软件全自动沙盒环境。实测显示 GPT-6 Astra 以 79.9 分综合得分问鼎全球榜首（完美完成率达 42.2%），Opus-5 斩获 73.0 分，而开源模型 DeepSeek-V4.1-Flash 斩获 65.7 分超越众多大尺寸基线。

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

vLLM 官方推特宣布两项关键工程突破：在 v0.32.0 官方镜像中引入构建期 Python 字节码预编译（uv compile），使 H100 容器冷启动耗时缩短 14%~18%（省去约 18 秒且启动零重编译）；同时正式合入 Decision 3.0（D3）全系列 6 款结构化决策模型（0.6B 至 27B），通过 /v1/systemone 提供极速多模态选择与评分，在 AMD MI325X 单卡上支撑 64 并发的吞吐达原始基准的 1.8 倍。

查看大图

vLLM 于 10 月 18 日发布 v0.32.0，363 位贡献者（121 位新人）提交 814 次。重点包括默认提供的 POST /v1/systemone 结构化决策接口与通用 hf 工具/推理解析器；NVFP4 KV 缓存扩展到 SM8x/SM90/SM12x，GLM-5.x 在 SM100 默认 FP8 KV；Model Runner V2 新增 GPU n-gram 投机与 Elastic EP，并成为 ROCm 默认；修复 3 个安全公告并收紧 CORS 默认值，同时放弃 Python 3.10。

查看大图

腾讯混元 10 月 16 日开源 Hy Memory 2.0，三层齐发：Apache-2.0 的专用记忆写入模型 Hy-Memory-30B-A3B（约 3B 激活，HF + arXiv 技术报告）、覆盖 Chat/Working/Coding 三种场景的 Python SDK（PyPI hy-memory 2.0.x），以及本地优先的 MemHub（CLI + macOS，preview）。官方口径下，该模型替换 Mem0、MemOS、Hy-Memory 与留出的 EverMemOS 中的写入 LLM 后四框架均分 55.49，Claude Opus 5 为 54.62；评测基于固定 20% 子样本，部分单项仍落后 Opus 5。

查看大图

随着 AI 编程智能体在“氛围编码”（Vibe Coding）热潮中广泛接管软件生产，生成代码的安全性成为行业焦点。新加坡国立大学与莫纳什大学等团队发布 Last Secure Code Benchmark，这是首个全面评估编程智能体安全代码生成能力的权威基准。涵盖 7 种主流编程语言、24 类 CWE（包括 2025 CWE Top 25 中的 21 类及 Top 10 KEV 中的 8 类）以及 450 项源于 150 个真实 CVE 漏洞的实战任务。评测揭示：前沿模型在功能测试上通过率达 73.6%~91.3%，但即使最强的 Claude Fable 5，在同时满足“功能可用且无安全漏洞”的严苛检验下通过率仅为 25.1%，其余主流 Agent 仅为 16.4%~24.7%。

查看大图