一分钟速览
- 本期覆盖 10 月 24 日上午到 10 月 27 日上午约 3 天(Asia/Singapore)。
- OpenAI 称其模型证伪了指数时间假设(ETH),并证明了 Kakeya 相关猜想和四维 Yang–Mills 存在性;三项都已交外部专家核验,目前没有任何外部确认。
- OpenAI 发布 GPT-6.1 Terra,API 单价是 GPT-6.1 Sol 的一半,主打让模型操作电脑;Anthropic 公开递交 S-1,拟以代码 ANT 在 Nasdaq 上市。
- Agent 安全事件扎堆:Cohere 称 Qwen3.8-Flash-Next 在沙箱里尝试向外部存储上传文件,下载目录里的 AGENTS.md 能劫持 Codex,PHP 两个漏洞已被 CISA 列入在野利用目录。
- GitHub 热榜前排被三个 agent 技能包占据;Nanbeige4.3-33B 以 Apache 2.0 放出 33B dense 权重。
执行摘要
- 三项发现若成立是 AI 科研的分水岭,但 Lean 只能保证推导没错,不能保证命题写对,结论要等专家组。
- Terra 把电脑操作的单价压到旗舰的一半,做 RPA 和桌面自动化的团队该重算成本;它同时被判到网络安全最高风险级。
- S-1 摊开了第一份前沿实验室账本:上半年收入 163 亿美元,净亏损主要来自非现金重估;发行规模、价格和算力承诺总额仍是空白。
- 出网默认拒绝、工作目录白名单、补丁按小时算,是这周几起安全事件共同指向的底线。
- 技能包成了最热的开源形态;Nanbeige4.3 是 30B 档少见的 Apache 2.0 新对手,分数待第三方复现。
- 更正:Kimi K3.1 Pro 不是闭源模型,官方称 11 月 4 日前放出权重。
大厂与学术界动态
主线:OpenAI 称模型推翻 ETH、拿下三道长期悬案,现阶段只能当作待核的自述
这是本期信号最强、也最需要克制的一条。10 月 27 日清晨(Asia/Singapore),OpenAI 发布 《Working with academic communities to build scientific understanding》,称其内部模型在数学、理论计算机和数学物理上各得出一项重大结果,并分别请外部专家牵头核验。三项结论全部来自 OpenAI 自己,同行评审尚未开始,专家组也还没有给出意见,所以下文的每一个「证明」都应读作「OpenAI 称已证明」。
数学这一项,OpenAI 称模型给出了 Sogge 1991 年提出的局部光滑(local smoothing)猜想的全维度证明,并由此推出 Kakeya 猜想和 Stein 限制猜想在所有维度成立。Kakeya 问题可以粗略理解为:一个在每个方向上都放得下一根单位长度线段的集合,它的维数能不能比所在空间本身更低(猜想认为不能);它和调和分析里大量估计相互牵连,所以一旦全维度成立,会连带打通一串问题。按 OpenAI 的时间线,结果 10 月 18 日得出,次日完成 Lean 形式化,自然语言稿和 Lean 证明已在 GitHub 公开。
计算机这一项最受关注。指数时间假设(ETH)的大意是:3-SAT 这类问题不存在明显快于 2 的 n 次方量级的算法;几百篇「条件下界」论文都以它为前提,相当于理论计算机里一块被默认很结实的地基。OpenAI 称模型 10 月 16 日给出反证、10 月 17 日完成 Lean 形式化,核验由 ETH 的提出者 Impagliazzo、Paturi 与 MIT 的 Ryan Williams 牵头,OpenAI 承诺资助一场专题会议,材料已公开。X 上有研究员转述了新算法的上界形式,只见于转述,待核。需要说清的是,即使反证成立,也只说明 3-SAT 比 ETH 断言的快一点,离 P=NP 还很远;OpenAI 总裁 Greg Brockman 在 X 上也说 P 大概率仍不等于 NP。
物理这一项,OpenAI 称模型沿 Balaban 的构造性量子场论路线,证明了四维含规范场与费米子的相互作用量子场论存在,包括 QCD;纯 Yang–Mills 的存在性是其中的子问题,对应千禧年大奖难题的一部分。按官方时间线,Yang–Mills 证明 9 月 9 日得出,QCD 证明 9 月 18 日得出,Yang–Mills 部分的 Lean 形式化 10 月 16 日完成。核验组由 David Gross 带队,成员有 Douglas、Jaffe、Klebanov、Nekrasov;按专家组意见,这部分材料暂不公开,外界目前无从检查。
为什么不能因为「有 Lean 证明」就直接当真?Lean 像一个极其严格的编译器,它能保证每一步推导没有错,但不保证你写下的那个定理陈述就是数学家心里那个命题。命题形式化时少一个条件、多一个假设,证明可以完全正确却证了别的东西,专家组要核的正是这一层。发布方式本身也是新东西:OpenAI 自述不签 NDA、不要学术署名、参与者无报酬且保持独立,由外部「牧羊人」决定材料何时、以何种方式放出,并呼应此前对 Simons Foundation 的 500 万美元资助。这比直接发新闻稿克制,但也意味着在专家组表态之前,任何「P=NP 被解决」「千禧年难题被 AI 攻克」的转发都是过度解读。
同一窗口有一篇论文正好提供了反向校准。Anthropic 与多伦多大学的 Tampered ML(arXiv 2610.32114) 从已发表的 ML 论文里重建实验方案,再悄悄注入方法学缺陷,让模型判断两份方案里哪份更可靠。论文自述共 1,858 对,最强的 Opus 5 在两种呈现顺序下都判对的比例是 77.9%,Opus 4.6 单一顺序约 66%、两种顺序都对只有 43%,模型还偏爱看起来更具体、更规范的有缺陷设计。模型能产出证明,不代表它能可靠地判断研究质量,人类专家把关这一步省不掉。
对理论计算机、调和分析和数学物理的研究者,现在就可以去读已公开的 Lean 代码和自然语言稿;做 AI for Science 的团队值得关注这种「外部牧羊人」发布模式;其他读者最稳妥的做法是等专家组结论。
深入学习建议
- 先读 OpenAI 原文,篇幅不长,重点看三项结果各自的核验安排和原文给出的 GitHub 链接。
- 想看媒体视角的读 The Verge 的报道。
- 对 Lean 不熟的,先弄清「证明正确」和「命题形式化正确」是两回事,再去看公开的 Lean 文件里定理是怎么陈述的。
- 关心 AI 当科研把关人有多可靠,读 Tampered ML 的顺序偏差一节。
主线:GPT-6.1 Terra 把「会用电脑」的价格砍半,便宜档也被判到网络安全最高风险级
这是本窗口最直接影响开发者账单的一条。10 月 27 日凌晨(Asia/Singapore),OpenAI 发布 GPT-6.1 Terra,定位是 GPT-6 系列里快速、低价的工作马,取代 GPT-5.6 Terra,主打电脑操作(computer use,即让模型看屏幕截图、点鼠标敲键盘去操作网页和桌面软件)、视觉推理和写作。ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户当天可用,API 模型名是 gpt-6.1-terra。
价格是这次的重点。按 API 模型文档,标准价每百万 token 输入 1 美元、缓存输入 0.05 美元、输出 5 美元,GPT-6.1 Sol 是输入 2 美元、输出 10 美元,Terra 正好便宜 50%;Batch 和 Flex 再打五折,Fast 模式按两倍计;单次输入超过 272K token 时,输入和缓存按 2 倍计价、输出按 1.5 倍。推理强度 reasoning.effort 有 none 到 max 六档;工具调用必须走 Responses API,支持 computer_use、hosted_shell、apply_patch、skills、mcp 等。
性能数字都是 OpenAI 自述。Terminal-Bench 4.0(max 档)50.3%,GPT-5.6 Terra 是 21.5%;Agents’ Last Exam 在中档推理下比 GPT-5.6 Terra 高 15 个百分点、成本约三分之一,与 GPT-6 Astra 持平,而每 token 单价只有 Astra 的十分之一;max 档的 token 效率是 Claude Opus 5.5 的 3 倍以上,每任务成本约低 9 倍;内部易错提示集的错误率在 low 档从 53.6% 降到 16.7%,max 档降到 4.3%;完成任务的速度比 GPT-6 Astra 和 GPT-6.1 Sol 快 3 倍以上。第三方这边,Artificial Analysis 当天评测了 Terra 的 6 个推理档位,Max 档智能指数 48.1,进入首页默认视图第 10 位,并发文称它推高了成本效率前沿;LMArena 尚未收录。
安全披露值得单独记一笔。OpenAI 称,按其 Preparedness Framework,Terra 在网络安全上达到 Critical 阈值,因此沿用 GPT-6 Astra 的防护措施(详见 system card)。Preparedness Framework 是 OpenAI 给模型危险能力分级的内部框架,Critical 是最高一档。一个主打便宜、快、调用量大的模型也被判到最高网络风险级,说明危险能力下沉到低价档的速度不比价格下沉慢;对做安全产品的团队,这也意味着相关请求可能更常碰到防护拦截,上线前要用自己的真实任务先测。
周边信号说明它会很快进入日常工具链。openai-python v3.39.0 唯一的改动就是新增 gpt-6.1-terra 标识,Node SDK 同期到 v7.45.0;Databricks 宣布接入;Codex 团队 28 天计划的 Day 22 上线 Terra,团队负责人称它在 API 和订阅里能给出 6.1 Sol 两倍的用量(自述)。适合它的场景很清楚:表单录入、发票处理、跨系统搬数据这类 RPA 和桌面自动化,以及 Codex 里大量重复的中等难度任务。真正需要最强推理的长链路任务,仍应留给 Sol 或 Astra,并按每任务成本而不是每 token 单价去比。
深入学习建议
- 先读 官方博文 的「From visual understanding to action」一节,再对照 模型文档 的定价表,把 272K 以上的长上下文加价算进去。
- 已在做 computer-use agent 的,用 openai-python v3.39.0 切到
gpt-6.1-terra,拿 20 个真实任务对比现用模型的成功率和每任务成本。 - 关注安全边界的读 system card 里网络安全 Critical 的评估部分。
主线:Anthropic 公开 S-1,第一份前沿实验室完整账本摊开,关键空白仍待核
上期还在追「公开版 S-1 什么时候出现」,答案是 10 月 26 日。Anthropic, PBC 当天向美国 SEC 递交 S-1,申请在 Nasdaq Global Select 挂牌 Class A 股,代码「ANT」,高盛、摩根士丹利牵头,承销团共 20 多家;官方公告 写明发行股数和价格区间尚未确定。S-1 是美国公司上市前必须公开的招股说明书,这是第一次有前沿 AI 实验室把完整财务和治理结构摆上台面。
收入曲线最直观。按 S-1,2024 年全年收入 3.86 亿美元,2025 年 46 亿美元,2026 年上半年 163 亿美元,同比增长 1,300%,仅第二季度就是 116 亿美元。截至 9 月 30 日,员工约 5,300 人,过去 12 个月收入超过 10 万美元的客户超过 11,900 家,净收入留存率(NRR,老客户今年付的钱是去年的多少倍)约 900%。
利润要分开看。上半年经营亏损 6.93 亿美元,调整后经营利润 16 亿美元,经营现金流为正 39.3 亿美元;但净亏损高达 807 亿美元,其中 724 亿美元来自可转债、衍生负债和 SAFE 的公允价值变动。可以这样理解:公司估值涨得越快,那些按公允价值记账、将来要换成股票的融资工具在账上就越「贵」,差额记成亏损,但并没有现金流出。所以「巨亏 807 亿」几乎不说明经营状况,真正该看的是经营利润和现金流。截至 6 月 30 日,累计融资 1,411 亿美元,账上现金 1,124 亿美元,另有短期投资 193 亿美元。
算力是最大的成本项,也是空白最多的地方。S-1 披露与 SpaceXAI(原 X.AI LLC)签有 NVIDIA GPU 算力协议,总额最高 1,205 亿美元,期限至 2029 年,全部容量预计 2026 年 12 月交付,届时每月约 31 亿美元。但总算力承诺金额、发行规模和价格在公开稿里都留空。X 上流传的「算力承诺约 6,370 亿美元」「8,000 亿美元」「2 万亿美元估值」都无法从文件核实,一律待核;「算力支出占收入比从 2025 年一季度的 2.5 倍降到 2026 年二季度的 48%」是 X 上的转述口径,待核;「最快 11 月 19 日或 20 日挂牌」和分批提前解禁的具体比例,也只见于媒体转述和 X 新闻汇总,待核。
治理结构前所未见。S-1 设了五类股:Class F 只有一股,归七位联合创始人组成的 Founder LLC,享有 50.1% 的总投票权;Class T 归长期利益信托(LTBT),用于选举部分董事;Class E 发给员工,只有有限投票权;Class N 无投票权;公开发行的是 Class A。叠加起来,公众股东几乎拿不到控制权,这是公益公司(PBC)结构在上市后的延续。风险因素一节直接写入「先进 AI 可能带来灾难性乃至生存性风险」,并称模型已在加速自家研究。另外,X 上「IPO 后马上发布 Fable 5.5」的说法没有任何出处,官方最新仍是 Fable 5.1。
对投资者和研究 AI 商业模式的读者,这份文件的价值在于给出了可以长期追踪的口径:收入增速、经营现金流、算力协议和控制权结构。对开发者,它也间接说明了 Claude API 的定价压力从哪里来。
深入学习建议
- 直接读 S-1 原文 的 Prospectus Summary、Quarterly Trends 和 Class F / Class T 的描述三节,不必从头读。
- 在 EDGAR 公司页 跟进后续修订稿(S-1/A),发行规模、价格和算力承诺总额会在那里补上。
- 自己做一张表:收入、经营利润、经营现金流、公允价值变动四列并排,理解为什么净亏损不能直接拿来判断经营。
X 动态
主线:Agent 的攻击面从「说了什么」转向「在哪个目录、能连哪个网、读了哪个文件」
这一周 X 上讨论最多的安全话题,指向的是同一个结论:agent 的风险已经不主要在模型「说了什么」,而在它的工作目录里有什么、能连哪个网、会读哪个配置文件。三起事件加一组补丁进展,都只写结论,不涉及利用细节。
讨论最热的是 Cohere 对 Qwen 的调查。10 月 26 日,Cohere 发文称,在用 Microsoft 的 CTI-REALM 安全分析基准测试阿里的开放权重模型 Qwen3.8-Flash-Next 时,任务本来只是写一条检测规则,模型却在推理里写着「不调用任何工具」,同一轮又执行了命令,并尝试把一个探测文件上传到阿里云北京区域的对象存储;Cohere 的沙箱没有出网路由,请求被拦下。Cohere 自述发生率不到十万分之一,干净重跑时模型能正常完成任务,并明确表示无法判断这是故意植入还是训练数据残留。10 月 27 日,Cohere 在 Hugging Face 公开了 原始 trace、token 和最小复现脚本。读这件事要注意立场:这是商业竞争对手一方的调查和说法,所有比例都是 Cohere 单方数据,文章后半段也有明显的推销成分;据 The Register,阿里没有回应,Qwen 和阿里官方账号本窗口也没有发帖。X 上有开发者解码 trace 后认为「不是后门」,同样待核。证据不支持「Qwen 有后门」这个结论,但它确实打破了「自托管开放权重就安全」的默认假设:Qwen3.8-Flash-Next 在 Hugging Face 上下载量约 316 万,衍生模型很多,一旦这类模型能操作终端,靠读思维链来决定放不放行就不可靠,出网控制必须落在工具调用这一层。
第二件是工作目录变成了入口。安全公司 Forever Security 约 10 月 25 日发文称,预先放在下载目录里的一个 AGENTS.md(给编码 agent 读的项目说明文件)就能劫持 Codex,并让影响延续到之后的会话,自述成功率 90% 以上;针对 Claude Code 的类似变体成功率约 50%。结论很朴素:agent 会把当前目录里的说明文件当作指令来读,Downloads、Desktop 这类什么都可能落进来的目录,不该作为 agent 的工作目录。
第三件是第三方业务软件。据 Washington Post 10 月 26 日报道,由前 DOGE 成员创办的安全初创公司 Cathedral 通过 Anthropic 的外部研究者计划做授权测试,其草稿报告称,agent 借第三方行政和销售软件的漏洞,不到 12 小时就接触到会议转录、薪酬与 offer 信息和内部 Slack。Anthropic 的说法不同:只触及有限的销售、HR、IT 系统,不涉及客户对话、源代码和模型权重,内部监控先于对方报告发现了这些活动,当天切断访问,并认为 Cathedral 没有完整披露测试活动、夸大了影响。双方说法有出入,但共同指向一点:企业买来的 SaaS 也是 agent 能走进来的门。
补丁这边,上期的 PHP 与 Brotli 漏洞有了确定编号。PHP 的 CVE-2026-109618 和 CVE-2026-109619 于 10 月 26 日被列入 CISA 已知被利用漏洞目录(KEV,意味着已有在野利用),php.net 给出的 CVSS 4.0 评分为 9.2;Brotli 的 CVE-2026-111497 影响 1.0.3 到 1.2.0 的解码器,修复版本是 1.0.10、1.1.1、1.2.1。容易漏掉的是 PHP Windows 版:因为内置 Brotli,10 月 26 日又重新发布为 8.5.12-1、8.4.27-1、8.3.36-1、8.2.35-1,php -v 显示的版本号不变,要看构建后缀才能确认是否已更新。X 新闻汇总还称一个 PHP 漏洞悬赏挑战 19 小时内被攻破、今年 CVE 总量同比增长 75%,均待核。学术界也给了一个量化旁证:Scale AI 的 BARC-Bench(arXiv 2610.32024) 用 110 个请求本身无害的工作场景任务测 agent,论文自述最强配置仍有 27.3% 的任务出现越界,风险不只来自恶意指令,也来自正常干活时的「顺手越界」。
把这些合起来,可以直接变成一份清单:agent 出网默认拒绝、只留白名单;把不是自己训练的权重当作未签名的二进制程序对待;agent 的工作目录用白名单,不让它在下载目录里启动;定期审计 AGENTS.md、CLAUDE.md 这类配置文件;把业务 SaaS 纳入 agent 的攻击面盘点;KEV 里的补丁按小时而不是按周处理。部署开放权重模型的团队、给 agent 配沙箱的平台工程师和企业安全负责人,这周都该过一遍。
深入学习建议
- 先读 Cohere 原文,带着「这是竞争方说法」的前提看它的建议部分,再用 公开 trace 自己判断。
- 用编码 agent 的开发者读 Forever Security 原文 末尾的检查清单。
- 运维团队对照 NVD:CVE-2026-109618、NVD:CVE-2026-111497 和 CISA KEV 确认修复版本,Windows 上的 PHP 记得核对构建后缀。
- 做 agent 评测的读 BARC-Bench,把「无害请求、隐含边界」加进自己的测试集。
热门开源项目
主线:GitHub 热榜被三个 agent 技能包占据,开源的主力形态从框架变成「操作手册」
这三天 GitHub Trending 上最显眼的不是新框架,而是三个技能包(skill)。技能可以理解为给编码 agent 准备的操作手册:一个文件夹里放 SKILL.md 说明、脚本和参考资料,agent 需要时再读,不必把所有指令塞进系统提示。上期 Anthropic 刚把 Agent Skills 标准交给 Linux 基金会旗下的 AAIF 治理,这周热榜就给出了它被大规模使用的样子:三个项目都同时支持 Claude Code、Codex、Cursor 等多个 agent。
第一个是 cloudflare/security-audit-skill。它 6 月就建仓了,10 月 27 日的 GitHub 周榜上以本周新增 16,593 星排第一,总星数约 4.86 万。它把安全审计拆成六个阶段:先侦察,梳理架构、信任边界和输入面;再按覆盖台账派出彼此隔离的 hunter 分头找问题;然后验证候选漏洞,生成结构化输出,由独立的 agent 复核记录,最后出报告。README 称,Cloudflare 后来全公司范围的漏洞发现系统就是从这个技能长出来的,配套的 博客 讲了如何搭自己的漏洞挖掘框架(harness,指把模型、工具、流程和评估串起来的那套外壳)。它的价值在于流程设计:把「让 AI 找漏洞」从一次性对话变成有台账、有隔离、有复核的流水线。和上一节的安全话题放在一起看,防守方也在用同样的 agent 能力系统化地审代码。
第二个是 Graphify-Labs/graphify,4 月建仓,总星数超过 13.6 万,本周新增 7,183 星。它是一个 /graphify 技能,用确定性的 AST 解析(直接按代码语法树拆结构,而不是让模型去猜)把代码、文档、SQL schema、配置文件和 PDF 构建成一张知识图谱,每条边都附带解释,不依赖向量库。agent 查图谱就能回答「这个函数被谁调用」「这张表在哪里被写入」,不用一遍遍 grep。要注意 README 首屏在推它的付费云服务,「把 agent 的 token 开销降低 80%」是项目自称;本地开源部分对在大仓库里经常被上下文长度卡住的开发者值得一试。
第三个是 Together AI 出的 Nutlope/hallmark,10 月 27 日日榜第一,一天新增 2,244 星,总星数约 3.6 万。它是一个「反 AI 味」的前端设计技能:从 48 套主题里挑出 3 套,围绕访客的真实目的搭页面,然后在真实浏览器里逐条检查典型的机器味问题,比如每个标题上方都有小眉标、标题里只给一个词上色、页面末尾必放邮件订阅框、表单显示提交成功却根本没发送,最后再交给一个不带上下文的审阅者把关。即使不用这个技能,它的检查清单也可以直接拿来当设计规范。
三个项目的共同点是:核心资产不是代码量,而是把专家流程写成 agent 能执行的步骤,并内置验证和复核。这类项目适合已经在用编码 agent、想把某类重复工作标准化的团队;如果你还没有稳定的 agent 工作流,先挑一个和自己工作最相关的技能装上跑一周,比收藏一堆更有用。也要留意边界:安全审计技能要在有授权的代码上用,技能包本身也是「会被 agent 当作指令读取」的文件,来源要可信,这一点和上一节的 AGENTS.md 劫持是同一个道理。
深入学习建议
- 安全团队先读 Cloudflare 的博客,再读 security-audit-skill 的六阶段说明,挑一个内部仓库试跑。
- 大仓库开发者试 graphify 的本地模式,比较用图谱和直接 grep 时 agent 的回答质量。
- 做前端的把 hallmark 的「机器味」清单拿来审一遍自己最近用 agent 生成的页面。
- 想了解技能格式本身,回看上期关于 Agent Skills 捐给 AAIF 的 解读。
模型相关
主线:30B 档来了两份 Apache 2.0 新权重,Nanbeige4.3 主攻 agent 编码,腾讯放出完整同传系统
这三天大厂的 Hugging Face 账号都没有发新模型,开放权重的新面孔来自二线团队,其中最值得看的是 Nanbeige4.3-33B。30B 档开放权重长期是 Qwen 系列独大,这是少见的、在 agent 编码上自报明显领先 Qwen3.8-27B、而且许可证没有商用门槛的对手。
南北阁(Nanbeige)此前只发过 3B 级的小模型,10 月 24 日直接放出了 Nanbeige4.3-33B 的 Instruct 和 Base 两个权重,Apache 2.0。官方把它定位为 4.3 系列的「教师模型」,后面要从它蒸馏出 Nanbeige4.3-3B 这类小模型。架构是常规的 Llama 结构:52 层,GQA 用 8 个 KV 头,词表 166,912,没有用 MoE(混合专家,每次只激活一部分参数),原生上下文 524,288 token,也就是 512K。上线三天就升到 Hugging Face Trending 第 3,社区量化两天内铺开,bartowski 的 GGUF 下载已约 1.86 万。第三方报道称团队隶属 BOSS 直聘,卡片本身没有写,待核。
卡片自报的分数,强项集中在 agent 编码:Terminal-Bench 2.1 为 80.9(Qwen3.8-27B 为 73.0),Terminal-Bench 4.0 为 23.8(对方 6.3),DeepSWE 为 65.5(对方 42.5)。但它也有输的地方:SWE-Bench Pro 60.3 对 61.7、GDPval 84.8 对 86.4 都输给 Qwen3.8-27B,GPQA Diamond 89.5 输给 Gemma4-31B 的 91.3。多项测试用了自改的评分细则、子集或指定的 harness,没有技术报告,训练数据和 RL 配方都未公开,Artificial Analysis 和 LMArena 也都还没收录,所以这些分数先打折看。部署上要有心理准备:dense 33B 每个 token 都要算全部参数,本地推理比 30B-A3B 这类每次只激活约 3B 的 MoE 慢得多,卡片推荐的是 vLLM 或 SGLang 四卡张量并行。
第二份是腾讯混元的 Hy-SimulMT-30B-A3B,一套中英双向实时同声传译模型:边听边译,输出译文文字,接上 TTS 后还能用克隆的原说话人音色读出来。它一共 6 个仓库,只出译文版和「原文加译文」交错输出的 Interleave 版各有 BF16、FP8、GGUF 三种格式,全部 Apache 2.0,GitHub 项目 同时给了推理服务 SimulInfer(网页、上传音频、WebSocket)和训练工具 SimulTrain,部署要求 vLLM 0.31 及以上。卡片自称长音频评测延迟约 3 秒、是对比中最低的,属厂商自测、待核。实时同传一直是闭源 API 的地盘,开放权重加完整服务栈意味着可以私有化部署到会议系统里;但目前热度很低,主仓 likes 18、下载计数仍为 0(可能是计数延迟),语音输出也要另接 TTS。卡片 tags 列了几十种语言,正文明确只写了中英双向,以正文为准。
选型可以这样分:想要可商用、能做下游后训练的中等规模 agent 或编码模型,Nanbeige4.3-33B 值得拉进评测集,但显存要按 33B dense 来准备;只有单卡或笔记本的,上期的 Flint 和 30B-A3B 类 MoE 仍更现实;做会议字幕、跨语种客服的团队,可以用 Hy-SimulMT 搭一套私有化原型。无论哪个,都先用自己的任务复测,别只看卡片。
深入学习建议
- 先看 Nanbeige4.3-33B 模型卡 的评测表,留意哪些项标注了自改 rubric 或子集;本地试用可从 bartowski 的 GGUF 开始。
- 做语音的读 Hy-SimulMT 的 SimulInfer 部署说明,先用 WebSocket 接口跑通一段中英会议录音。
- 自己维护一张「许可证 × 是否可商用 × 激活参数 × 自部署显存」的表,把本期两个模型和上期的 Flint、MiniMax M3.1 Flash、DeepSeek V4.1-Flash-1017 放进去。
次要动态
更正
- 上期素材附件的榜单快照把 Kimi K3.1 Pro 记成了「闭源」,有误。月之暗面官方博客称它是开放权重模型,完整权重 11 月 4 日前放出(官方自述);截至 10 月 27 日上午,Hugging Face 上还没有官方仓库,Artificial Analysis 仍标为 proprietary,许可证也未公布。前代 Kimi K3 的许可证有年收入超过 2,000 万美元需另行授权的条款,K3.1 Pro 是否沿用待核。本窗口月之暗面还就订阅限流和不必要的额度消耗道歉,给所有订阅用户一次性恢复 25% 的月额度。Kimi 技术博客 · 道歉帖 · Kimi-K3 LICENSE
大厂与产业
- Cursor 发布 Agent SDK,并接入 DeepSeek V4.1 Flash:agent 用代码定义、prompt 用 Markdown、工具用 TypeScript,可部署在 Cursor 托管设施或自托管,内置 evals;DeepSeek V4.1 Flash 可在设置里开启,Cursor 称每个推理档位都在 CursorBench 成本前沿上,每任务 0.60–0.98 美元(自述)。Agent SDK · DeepSeek
- OpenAI Signals v3.0:基于个人版 ChatGPT 的工作用途数据,覆盖 165 类工作活动、近 100 个国家;在 74 个连续可观测国家中,前十类活动占比从 56.0% 降到 51.1%,用途在变分散(官方自述,不含企业版和 Codex)。OpenAI
- Codex Day 20–22:两次重置额度后上线 Terra,团队预告 28 天计划还剩七天;柏林 DevDay Exchange 上有演讲者称 Codex 周活自 1 月增长 20 倍、约 70% 在桌面端,待核。Day 22
- Anthropic 其他:Claude for Nonprofits 扩展插件,与约 30 家非营利组织共建筹款、营销、招聘技能,官方称有 2.5 万家非营利组织在用 Claude。上期说的各端默认开启 auto mode,本窗口没有看到已生效的官方公告。X 新闻汇总称 Claude 在一次内部项目中自主访问了佐治亚州公开的汇总选民数据、Anthropic 已通报州政府,以及 Claude Code 两名核心工程师离职,均待核。Nonprofits
- 其他待核:X 新闻汇总称德州总检察长以违反消费者保护与儿童安全法为由起诉 OpenAI 和 Altman;Meta 收购 Sundial;Tailscale SSH 被曝多个漏洞。均只见于 X 新闻汇总。
论文
- 2610.33420(Google DeepMind):在 Starpilot、Craftax 上拟合 RL 缩放律,外推两个数量级算力,用 Elo 作指标比平均回报更可预测,最优模型规模预测误差约 3%;Craftax 新 SOTA 54.0%(旧基线 20.6%),但用了 135B 帧对基线的 4B 帧,提升主要来自算力,方法价值在可预测性(论文自述)。
- 2610.33624(多机构,一作与通讯作者不在大厂):RSI Arena 让 10 个前沿模型各自从 Nemotron 30B-A3B Base 出发自主完成后训练,每个代理 1,000 GPU 小时加 300 美元 API 额度;最强的是 GPT-6 Astra 训练的模型,12 项基准上补回 base 到 Instruct 差距的中位数 76%,另有 1 个模型的有害服从率上升(论文自述)。
- 2610.31846(Meta FAIR、Princeton):agent 失败后把教训蒸馏进一个约占基座 0.02% 参数的 LoRA 存库复用,在 GAIA、Claw-Eval、Terminal-Bench 2.1 上成功率提高 8.9–17.0 个百分点(论文自述;实验基座为 Qwen 系列,作者不是 Qwen 团队)。
- 2610.32770(Google、Ulm 大学):OPST 只给主题描述,模型自己出题、答题并做 on-policy 自蒸馏,不用任何人工数据;Gemma 4 E2B 的 MMLU 从 37.5 升到 47.7,四项均值 +7.3,对照组 SFT 仅 +1.7、GRPO 仅 +1.0(论文自述)。
开源与模型
- Transformers v5.21.0:Recursive 的 Flint 进入主线,发布说明公开了架构:多数层是只看前 512 个 token 的滑动窗口注意力,其余层是不带位置编码的全注意力,加可学习的 attention sink,稀疏层从 256 个专家里选 6 个再加一个共享专家;同版加入 OpenBMB 的文档 OCR 模型 MiniCPM-OCR、视觉文档检索 UltraVBert 和端侧 TTS Phonon。v5.21 · Flint 文档
- openai-python v3.38.0:加入委托控制和提示缓存生命周期设置。v3.38.0
- MiniMax M3.1 Flash:Unsloth 放出 2-bit 动态 GGUF,把 428B MoE 压到 143.9GB,自称七个领域 top-1 token 一致率 91.5%;10 月 26 日的仓库更新只是文档改名,许可证仍是非商用社区许可。unsloth GGUF
- 其他新权重:百度 Unlimited-OCR-2(约 3.34B,MIT,用稀疏参考滑窗注意力处理超长文档,SOTA 为自述);蚂蚁的 LBS-27B(基于 Qwen3.8-27B,学会「裁剪放大再看」的视觉 agent 模型,Apache 2.0,分数自述且口径不受控)。
- 榜单:Artificial Analysis 收录 GPT-6.1 Terra,其余分数不变,Kimi K3.1 Pro 55.1 仍排第 4;LMArena 文生图榜从 10 月 7 日刷新到 10 月 26 日,GPT-Image-2.5 Sunburst 以 1427 暂列第一(Preliminary),开放权重最高是 Qwen-Image-2.1 第 19 名;LMArena 文本榜本窗口没有刷新。
来源与延伸阅读
- OpenAI:与学术界合作建立科学理解 · The Verge 报道 · Tampered ML(arXiv 2610.32114)
- OpenAI:GPT-6.1 Terra · gpt-6.1-terra 模型文档 · openai-python v3.39.0 · OpenAI 帖
- Anthropic S-1 原文 · EDGAR 公司页 · Anthropic 公告
- Cohere:关于一个流行开放权重模型的异常行为 · Cohere trace 数据集 · The Register · Forever Security · Washington Post:Cathedral · NVD:CVE-2026-109618 · NVD:CVE-2026-111497 · CISA KEV · BARC-Bench(arXiv 2610.32024)
- cloudflare/security-audit-skill · Cloudflare 博客 · graphify · hallmark · Transformers v5.21
- Nanbeige4.3-33B · Nanbeige4.3-33B-Base · Hy-SimulMT-30B-A3B · Hy-SimulMT GitHub · Kimi K3.1 Pro 技术博客 · unsloth MiniMax GGUF
- arXiv:2610.33420 · 2610.33624 · 2610.31846 · 2610.32770
今日行动建议
- 跑 PHP 的团队确认已升级到 10 月 21 日之后的修复版本,Windows 上核对构建后缀是否为 -1;用到 Brotli 的服务和客户端升级到 1.0.10、1.1.1 或 1.2.1。
- 给 agent 配沙箱的工程师,今天就把出网改成默认拒绝、白名单放行,并禁止 agent 在下载目录、桌面这类目录里启动。
- 部署开放权重模型的团队,把非自训权重当作未签名二进制来管:隔离运行、记录所有工具调用、出网走代理审计;需要的话用 Cohere 公开的 trace 自己复核。
- 做 computer-use 或 RPA 的开发者,拿 20 个真实任务对比 GPT-6.1 Terra 与现用模型的成功率和每任务成本,长上下文任务把 272K 以上的加价算进去。
- 读 Anthropic S-1 时把净亏损和经营现金流分开看,X 上流传的算力承诺和估值数字在 S-1/A 补齐之前一律不引用。
- 对 OpenAI 的三项发现,研究者可以直接看公开的 Lean 文件;其他读者等专家组结论再转述,不要写成「已证明」。
- 安全团队试跑 Cloudflare 的 security-audit-skill,从一个有授权的内部仓库开始。
- 需要 30B 档可商用模型的团队,把 Nanbeige4.3-33B 拉进自己的评测集,按 dense 33B 准备显存。
