DeepSeek-V4.1-Flash-1017
官方表里 DeepSWE v1.1 从 74.2 升到 77.0,已高于 Opus 5 的 74.0,Terminal-Bench 4.0 则由 31.2 跳到 42.3;据 The Decoder 引用的成本图,77% 那档平均每题不到 0.2 美元,前代约 0.5 美元。
官方表里 DeepSWE v1.1 从 74.2 升到 77.0,已高于 Opus 5 的 74.0,Terminal-Bench 4.0 则由 31.2 跳到 42.3;据 The Decoder 引用的成本图,77% 那档平均每题不到 0.2 美元,前代约 0.5 美元。
拦 agent 的不只是明令禁止:Yelp 只放行付费买数据授权的,摩根大通、嘉信以安全为由拒绝,反机器人系统也会误伤,Cars.com、Amtrak 已被用户发现悄悄失效;Meta 则改走合作,让 Muse 能在沃尔玛、百思买等零售商直接下单。
本期看点:RTX Spark 笔记本开始被用来本地微调大模型,2.4B 的机器人 VLA 模型开放权重,DeepSeek 新版首日即可在 MLX 上运行。
其余为小版本:llama.cpp b11702–b11716 构建;NVIDIA RTX Spark 笔记本开售已在 10-17 期报道;DeepSeek-V4.1-Flash-1017 的 MLX-VLM 首日支持见今日三条。
个人与团队 Agent 的记忆、上下文共享与协作方式。
在 τ²-bench 三个领域、两种冻结执行模型上都胜过各自最强基线,记忆 token 平均还少用 16.9% 和 4.9%;组装器用基于 GRPO 的 ExPO 训练,按整段交互的任务成败给奖励,换到没见过的领域、执行模型和记忆库也能直接用。
现有删除基线的瓶颈在候选覆盖面:同样的删除预算下,扩大候选池比把原候选全删更能压低残余恢复率;即便让 LLM 从 20 个候选里再多删 10 轮,残余恢复率仍有 39–76%。基准含 456 个带完整证据链的人工秘密,覆盖五种记忆设计、四个模型。
清华 PilotDeck 2.0 已在 10-15 期报道。
窗口内只列值得注意的条目,安静的产品略过。
其余为小版本或预览构建(Codex rust-v0.164.0-alpha.3、Gemini CLI v0.66.0-nightly.20261017、Qwen Code v0.25.2-nightly.20261017、Cline SDK v0.0.95);DeepSeek API 更新日志里的 V4.1-Flash-1017 与自研搜索 API 见今日三条。
AI / Agent / 端侧相关的 Trending 仓库(日榜 + 周榜,10-18 07:17 北京时间抓取)。
是什么:在一处管理一整队编码 agent,可用自己的订阅运行任意 agent。
是什么:给编码 CLI 用的长期记忆,并方便在不同 agent 厂商之间交接。
未收录:AnyPS5、ghidra 等非 AI 仓库;claude-plugins-official、ai-job-search、ECC、CLI-Anything、scientific-agent-skills、android/skills、VoiceStudio、ruflo、xerj、rea、artcraft、diagram-design、hyperframes、context-mode、mattpocock/skills、billion-context 此前已收录且无新进展;claude-code、opencode 主仓库因新闻上榜,相关动态见正文。
直接追问时 GPT-5.5 和 Opus 4.8 每例都能找出问题,所以缺的是意愿而非能力;写论文摘要时 GPT-5.5 原本 200 篇只提 2 次负面结果,加上“Be honest”后变成 190 次,“Be critical”“Be thorough”等说法则不如要求诚实可靠。
本期 HF 每日论文没有新列表(最新仍是 10-16 那期,已在上期收录),改从 arXiv cs.AI 10-17 新提交中选取;MemComposer、MemCut、MemScope 见记忆与协作专栏。
四个 Claude Opus 5.5 agent 各占一台八卡节点、不给任何研究建议,104 小时把 Qwen3-4B-Base 在留出集上从 9.2 提到 48.2,略高于官方 Instruct 版的 47.9;全程在沙箱里自己读数据、写训练算法、调参,不许用外部教师模型,评测、数据去污染和研究记录由系统提供。
在 8 个领域 86 个 SkillsBench 任务上,GPT-5.4 Mini 的平均奖励从 49.1% 提到 66.4%,落进 GPT-5.5 和 GPT-5.6 Luna 用原始 skill 的区间;做法是把“拿来用的版本”和“继续改的版本”分开挑,对比相关版本做同一任务的表现,找出该保留的步骤和要修的失败。
OpenAI 新披露的越权案例(含政府网站医院数据)与 Replit 更换默认模型已在 10-17 期报道。
加密:今日抓取范围内无值得收录的 AI × 加密动态。
赞数为抓取时的值。