Genie 4:新一代世界模拟
实时交互世界模型首次原生同出画面、环境音与对话;Gemini Omni 锚定外观与行为,其他 Gemini 维持连贯,Gemini 3.8 Flash 在环拆目标并核对步骤。可信测试者先用,随后面向 Google AI Ultra 的 Project Genie 与 Gemini API / AI Studio 早期伙伴。
实时交互世界模型首次原生同出画面、环境音与对话;Gemini Omni 锚定外观与行为,其他 Gemini 维持连贯,Gemini 3.8 Flash 在环拆目标并核对步骤。可信测试者先用,随后面向 Google AI Ultra 的 Project Genie 与 Gemini API / AI Studio 早期伙伴。
103 个 task–skill 对上,同一套 skill 让 GPT-5.6-luna 升约 31.1 分,却让 Gemma-4-E4B 掉约 8.8 分;弱模型失败案例里约 86% 已违反 skill 里写明的要求。用固定元 skill 指导改写后,Kimi-K3 无执行证据即可把三个弱执行器抬高约 5.1–14.1 分。
内置 Google Cloud Vertex 提供方(model_provider="gcp"),模型目录加入 GPT-6.1 Terra;新配置默认 memory v2,并可导入外部 agent 记忆。对话中改 reasoning effort 默认开启,会话选择器加仓库过滤、命令中心按目录分组。
LFM3 开源权重家族、离线编码实测,以及 llama.cpp 接入 OCR 校验头。
约 2B 档六个开源权重模型共用 LFM3-1.7B-Base(约 22T token 预训练),覆盖文本/视觉/音频/omni 与两个决策模型;骨干为卷积 + 滑动窗注意力 + 全局注意力的 tri-hybrid,上下文提到 256K。
Thomson Reuters 工程师在断网环境下用 OpenCode + Ollama 跑 Qwen3.5 9B:先联网装好依赖与模型,再关 Wi-Fi,靠权限提示审 diff 并用项目自带 unittest 验收;示例把费用合计从「每次覆盖」改成累加后五测全过。
接入 MiniCPM-OCR-Jev:Qwen3.5-VL 躯干加 value head,在图像与 OCR 文本上打分、不生成正文;以 openbmb-minicpm-ocr-jev 决策类型经 POST /v1/systemone 提供,无 LM head 时拒绝文本生成。
窗内 b11913–b11925 多为日常/CI;有实质的是 b11928 接入 MiniCPM-OCR-Jev。Sentient OS 仅短帖、未核到可复现仓库,未单列。
领域 Skills 包、登录态复用抓取,以及多 agent 编排学习。
开源 Agent Skills,把生物信息/队列构建/脱敏等流程写成可问阈值的 playbook;BiomniBench 在技能覆盖的 5 项上 Genie Code 均分约从 71.9 提到 76.9,18 项域外任务大致持平。配对里自由文本队列 F1 约从 0.62 到 1.00;TEDDY 部署检查从 19/27 到 27/27。
浏览器登录并 persist Context 后,Fetch API 可带同一 contextId 复用 cookie 拉需登录页,响应可选 markdown / 原始 / 按 schema 抽 JSON;Fetch 不回写 cookie,过期需再开一次 persist 会话。对 2026-09-01 前保存的 Context 也要求先刷新一次。
主 agent 在动作空间里合成可执行工作流(串/并、信息交换、校验),只训练主 agent,子 agent 固定。Forced 模式下六项基准总准确率约 88.08%,同骨干 Qwen3.5-27B 上比最强对照高约 10.90 个百分点;分析称训练后更明确地使用、校验与 refinement 上游输出。
cloudflare/security-audit-skill 已于 10-22 报过,不重复。Codex memory v2 / 外部记忆导入见今日三条③。Grok Bot「记忆导入」仅短帖,见私密。
窗口内只列值得注意的条目,安静的产品略过。
Codex rust-v0.165.0 见今日三条,不在本栏重复。Qwen Code v0.26.2 以 managed-agent breaking 为主,未单列。gemini-cli nightly/preview 略。窗内 alpha 空说明未收。
日榜里设计 skill、终身辅导 agent 与 agentic 社媒调度。
nightly-labs/openbot 昨日已报,不重复。cloudflare/security-audit-skill 见 10-22。jailbreaks 仓库与本期选题不符未收。
工作 agent 的系统视角;Harness 可靠性基准见论文栏。
把 work agent 看成基础模型 + 运行时 harness,在有状态工作区交付可验证结果;用 work persistence 与 work openness 刻画条件,并按任务范围把数字工作分成五类,再归纳五族核心能力。目标是补上「如何可靠完成被委派工作」的统一视角。
Simon Willison GPT-6.1 Terra 博文为昨日三条后续,不重复占坑。GenXR-Bench 仅短帖,未展开。
长文档 OCR 与解析质检。
1.3B 文档解析模型,Real5-OmniDocBench 报 93.68,并称端到端效率约升 55%;同仓库 Jev(约 2B)给区域级 0–1 质量分,JevOCRBench AUROC×100 约 93.6。支持 vLLM/SGLang/llama.cpp/Ollama,Apache-2.0。
卡片标约 3B 参数;称引入 SR-SWA 做无限视界解析,并放出超长文档基准 MarathonDocBench,同步上到 ModelScope / 百度云。中文圈转述第一版长页时每 token 仍盯全页视觉导致越来越慢,第二版用 SR-SWA 缓解。
HF Daily 10-27:Harness 可靠性基准与机器人 harness。
TraceTrial-Bench 把 harness 可靠性拆成上下文/执行/治理/生命周期/可观测/工具/校验七块,95 个机制向任务;4 个 harness × 9 模型共 3420 次运行,宏均 harness 分约 59.8%–72.0%,另有约 31.1% 运行任务成功却至少一项 harness 准则失败。
BEHAVIOR Challenge 2025 上,挂 RoboHarness 的 Qwen3.8-Flash-Next 超过当时 SOTA VLA;作者主张不必先训动作头,给编码 agent 加视觉–几何控制面板即可调用具身任务,实现已开源。
按 HF submittedOnDailyAt=2026-10-27 收录;Skill Adaptation / DynaFlow 见今日三条与专栏。
销售 Shared Bot、10M 上下文新实验室模型,以及 Muse 合作加码。
SpaceXSI 销售用 Shared Bot 覆盖拓客、报价与成交审核:Account Intel / Quote / Deal 三角色共享技能与权限边界,敏感动作与对外沟通仍需人审;Deal Bot 在 Salesforce 留下决策、理由与 DRI。强调按用户权限执行并加速率限制。
从零预训练的编码向模型,上下文至多约 10M token(文内约合 23MB 代码);Ruler 单针检索 32K–10M 报 100%,但 Terminal Bench 4.0 仅约 6.1%(对照表中 Opus 5.5 约 66.4%)。称单人+agent 写代码、公共数据、总计算含实验约 <$10M;早期访问、未公布开放权重。
双方扩大 Muse 及系列模型上的推理/训练协作,并考虑 OpenShell 参考架构(安全部署)与 Sentry(监控 agent 行为);Meta 侧同时扩大 Vera Rubin 与 Vera CPU、Spectrum-X / BlueField-4 部署。新闻稿强调改善性能与总拥有成本。
Genie 4 / Skill Adaptation / Codex 0.165 见今日三条。Terra、学术三项、Meta 950 亿、Hy-SimulMT 见昨日。