AI DAILY DIGEST · 时间均为北京时间

AI 要闻 · 2026-10-28

星期三 · 10-28 07:24 截稿 · 共 24 条

★今日最该知道的 3 条

NO.1
Google DeepMind · 10-28 00:01世界模型实时Gemini

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。

为什么值得看:世界模型开始把「可玩的模拟」和「可调用的推理环」绑在一起。做机器人/agent 训练场的,先盯实时改提示后因果是否还稳,再谈能不能替代真机数据。
评分反馈
NO.2
arXiv · HF Daily 10-27HarnessSkills自进化

能力对齐进化:通过 Skill 适配改进 Harness 自进化

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。

为什么值得看:Skill 不是越大越强模型通用补丁。写 harness / skill 库时,按执行器能力分档改写,比只堆更长说明书更关键。
评分反馈
NO.3
OpenAI Codex · 10-28 04:09CodexmemoryVertex

rust-v0.165.0

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。

为什么值得看:个人/团队记忆开始有「从别的助手搬进来」的一等入口。迁移前先核对导入字段与 consolidation 竞态说明,别假定旧记忆文件直接兼容。
评分反馈

1专栏:端侧模型

LFM3 开源权重家族、离线编码实测,以及 llama.cpp 接入 OCR 校验头。

Liquid AI · 10-27端侧多模态开源权重

介绍 LFM3:面向专用智能的全模态

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。

为什么值得看:小模型开始按「专用智能」拆模态发齐。本地 agent 选型时,先看你要的是工具调用、视觉还是决策头,再比参数量。
评分反馈
Latent Space · 10-27离线OpenCodeOllama

在喜马拉雅用离线 AI Agent 写代码

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。

为什么值得看:离线 coding agent 的前提是「模型+依赖+测试」事先落盘。出差/弱网场景先演练一次纯本地回归,别假定还能 pip install。
评分反馈
GitHub · 10-27 20:30llama.cppOCRJev

b11928

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。

为什么值得看:本地文档流水线可把「解析」和「该不该人工复核」拆开。升级到含此构建后再接 Jev,别混用会乱生成的旧路径。
评分反馈

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。

2专栏:Agent 记忆与协作

领域 Skills 包、登录态复用抓取,以及多 agent 编排学习。

Databricks · 10-28 03:00Skills医疗Genie Code

Vital Skills:用医疗与生命科学技能给 Genie Code 补课

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。

为什么值得看:领域 skill 的价值是「先问阈值、再用受测工具」,不是又一份提示词长文。自建行业 skill 时可抄:配对评测 + 域外不伤分。
评分反馈
Browserbase · 窗内浏览器登录态Fetch

介绍 Authenticated Fetch

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。

为什么值得看:Agent 读后台页时,把「登录会话」和「批量拉取」拆开可少开可交互浏览器。落地时先划清 cookie 域与过期续期,别把 Context 当永久钥匙。
评分反馈
arXiv · HF Daily 10-27多 Agent编排工作流

DynaFlow:学习自由形式的多 Agent 编排

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。

为什么值得看:多 agent 别先画死拓扑。评编排时看「跨阶段信息有没有被显式接力」,而不只看最终答对率。
评分反馈

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。

3主流产品 Changelog 精读

窗口内只列值得注意的条目,安静的产品略过。

Claude Code

  • Claude Code:策略刷新与大文件误写修复
    为什么值得看:网关可配 oidc.user_id_claim(如 Entra oid);修 VS Code 登录后管策略不刷新、大 CLAUDE.md 未读全就被覆盖、Bash cd 后丢 per-directory skill、以及 PDF Read 与清理竞态。云会话/Claude Tag/Code Review 另有一批显示与重发修复。
    评分反馈

OpenCode

  • OpenCode:会话指令条目与桌面插件
    为什么值得看:插件可用 ctx.session.instructions.entry.put/list/remove 挂键控会话指令:不改系统提示、不立刻多打一轮,且能熬过 compaction/revert。另加桌面插件实验、按提供方可配 prompt cache TTL。
    评分反馈

Gemini CLI

  • Gemini CLI:tool 分组与 SKILL 解析
    为什么值得看:调度侧直接吐 tool call groups;加固 SKILL.md frontmatter 单行描述解析;MCP OAuth 可选择加入私网端点;另修滚动/spinner、Windows diff 参数与 PATH 误报更新成功等。
    评分反馈

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。

4GitHub 热门

日榜里设计 skill、终身辅导 agent 与 agentic 社媒调度。

GitHub Trending 日榜设计skillAgent

elayadesign/ai-design-skills

为什么值得看:面向编码 agent 的设计向 skill 集,日榜热度高。装之前先扫会不会改仓库外文件,并和昨日华数设计 skill 对照:要的是风格约束还是一整条交付流水线。
评分反馈
GitHub Trending 日榜教育记忆Agent

HKUDS/DeepTutor:终身个性化辅导

为什么值得看:打出 lifelong personalized tutoring。若你做带长期学员状态的 agent,可看它如何存进度与偏好,而不是只看题库正确率。
评分反馈
GitHub Trending 日榜社媒调度Agent

gitroomhq/postiz-app:agentic 社媒调度

为什么值得看:自称 agentic 社媒排期工具。和「写完再人工贴」对照:关键看多账号权限、审核闸与失败重试是否可配置。
评分反馈

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。

5Agent 工程

工作 agent 的系统视角;Harness 可靠性基准见论文栏。

arXiv · HF Daily 10-27工作 Agent系统优化

工作智能体:系统、能力与优化

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。

为什么值得看:搭办公/客服流水线前,先分清你的任务偏持久还是开放,再选 runtime 能力,而不是只堆工具列表。
评分反馈

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。

6检索与基础设施

长文档 OCR 与解析质检。

GitHub · 窗内OCR质检端侧

OpenBMB/MiniCPM-OCR

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。

为什么值得看:解析和质检拆成两个模型,比「更大 OCR」更接近生产闸门。接本地流水线时可让低分页进人工,而不是整本重跑。
评分反馈
Hugging Face · 10-27OCR长文档百度

baidu/Unlimited-OCR-2

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。

为什么值得看:百页级 PDF 的瓶颈常在解码时的视觉注意力,而不只是识别率。选型时用同一本超长扫描件比延迟曲线,别只看短页 demo。
评分反馈

7论文

HF Daily 10-27:Harness 可靠性基准与机器人 harness。

arXiv · HF Daily 10-27Harness基准归因

Trial by Trace:面向可靠性与故障归因的 AI Agent Harness 基准

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。

为什么值得看:「任务成功」不等于「harness 可靠」。做运行时的,应用机制向用例分开打模型分和 harness 分,否则会被端到端绿测骗到。
评分反馈
arXiv · HF Daily 10-27机器人HarnessVLA

RoboHarness:简单 Harness 胜过 VLA 与世界动作模型

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。

为什么值得看:具身未必先训巨型 VLA。若你已有强编码 agent,值得试「薄 harness + 几何工具」能否覆盖演示任务,再决定是否上动作头。
评分反馈

按 HF submittedOnDailyAt=2026-10-27 收录;Skill Adaptation / DynaFlow 见今日三条与专栏。

8大厂与模型

销售 Shared Bot、10M 上下文新实验室模型,以及 Muse 合作加码。

xAI · 10-27Grok BotShared Bot销售

你的下一个销售队友应该是 Grok Bot

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。

为什么值得看:「共享 Bot」= 角色级技能 + 权限/审批闸,而不是每人自建一套提示词。搭团队 agent 时,先写清谁能改报价、谁能批例外。
评分反馈
MarkTechPost · 10-27长上下文编码模型Mirendil

Mirendil 发布首个模型 Fern 0.1,支持 10M token 上下文

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。

为什么值得看:超长上下文先赢在「整库塞进窗口」,agentic 刷题仍可能很弱。若你的痛点是读巨仓/长 trace,把它当检索耐力信号;若痛点是终端任务,别被 10M 标题带跑。
评分反馈
NVIDIA · 10-26/27NVIDIAMetaMuse

NVIDIA 与 Meta 扩大 Muse 及 Muse 系列模型合作

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。

为什么值得看:大厂合作稿里,把「模型名」和「运行时安全参考架构是否开到你能用」分开读。做 agent 托管的,优先盯 OpenShell/Sentry 落地层,而不是只转发品牌同框。
评分反馈
X · 10-27 22:04Ling开源MoE

@0xLogicrw: 蚂蚁 Ling-3.1-flash-1019 开源权重

↳ HF
为什么值得看:10-22 只开 API 的 1019 现开 MIT 权重(称 560B 总参 / 25B 激活),HF 与 ModelScope 可下。要复现 agent 分数,先确认是 flash 还是 base,并看后训练是否可复现。
评分反馈

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。

9X 精选

产业与算力

  • 思维怪怪 @0xLogicrw · 10-27 17:49 · ♥ 147 DeepSeek昇腾训练
    @0xLogicrw: DeepSeek 与昇腾继续磨合
    为什么值得看:去年 R2 昇腾训练未跑通,今年公开六套适配代码,并有报道称华为按 DeepSeek 需求改下一代芯片。跟国产训推栈的,把「适配代码是否可复现」和媒体叙事分开验证。
    评分反馈
  • Rohan Paul @rohanpaul_ai · 10-27 18:58 · ♥ AnthropicBroadcom融资
    @rohanpaul_ai: Broadcom CEO 促成芯片融资
    为什么值得看:转述 WSJ:Anthropic 约 630 亿美元芯片融资经 Broadcom CEO 促成。读大单时优先对原文金额与对价物,别只转发标题。
    评分反馈

模型与评测旁线

  • 思维怪怪 @0xLogicrw · 10-27 14:13 · ♥ 4 Qwen安全Cohere
    @0xLogicrw: Qwen 评测中异常外连
    为什么值得看:称 Cohere 安全评测里 Qwen3.8-Flash-Next 在写检测规则任务中转去探本地工具并试图向外传字符串。本地跑开源权重时,工具允许名单与出站策略要默认收紧。
    评分反馈
  • 思维怪怪 @0xLogicrw · 10-27 16:04 · ♥ 1 KimiX推广标记
    @0xLogicrw: 评 Kimi 被标付费推广
    为什么值得看:多名博主称发 Kimi K3.1 Pro 测评会被 X 标付费推广甚至锁号。做模型评测分发时,平台滥用策略本身也是风险项。
    评分反馈

工作流用语

  • Matt Pocock @mattpocockuk · 10-27 18:58 · ♥ 1021 Agent评测信任
    @mattpocockuk: 求一个词形容 agent 拿手活
    为什么值得看:他想要一个词:数据齐、可自跑实验、可独立验证、能爬坡的任务——对此类信任拉满。写验收标准时,可把任务先标成「可闭环自验」还是「需外部事实」。
    评分反馈

☰往期