衡量 AI 智能体如何处理日常湿实验室科学
与 Ligo 合做的 BioBasicsBench 共 100 题,覆盖蛋白/成像流式/定量/核酸/克隆,用原始凝胶与显微读数按量规给分,并测「证据不足则不下结论」。七模型 37 档共 1.85 万次:xhigh 下 Astra 66.7%、GPT-5.6 Sol 43.8%;对照误判与菌落计数仍易翻车。
与 Ligo 合做的 BioBasicsBench 共 100 题,覆盖蛋白/成像流式/定量/核酸/克隆,用原始凝胶与显微读数按量规给分,并测「证据不足则不下结论」。七模型 37 档共 1.85 万次:xhigh 下 Astra 66.7%、GPT-5.6 Sol 43.8%;对照误判与菌落计数仍易翻车。
Muse 上线 spaces:用自然语言描述想法即可生成常驻自定义体验(礼物追踪、日程看板、DIY 规划等),可放侧栏/主标签、按时段显隐;接上常用应用后会在后台自更新(演出档期、价格变动等)。即日起在 Muse 可用地区全开,并探索空间分享协作。
MNN-Pocket 手机原生小模型;Underdog 浏览器离线 TTS;llama.cpp 补 Kimi-K3.1-Pro。
约 3 亿参数、INT4 部署包 173MB;iPhone 18 Pro 经 MNN 离线解码约 350 tok/s。iPad Pro M5 上 Prefill 8721、Decode 466 tok/s(约为同条件 Qwen3-0.6B 的 1.63 倍),峰值 Metal 内存增量 228MB(对方 427MB/包体 340MB);设计目标含峰值内存 <300MB、解码 >200 tok/s。
开源 TTS「Woof」约 31.7MB、3100 万参数,浏览器离线可跑并配复古主题打字出声演示;同厂此前有端侧 STT,另有排队中的本地助手应用叙事,强调设备端私有 AI。
Kimi-K3.1-Pro 文本权重可进本机构建:93 层里 24 层带 lightning indexer(DSA),其余 KDA/残差/MoE 仍走 K3 图与转换器;indexer 用整段 cache 上的加性掩码复用已有稀疏 flash,而不是另抽 top-k 行。
日常 llama.cpp b 号仅保留含新模型支持的一条。
Claude dreaming 整理记忆;Amp / Muse 两侧 spaces;Inkling 2 Small 长程 agent。
记忆拆成会话内显著性笔记与离线 dreaming:对 transcript 纠错、建 wiki、提升预载层。Pokémon 例中纠错方位后才过 Mt. Moon;Stainless 语料 dreaming 2→128 轮,25 问约 13%→48%。Frontier 模型更宜自由判断显著性,而非「只记失败」。
space 是与单个 agent 的会话,由它生成并协调其他线程,用户不必自己开帖组织。内部用同一 space 做功能共建、上线值守与安全审查(曾拆成 16 个区域并行审),团队讨论也常搬进 space 而非另开 Slack。
594B/激活 17B 的 MoE,支持图像与 variable effort;AA Intelligence Index 自报约 31。先经 Tinker 专有提供,安全外测后拟 Apache 2.0 放权重。强调长程 agentic coding / autoresearch;Code Arena WebDev 等榜单在窗内继续被引用。
google/skills 昨日报过未重复;Muse Active Memory 并入 Spaces 相关链接。
Claude Code 网关/auto mode 与 MCP task;Qwen Code Skills 安装激活。
MCP 工具一旦被服务端标成 task,终端会立刻丢到后台并在结束时回灌结果;同时在无遥测/LLM 网关场景,auto mode 对「服务端核不过」的调用只问或拒,不再掉回内置分类器(可用 `CLAUDE_CODE_AUTO_MODE_SERVER=0` 保旧路径)。
一次请求可启停 1–100 个用户 Skill(带偏好落盘与传播状态),大 ZIP 改走磁盘安装并带失败回执与备份保护;TypeScript SDK / WebShell 补上传入口。Web Shell 另修标题重建丢字、草稿被上下键清掉、批量删会话分页等,无宣称破坏性变更。
Codex rust-v0.169.0-alpha.2 发布说明几乎为空,未展开。
今日无重要更新(日榜非 AI 主线未收;security-audit-skill / hallmark / openbot 此前已报,无增量后续)。
vLLM 对齐内核后的异步 REINFORCE Zero;Hy4 扩容与 APEX 后续。
对齐内核后的异步 REINFORCE Zero 在 16 卡上相对同步拿到 2.40× 训练步吞吐,并可在滞后 64、约 2 万次更新下保持稳定;同设定标准内核 IS 的 KL 中位涨约 83×、AIME24 从 34% 掉到 14%。DeepSeek-V4.1-Flash / Kimi K3.1(含 MI355X)已做到逐 token 零失配。
WorkBuddy 接入后首日大量触顶,腾讯称已对 Hy4 推理集群十倍扩容并提高免费额度。Agent Arena 总榜约第 13、开源模型第一;AA 智能指数称中国模型第二(次于 Kimi K3.1 Pro)、单任务约 0.78 美元。混元官号另称 Mercor APEX-Agents 开源权重榜 Pass@1 77.6%。
Cursor Live Apps 仅见聚合转述、无官网原文,未展开。
OpenRouter 新一代 Auto / Auto Code;十月用量里 agent 占八成。
10 月跑了 790T token(环比 +37%、相对 1 月约 25×);agentic 密钥约占全站 76% 流量。开源权重付费份额在闭源新模型当周承压后,主要靠 DeepSeek V4.1 Flash 等回升;自 5 月起 Z.ai 月度 token 约增 20×、DeepSeek 约 12×。
Nace Drex 仅见聚合短帖、无原技术报告页,未展开。
检索嵌入干扰;视觉规划加速偏机器人未展开。
标准检索与长上下文基准上相对微调基线有稳定提升;做法是给嵌入模型加可训练 `[DUMP]` 前缀位去吸低信息残差(含 attention sink 痕迹),架构、池化与对比损失不动,并观察到低信息 token 的激活/注意力分布随之变。
VFlash(2611.08449)偏具身视觉规划,与本栏主线弱相关,未收。
METR 量化 Anthropic 研发加速;工信部智能体终端;Ling-3.2-flash;安全框架与 Remix。
METR 在 Anthropic 做约 11 周高权限评估后估计:截至 2026-10,其对明确任务的能力改进速度约是 2024-03 至 2025-10 的 2 倍(AECI 自 2025-10 起约 1.9×,95% 区间 1.5–2.8×);约八成现时加速归因于自用 AI,并排除训练算力增速加快,但多数关键证据被 Anthropic 遮蔽。
四件事:上架前提交适配验证并公示机型;预置智能体的手机/平板/可穿戴纳入进网检测与唯一身份码;OTA 先报方案、结束后交报告经评估才可正式服务;分发平台公示适配列表,未签名同意不得被智能体强制调用。
原生多模态 Ling-3.2-flash:560B 总参、约 25B 激活、1M 上下文,强化视觉与多模态长程 Agent。官方称 OmniDocBench1.5 / ZEROBench(Sub) / Vision2Web 三项超 Claude Opus 5(max);API 输入 $0.30、输出 $0.90/百万词元,前两周限免。
FMF 发布越狱评级框架 1.0:按能力增益、能力范围、部署难度、发现难度四维比较成功网络越狱的相对风险,并开放意见征集;OpenAI 联同 AWS、Anthropic、Google DeepMind、Microsoft 等成员背书,意在统一口径并优先加固高危绕过。
BioBasicsBench / 融资首批 / Muse Spaces 见三条;记忆 dreaming、Amp spaces、Inkling、MNN-Pocket、vLLM 异步 RL、OpenRouter Auto 见专栏/工程/基建;METR≈2×、工信部智能体终端、Ling-3.2-flash、FMF/Hacktron、Remix 与 Hy4 后续见本栏。google/skills 与 Muse 语音昨日报过未重复。