跳到正文

#Agent

今日 11 条
今天10月1日周四
  1. Google AI：DEV 作者专属（RSS）77

    腾讯 Hy4 preview 770B 以 Apache 2.0 开源，IQuest-Q1 320B MoE 每token仅激活 15B

    腾讯于 8 月 28 日发布 Hy4 preview 并以 Apache 2.0 开源，总参数 770B、每 token 激活 49B，78 层 MoE（256 个路由专家+1 个共享专家。

    推荐理由：原文把两个开源 MoE 模型的架构、许可和部署门槛并列对比，还提醒读者先看官方自述的已知限制再看跑分。

  6. Artificial Analysis 完整文章（网页）79

    Artificial Analysis 评测 Gemini 4 Argon：Google 重回智能前三

    Artificial Analysis 评测 Google DeepMind 新模型 Gemini 4 Argon，其在 Artificial Analysis Intelligence Index 得 53 分，追平 GPT-6 Astra（max），高于 GPT-6.1 Sol（52），为 Google 超 7 个月来首个高于 Flash 档的专有模型。

    推荐理由：第三方评测给出了智能指数、单位任务成本、幻觉率等多项横向数据，可用于比较 Gemini 4 Argon 与竞品的实际表现。

  7. Arena.ai78

    Arena 公布 Gemini 4 Argon (High) 在 Agent Arena 以 +7.92% 净改进分排名第 8，每任务成本 $0.62，重塑了 Pareto 前沿，比 Gemini 3.8 Flash (High) 高 4.96 个百分点。

    引用Arena.ai@arena

    Big news: Gemini 4 Argon (High) by @GoogleDeepMind just landed #1 in Text Arena with 1525 pts, and #8 in Code Arena: WebDev with 1679 pts! This release has reshaped the Text Arena Pareto frontier with a blended $8/MToken! Gemini 4 Argon (High) is now the most cost efficient model, see its placement on Pareto frontier below. In the Text Arena, Gemini 4 Argon (High) ranks #1 in Coding, Hard Prompts, Instruction Following, Longer Query, and Creative Writing. It also leads every occupational domain evaluated, with additional #1 spots in English, Non-English, Chinese, and Russian. This model is +20 points above the #2 ranked Claude Opus 4.6 (High), and a huge leap from Google’s previous release, Gemini 3.8 Flash (High) at #11! In Code Arena: WebDev, Gemini 4 Argon (High) gained +96 points from Gemini 3.8 Flash (High), and went from #29 to #8. Congrats to the @GoogleDeepMind team on this impressive frontier release!

    推荐理由：原文给出 Agent Arena 排名、关键信号得分和每任务成本数据，读者可以据此评估该模型在真实智能体任务中的性价比。

  8. Rohan Paul63

    Google 发布 Gemini 4 Argon，Sundar Pichai 称其在复杂工作流、网络防御和软件工程上表现前沿。

    引用Sundar Pichai@sundarpichai

    Lots of discussion out there about our next model(!), so I wanted to give an early look as soon as possible. Introducing Gemini 4 Argon! It shows frontier performance in complex workflows, cyber defense and software engineering. Teams are using it extensively at Google, from coding to quantum computing, great feedback. Here’s a look at the benchmarks:

  11. MiniMax (official)43

    基于 MiniMax H3 构建，@Creatify_Labs 的 Boreal-H3 是一款专为广告优化的视频模型，在更精准遵循创意简报的同时，保持产品和角色的一致性。 很高兴看到 MiniMax H3 成为更多面向特定行业的前沿模型的基础！✨

    引用Creatify Labs@Creatify_Labs

    Introducing Boreal-H3 — a video model built for ads and our next step toward recursive self-improvement in video generation. A good-looking video isn’t enough. The product has to stay the same. The actor has to stay the same. The label has to be right. And the action in the brief actually has to happen. So we post-trained MiniMax H3 specifically for advertising. But this isn’t a one-off SFT or LoRA fine-tune. We built a closed-loop system that learns what to improve next. Human-calibrated evaluation diagnoses failures and guides the next intervention: targeted data collection, reinforcement learning, or inference optimization. When the feedback is unreliable, we revise the evaluator or reward—not just the generator. Every experiment feeds into shared memory, informing the next training decision. The model improves, and so does the process that produces its successor. The results: → 85.3% reference fidelity — highest among the frontier video generation models we evaluated → Brief success: 28% → 50% → Identity match: 83% → 94% → Visible defects per clip: down 70% → Generation time and estimated cost: down 20% Boreal-H3 doesn’t just make better-looking video. It makes more usable ads. Credit to the @MiniMax_AI team for the foundation we’re building on. This launch is a checkpoint, not the finish line. We’re building more than a better video model. We’re building a system that learns how to make the next one better.

9月30日周三
  1. xAI：News（网页）64

    xAI 发布 grok-voice-think-fast-1.0 旗舰语音模型并开放 API

    xAI 发布旗舰语音模型 grok-voice-think-fast-1.0，可通过 API 使用。该模型面向客服、销售等复杂多步骤语音工作流，原生支持 25+ 种语言，在 τ-voice Bench 排行榜上排名第一。后台推理不影响响应延迟。该模型已为 Starlink 提供电话客服与销售：销售转化率 20%，客服自主解决率 70%，单个智能体使用 28 个工具。

    推荐理由：官方给出了基准成绩、多语言支持和 Starlink 实际运营数据，可帮助读者评估这款语音模型在真实客服场景的可用性。

  2. xAI：News（网页）62

    xAI 发布编码模型 grok-build-0.1，API 公测上线

    xAI 将编码模型 grok-build-0.1 以公开测试形式上线 xAI API，该模型专为智能体编码任务训练，支持 Web 开发、调试和 MCP，也是驱动 Grok Build 的同一模型。

    推荐理由：xAI 官方公告给出了 grok-build-0.1 的定位、速度、定价和适配工具，读者可据此评估是否接入自己的编码工作流。

  4. xAI：News（网页）68

    xAI 发布 Grok Voice Think Fast 2.0 语音模型

    xAI 发布 Grok Voice Think Fast 2.0，称其在 Artificial Analysis 语音到语音质量指数达 82.9%，高于上代 75.7% 及对比模型；出声延迟 0.70s，转录准确率较 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5–2.0×，推理 token 效率为上代 0.4×。

    推荐理由：原文给出 Artificial Analysis 对比数据和价格迁移细节，读者可据此评估它在语音智能体场景的替换成本。

  6. Prime Intellect（网页）71

    Prime Intellect 发布 106B MoE 模型 INTELLECT-3 并开源完整训练配方

    Prime Intellect 发布 INTELLECT-3，一个 106B 参数的 MoE 模型，在 GLM 4.5 Air 基座上经过 SFT 和大规模 RL 训练，在数学、代码、科学和推理基准上达到同规模最先进水平，超越许多更大的前沿模型，如 AIME24 90.8 分、AIME25 88.0 分、GPQA-Diamond 74.4 分。

    推荐理由：原文同时放出模型权重、训练框架和全部环境，读者可以看到大规模 RL 后训练的完整可复用配方。

  8. MiniMax：Blog（网页）75

    MiniMax 发布 M2.5 模型，SWE-Bench Verified 达 80.2%

    MiniMax 发布 MiniMax-M2.5，在 SWE-Bench Verified 得分 80.2%、Multi-SWE-Bench 51.3%、BrowseComp 76.3%，完成 SWE-Bench Verified 评测比 M2.1 快 37%，与 Claude Opus 4.6 的 22.9 分钟持平。

    推荐理由：官方公布了 M2.5 在编码、搜索和办公场景的成绩与价格细节，读者可以据此比较它与同类模型的性价比。

  9. MiniMax：Blog（网页）72

    MiniMax 发布 M2.7：SWE-Pro 得分 56.22%，展示模型自进化工作流

    MiniMax 发布 M2.7 模型，已在 MiniMax Agent 和 API 平台全面可用。该模型在 SWE-Pro 得分 56.22%（接近 Opus 4.6），VIBE-Pro 55.6%，Terminal Bench 2 57.0%，GDPval-AA ELO 1495 为开源模型最高，MM Claw 准确率 62.7%。

    推荐理由：官方给出了各基准的具体分数和自进化工作流细节，读者可以据此与同档模型做直接比较。

  10. LMSYS：Blog（Chatbot Arena 团队）72

    SGLang 和 Miles 实现 NVIDIA Nemotron 3 Ultra Day-0 支持

    SGLang 和 Miles 宣布对 NVIDIA Nemotron 3 Ultra 提供 Day-0 支持。该模型为开源 MoE 混合 Transformer-Mamba 架构，总参数 550B、激活 55B，上下文最长 1M tokens，支持 NVFP4 与 BF16 权重，面向长程自主智能体优化。

    推荐理由：原文给出架构、部署配置和 RL 训练细节，读者可以据此评估该模型在长程智能体场景的可用性。

  17. Liquid AI 模型与工程博客（网页）66

    Liquid AI 发布 LFM2.5-8B-A1B 端侧 MoE 模型，128K 上下文主打工具调用

    Liquid AI 发布 LFM2.5-8B-A1B 端侧 MoE 模型，上下文窗口从 32,768 扩展到 128K tokens，预训练从 12T 增至 38T tokens，词表翻倍到 128,000 以提升非拉丁文字的编码效率。

    推荐理由：官方详细给出上下文、训练管线和实测基准，读者可以据此评估这款端侧 MoE 模型是否适合本地 Agent 工作流。

  19. Liquid AI 模型与工程博客（网页）72

    Liquid AI 发布端侧智能体模型 LFM2.5-2.6B

    Liquid AI 发布 LFM2.5-2.6B，一个可完全在设备端运行的 2.6B 参数智能体模型，Base 与后训练版本已在 Hugging Face 开放。

    推荐理由：原文给出完整的四阶段后训练流程、多基准对比和 CPU 与手机端实测速度，读者可据此评估它对端侧 Agent 部署的适配度。

  24. Cursor Blog69

    Cursor 与 SpaceXAI 联合发布 Grok 4.6，聚焦长时程智能体任务

    Cursor 团队与 SpaceXAI 今日联合发布 Grok 4.6，基于 Grok 4.5 打造，专注于长时间运行的智能体、更复杂的交互与视觉工作。在 Artificial Analysis Intelligence Index 上它与 GPT-5.6 Sol 持平（61 分），训练上进行了更长时间的补充训练、重新生成的 SFT 轨迹和广泛的智能体 RL。

    推荐理由：原文给出训练方法、基准分数和定价细节，读者可以据此评估它在智能体编程场景中的定位。

  25. Cognition 模型 / Devin 博客（网页）65

    Cognition 发布 SWE-grep 和 SWE-grep-mini，用 RL 训练快速并行上下文检索模型

    Cognition 训练了 SWE-grep 和 SWE-grep-mini 两个快速智能体模型，专攻高度并行的上下文检索，检索能力匹敌前沿编码模型，耗时低一个数量级。

    推荐理由：官方公布了模型设计、RL 训练细节和评测数字，读者可以借此了解并行上下文检索的实现路径。

  26. Cognition 模型 / Devin 博客（网页）69

    Cognition 发布 SWE-1.5 编码模型，最高 950 tok/s 并登陆 Windsurf

    Cognition 发布面向软件工程的 SWE-1.5 模型，参数量为数千亿级，与 Cerebras 合作以最高 950 tok/s 推理，比 Haiku 4.5 快 6 倍、比 Sonnet 4.5 快 13 倍，现已在 Windsurf 上线。

    推荐理由：原文给出速度对比、SWE-Bench Pro 成绩和训练细节，读者可以据此评估这款高速编码模型是否改变现有工作流。