田渊栋新公司首模型 Flint：400 亿参数在 MacBook 跑 125 tok/s【AI 早报 2026-10-23】
田渊栋参与创办的 Recursive SI 交出首个模型：400 亿参数 MoE 编程模型 Flint-40B-A2B，由自动化研究系统全程参与、不到 4 个月从零完成，权重以 Apache 2.0 开源。同日 OpenAI 披露 GPT-5.6 协助发现的 PHP 两个 CVSS 9.2 漏洞，9 个大模型在 A 股量化基准上半数亏钱。
今日概览
要闻
- 田渊栋新公司首个模型 Flint：400 亿参数 MoE，MacBook 上 125 tok/s
- GPT-5.6 协助挖出 PHP 两个 CVSS 9.2 漏洞，69.3% 网站语言受影响
- Quant Arena 实测 9 个大模型做 A 股：半数亏钱，最高年化 10.7% 仍跑输 17.1% 基准
- RoboColiseum 机器人测评：Claude Opus 5.5 以 76.28 分险胜 GPT-6 Astra
开发生态
- Google 开源 TorchTPU：PyTorch 应用改一处配置即可跑在 TPU 上
- Anthropic 把 Agent Skills 标准捐给 Linux 基金会旗下 AAIF
- GitHub Copilot 支持委派代码评审审批，可代队友批准常规 PR
- Ollama 支持 Apple Silicon 本地语音合成，ollama run 直接朗读回复
- GitHub Copilot 全球默认策略开始生效，10 月 26 日前完成铺开
产品应用
- Anthropic 推出 Claude Duet：跨 6000+ 应用主动执行业务任务
- NVIDIA 发布 Minerva：面向十万级 GPU 的 AI 工厂可观测平台
- JetBrains Air Governance 正式可用：统一管理 AI Agent、权限与花费
- SageMaker AI 上线 Training Sessions：不碰 GPU 也能写自定义 RL 训练循环
技术与洞察
- 唐杰团队开源 HarnessPro：Agent 自我进化通过率 +2.0 个百分点、单任务成本降 26.1%
- DeepSeek V4.1 Flash Agentic RL 实操：两机 SGLang 部署与 dp attention 两个隐藏 bug
- OpenAI 用近 2000 个 AI 代理分析小鼠脑数据，32 分钟给出线索
行业动态
- Pigment 完成 2.5 亿美元 E 轮，估值 23 亿美元，ARR 超 1 亿美元
前瞻与传闻
- Gemini 4 Carbon 现身 LMArena 盲测：3D 生成更强但慢 2 至 4 倍
要闻
田渊栋新公司首个模型 Flint：400 亿参数 MoE，MacBook 上 125 tok/s
Recursive SI 自今年 5 月正式官宣以来发布首个模型成果 Flint-40B-A2B，这是一款面向本地硬件运行的智能体编程模型。它是混合专家（MoE）架构，总参数量 400 亿，每生成一个 Token 只激活 25 亿参数；由公司自研的自动化研究系统 Eureka Machine 全程参与打造，覆盖数据处理、训练方案、基础设施与推理优化等几乎所有环节，在少量员工加 AI 智能体的组合下不到 4 个月从零完成。在 SWE-Bench Pro v2、Terminal-Bench 2.1 和 SWE-Bench Verified 上，Flint 成绩超过总参数量低于 500 亿的其他 MoE 模型，编程能力与 250 亿至 400 亿参数的稠密模型相当，运行速度却快 5 倍以上。推理侧做了专门优化：短上下文下在 M4 Pro 芯片的 MacBook Pro 上生成速度超过每秒 125 个 Token，在配备 64GB 内存的 NVIDIA RTX Spark 上超过每秒 150 个 Token，相比同类模型最高提升 2 倍；有开发者在 64GB 内存的 MacBook Pro M5 Max 上实测为每秒 114 至 132 个 Token。模型权重已在 Hugging Face 以 Apache 2.0 许可证开放，可本地运行、数据不出设备，也可按需微调，并兼容 llama.cpp、Ollama、Unsloth、LM Studio、vLLM 与 SGLang。配套开源的轻量推理引擎 rec 针对 M4 Pro 与 M5 Pro/Max 芯片优化，提供简化配置流程。
来源：https://mp.weixin.qq.com/s/sOi-8uNbHUDzlhNSOBWg2g
GPT-5.6 协助挖出 PHP 两个 CVSS 9.2 漏洞，69.3% 网站语言受影响
OpenAI 公开了一起漏洞协作处置：GPT-5.6 Sol 参与从 PHP 引擎中发现两个高危漏洞，合称 PHP2Shell，CVSS 危险评分均为 9.2（满分 10）。漏洞后果是远程代码执行（RCE），在受影响的部署中攻击者无需账号密码即可让服务器执行恶意代码；Wiz 用当时最新的 WordPress、Drupal、Joomla 镜像搭建测试环境，复现了无需登录的远程攻击，并验证了从内存读取密码、令牌与 API 密钥的路径，某些 Apache 与 mod_php 部署中攻击甚至在网站自身程序启动前就能发生。影响面来自使用规模：W3Techs 可识别服务端语言的网站中，69.3% 使用 PHP。漏洞由 Calif 借助 GPT 发现、Wiz 独立发现，PHP 维护者主导修复，OpenAI 协调各方，双方秘密协作两个月，期间改动了 PHP 引擎的内存管理机制。保密在最后 48 小时失效：漏洞消息先泄露，补丁提前一天上线，攻击演示视频流出后修复镜像提前公开，首波真实攻击在补丁普及前已经出现。荷兰国家网络安全中心在 10 月 21 日选择先关站等修复，日本财务省也暂停了官网部分内容与服务。OpenAI 表示另有几项重大漏洞仍在排队修复中。
来源：https://mp.weixin.qq.com/s/-n9cNqd6XDIMoLIhWimo2A
Quant Arena 实测 9 个大模型做 A 股：半数亏钱，最高年化 10.7% 仍跑输 17.1% 基准
EinsiaAI 旗下 Navers Lab 团队发布 Quant Arena（论文 arXiv 2610.30113），把 6 家厂商的 9 个模型放进 A 股真实历史数据，跑完从策略生成到反馈迭代的整轮研究。数据覆盖 3042 只 A 股，包含日频行情与原始 Level-2 报价、委托和成交；研究期为 2022—2023 年，最多允许 5 次候选评估，研究结束后冻结一个策略，交给 2024 年封存行情只评一次，评估反馈不回流给模型。评估器按评分构建目标为 75 只股票的等权多头组合、按整手成交，交易成本与市场冲击计入现金账户。2024 年结果：GPT-6 Astra 年化 10.7%、GPT-6 Sol 8.6%、GPT-5.6 Terra 8.4%、Claude Opus 5.5 4.4%；Claude Sonnet 5.5 为 −12.2%、Gemini 3.8 Flash −2.9%、DeepSeek V4.1 Flash −5.7%、Kimi K3 −8.5%、GLM-5.3 −7.8%，9 个代表策略中 5 个亏本，且无一跑赢 17.1% 的券池等权基准。风险维度排序又不同：GPT-6 Astra 最大回撤 −6.8%、GPT-6 Sol −2.8%，而 Claude Opus 5.5 与 Kimi K3 分别为 −32.7% 和 −36.4%；Sharpe 上 GPT-6 Sol 为 1.89、GPT-6 Astra 为 0.86。研究还发现预测精度与收益脱节：Gemini 3.8 Flash 的 RankIC 为 0.045 但年化 −2.9%，GLM-5.3 的 RankIC 0.046 对应 −7.8%，Claude Opus 5.5 的 RankIC 仅 −0.002 却做出 4.4% 正收益；按日信号分 10 组后，9 个策略中有 7 个最高分组收益低于全样本均值，平均每天落后约 10bp。
来源：https://mp.weixin.qq.com/s/IREBxIiJmch_QiU4UKhYPw
RoboColiseum 机器人测评：Claude Opus 5.5 以 76.28 分险胜 GPT-6 Astra
10 月 20 日，具身智能评测平台 RoboColiseum 发布智能体操控机器人的实测报告：四款参评多模态模型中，Claude Opus 5.5 以 76.28 分居首，GPT-6 Astra 以 75.99 分紧随，两者仅差 0.29 分；GPT-6.1 Sol 为 70.91 分、Gemini 4 Argon 为 66.86 分。不过在官方总榜上，前两名仍属专业具身策略模型，Paimon 取得 77.54 分、HiDream-O1-Embodied 取得 76.92 分，均高于 Opus 与 Astra。能力分布并不一致：Astra、Sol、Opus 在指令跟随与空间理解两个维度上超过表内得分最高的策略模型，但在通用操作上四款多模态模型全部落后。报告用案例说明差距来源：原始指令下 GPT-6 Astra 抓锅姿态不协调，补充明确的抓取与交互指导后改为对准锅柄、双手抓取并稳定持锅；圆形积木在调整姿态后完成入孔，但手机充电场景中连接头未能对准充电口、插接失败。RoboColiseum 于 2026 年 8 月 14 日上线，已推出指令跟随、空间理解、扰动适应与通用操作四类子榜，共 78 个高保真仿真任务，内测以来有海内外 100 多支队伍在平台上训练与评测。
来源：https://mp.weixin.qq.com/s/7yWLwFnBUxiLrKH_TehcMg
开发生态
Google 开源 TorchTPU：PyTorch 应用改一处配置即可跑在 TPU 上
Google 把 TorchTPU 以开源项目形式放出，这是 PyTorch 的 TPU 版本，目标是让 AI 应用不必绑死在 Nvidia GPU 上。开发者只需改动一处配置，就能让原本基于 PyTorch 的应用跑在 Google 的张量处理单元（TPU）上，并迁移到 Google Cloud，不需要重写代码。PyTorch 由 Meta 在 2016 年开发，后移交 Linux 基金会，其大量特性当年是围绕 Nvidia GPU 设计的。Google 表示与 Meta、Hugging Face、Inferact、RadixArk 合作保证与主流 AI 工具兼容，同时推出 TPU agent 套件帮助迁移与排查问题，并更新 LiteRT 以更好支持 PyTorch 应用在手机、笔记本与嵌入式设备上运行。此举与 Amazon 此前发布的 TorchNeuron 形成同一路线：后者让 AI 应用跑在 Trainium 芯片与 AWS 上，Amazon 还向 PyTorch 主项目贡献代码，把相关特性与 Nvidia 硬件解耦。
Anthropic 把 Agent Skills 标准捐给 Linux 基金会旗下 AAIF
Anthropic 宣布将 Agent Skills 标准捐赠给 Linux 基金会下的 Agentic AI Foundation（AAIF），并表示会继续保持该标准的开放、社区驱动与厂商中立。Agent Skills 此前由 Anthropic 提出，用于把可复用的能力封装成智能体可调用的技能模块。捐赠后标准的治理权从单一厂商转移到基金会，与 MCP 等智能体基础设施的开放路径一致。
来源：https://simonwillison.net/2026/Oct/22/donating-agent-skills/
GitHub Copilot 支持委派代码评审审批，可代队友批准常规 PR
GitHub 推出委派式代码评审审批（delegated code review approvals）：在获得授权的前提下，Copilot 可以评估常规的 pull request 并给出审批结果，不必等待队友人工过审。该能力针对的是流程中最容易阻塞节奏的环节——一个例行 PR 只为拿到批准而排队。团队仍可保留人工审批路径，按需决定哪些变更交由 Copilot 处理。
来源：https://www.youtube.com/shorts/exBCpV9eJnc
Ollama 支持 Apple Silicon 本地语音合成，ollama run 直接朗读回复
Ollama v0.40.9 增加语音能力：在 Apple Silicon 设备上可以通过 Phonon 生成语音，ollama run 会在音频生成的同时把文本或聊天模型的回复朗读出来。应用侧可通过 OpenAI 兼容接口流式获取音频数据。这让本地推理栈从纯文本扩到语音输出，仍保持在本机运行。
来源：https://github.com/ollama/ollama/releases/tag/v0.40.9-rc3
GitHub Copilot 全球默认策略开始生效，10 月 26 日前完成铺开
GitHub 自 10 月 22 日起逐步强制执行 Copilot 功能的全球默认策略，铺开持续到 10 月 26 日，不同企业与组织生效时间可能不同。规则是：对 Copilot Business 与 Copilot Enterprise 中已正式可用（GA）的功能与客户端能力，凡处于未配置状态的，一律按选定的全球默认值落定，可选 Enabled、Disabled 或 Let organizations decide，且为一次性变更，之后修改默认策略不会覆盖已落定的功能策略。管理员此前做的显式开关会被保留，预览功能仍为主动选择加入，若预览转 GA 时用户已加入则保留其选择。该策略适用于「Features & clients」与「Copilot 中的 MCP servers」下符合条件的设置，可在 AI Controls → Copilot → Default policy for new features 查看。
来源：https://github.blog/changelog/2026-10-22-global-default-for-copilot-features-generally-available
产品应用
Anthropic 推出 Claude Duet：跨 6000+ 应用主动执行业务任务
Anthropic 发布 Claude Duet，定位为可主动执行任务的 AI 智能体，能够连接并跨 6000 多个应用自动完成企业业务任务，而非仅在对话框里给出建议。目前已披露的信息集中在连接范围与任务执行方式，具体定价、底层模型版本以及任务自动化的成功率等指标尚未公布。
来源：https://www.techrepublic.com/article/news-anthropic-claude-duet-ai-agent-business-automation/
NVIDIA 发布 Minerva：面向十万级 GPU 的 AI 工厂可观测平台
NVIDIA 发布 Minerva，一个面向 AI 工厂的 AIOps 平台，把基础设施与 AI 负载的遥测数据汇聚到一起，再用专用 AI 模型转成可行动的洞察。平台的核心指标是「AI 工厂良率」，由 GPU hours、goodput、集群 uptime 和 token 产出共同衡量。它构建动态知识图谱，把 GPU、SuperNIC、交换机、线缆等基础设施与运行其上的作业做逻辑映射，从而在数十万 GPU 规模下把一次变慢的训练任务定位到具体部件。Minerva 每小时分析数十亿个数据点，结合监督与无监督学习，学习正常行为、检测此前未见过的异常、预测即将发生的故障，并按工厂拓扑关联相关事件，把一场「事件风暴」聚合成单个 incident 并给出疑似根因。平台内置 AI 助手并可对接外部 agentic AI 工具，运维人员用自然语言查询集群健康状态、获取修复建议，既可由人工执行，也可通过基础设施 API 接入自动化系统。
来源：https://blogs.nvidia.com/blog/minerva-platform-infrastructure/
JetBrains Air Governance 正式可用：统一管理 AI Agent、权限与花费
JetBrains Air Governance 正式 GA（原 JetBrains Central），是 JetBrains Air 智能体开发产品体系的组织管理层，提供免费与付费计划，面向所有 JetBrains 组织客户。它在同一控制台里管理团队使用哪些 AI 智能体、模型与供应商，设置额度上限，并查看用量成本与产出；支持 Claude Agent、Codex、Gemini CLI、Junie 及其他 ACP 兼容智能体，覆盖 IDE、CLI、浏览器与移动端。JetBrains 给出的自用数据是：2026 年上半年公司 AI 支出增长约十倍，第一份跨厂商用量报告靠人工整理花了 4 天，如今该体系每月管理约 2300 人的智能体使用。具体功能包括按个人用户、团队与服务账号设置 AI credit 上限（预算被强制执行而不是事后统计）、集中式 BYOK（可接 JetBrains AI 或自有 OpenAI、Anthropic、Amazon Bedrock、Google Vertex AI 账号）、定义组织内获准使用的智能体、在公司层面统一配置 MCP servers，以及把获批的供应商、模型、智能体与额度组合成面向不同用户组的 AI 策略。
SageMaker AI 上线 Training Sessions：不碰 GPU 也能写自定义 RL 训练循环
Amazon SageMaker AI 的无服务器模型定制能力扩展，Training Sessions 正式可用：用户自己编写并编排训练循环，包括自定义损失函数或奖励信号，GPU 分配、分布式执行、故障恢复与 checkpoint 存储交由平台处理。该服务不要求选择实例类型、管理集群或编写分布式训练配置，支持 SFT、DPO、RLVR、RLAIF 与多轮 RL，可用 LoRA 或全参数微调，并通过 continuous customization 把多种技术串联。配套的 cookbook 提供示例与用例，另有模型定制 agent skill：描述用例后，agent 负责数据准备、技术选型、训练、评估与部署，并可运行在 SageMaker Studio、Kiro、Claude Code、Codex 或 GitHub Copilot 中。早期用户 Rob Go 的反馈称，其团队用该服务构建医疗理赔拒付分流模型，底层 API 允许直接控制前向与反向传播、采样与优化器步进，是在准确性敏感场景做强化学习所需的能力。
技术与洞察
唐杰团队开源 HarnessPro：Agent 自我进化通过率 +2.0 个百分点、单任务成本降 26.1%
清华大学、智谱、上海交大、华威大学与可灵 AI 的研究团队发布 HarnessPro（论文 arXiv 2610.26770，代码已开源），唐杰为共同通讯作者，做法是把执行成本纳入 Harness 的自我进化。此前的 Harness RSI 方法能从执行轨迹中总结规则并自动改进，但成绩上涨往往伴随 token 消耗同步上涨：RHO 在 GPT-5.5 搭配 Codex 的 SWE-Bench Pro 实验中把通过率从原版 Harness 的 59.0% 提到 80.0%，单题成本却从 1.88 美元涨到 2.68 美元，增幅 42.6%。HarnessPro 同时复盘任务失败与多余开销，用 AI 生成的测试筛选候选方案，把提高通过率与降低执行成本设为两个优化目标，以初始 Harness 的通过率作为候选底线做 Pareto 优化，一轮进化保留多种方案。在 GPT-5.5 + Codex 的三个基准上，性能优先的 Heavy 方案相较 RHO 平均任务通过率提高 2.0 个百分点，单任务执行成本平均下降 26.1%；另提供均衡的 Medium 与省钱优先的 Lite 两档。系统由轨迹分析器、进化规划器、Harness 编辑器与测试生成智能体四类角色协作，每个基准先用行列式点过程（DPP）选取 10 项训练任务兼顾难度与多样性，每轮让每套 harness 在每项任务上独立跑 3 次。
来源：https://mp.weixin.qq.com/s/xD2x-T-ABcU37vS1WdKbWQ
DeepSeek V4.1 Flash Agentic RL 实操：两机 SGLang 部署与 dp attention 两个隐藏 bug
一篇工程实录记录了把 DeepSeek V4.1 Flash 的 Agentic RL 训练接入自研 LoongSage 框架的全过程，最终链路为 r2e gym + mini-swe-agent，response 长度 24k，训练与推理一致性保持在万分位。第一步是权重转换：训练与推理统一用 bf16，V4.1 引入多模态需转成纯文本模型，而官方与社区都没有现成脚本——必须删掉 hf model config 里的 quantization_config（否则 SGLang 加载报错）、删掉 vision_config 并把 text_config 内容提到上一级、去掉 mtp/dspark 相关配置。第二步是部署：SGLang 单机 8 卡加载后权重占显存 130G 以上，还需为 kv cache 与 megatron 参数传输预留，稳妥方案是两机部署即 ep=16；而 tp 最大只能到 8（受 linear_o_group_proj 切分方式限制），剩余并行度只能靠 dp attention，取 dp=2，且不能开 pp（会导致 router replay 失效）。这条新路径上踩到两个 bug，均已向社区提交修复 PR：开启 dp attention 后，prefill token 数必须是 attention tp 的整数倍，健康检查的探活请求对不上就立即挂掉，表现得像启动失败；关掉 cuda graph 调试时 decode 永久卡死，原因是漏塞了一个 idle batch。第三步是 kv cache 复用：LoongSage 内置 router 不感知多 dp，请求会在多个 dp 间跳转导致严重重算，解决办法是借 SGLang 的指定 dp 能力，把 sticky routing 从 engine 下沉到 dp 层。第四步是启动加速的副作用：把 load format 设为 dummy 跳过权重加载可把小时级启动砍短，但权重同步不传 engram，导致 engram 权重丢失，只能 patch SGLang 单独加载；跨机时 engram 的 host 内存布局还必须从 shared 改为 private/sharded。文章指出 V4.1 训练的最大瓶颈其实是主机内存，engram 本身占用大量内存，SGLang 启用专家回放时还要为每个 token 预留存放 routed experts 的空间。
OpenAI 用近 2000 个 AI 代理分析小鼠脑数据，32 分钟给出线索
OpenAI 让近 2000 个 AI 代理并行分析小鼠脑细胞数据，整个过程耗时 32 分钟，找出了可能与神经系统疾病相关的线索，供后续研究验证。该实验被用来展示 AI 代理在生物医学数据分析上的吞吐能力，即把过去需要大量人力逐项比对的数据集拆给成规模的代理集群处理。
来源：https://www.techrepublic.com/article/news-openai-ai-agents-brain-research/
行业动态
Pigment 完成 2.5 亿美元 E 轮，估值 23 亿美元，ARR 超 1 亿美元
AI 商业计划与绩效管理平台 Pigment 完成 2.5 亿美元 E 轮融资，估值 23 亿美元，由 EQT 管理的 Scaleup Europe Fund 领投，WIL（World Innovation Lab）以及现有投资方 Greenoaks、ICONIQ、IVP、Meritech 参与，NVIDIA 计划投资。公司今年 ARR 突破 1 亿美元，连续第二年同比翻倍；平台上 85% 的新指标（metric）如今由 AI agent 创建。客户包括达能、西门子、联合利华、Anthropic、Uber、Snowflake、ServiceNow、DirecTV、ElevenLabs，其中欧莱雅将其用于 9.5 万多名员工的薪酬规划。联合创始人 Eléonore Crespo 与 Romain Niccoli 表示，资金将用于加速专利待审的计算引擎 Graphite 相关的研发与工程招聘，并把 AI agent 扩展到端到端运行规划流程。
来源：https://theaiinsider.tech/2026/10/22/pigment-raises-250m-at-2-3b-valuation/
前瞻与传闻
Gemini 4 Carbon 现身 LMArena 盲测：3D 生成更强但慢 2 至 4 倍
据新智元报道，Gemini 4 Argon 全面开放仅 8 天后，谷歌下一代模型 Carbon 已被曝开始测试：合作伙伴提前拿到，LMArena 上出现盲测条目，发布尚未发生。Arena 上的 Carbon 仍挂在「gemini-4-argon」名下，测试者靠速度区分——同一名称下有两个模型，一个又快又稳，另一个明显更慢但产出质量更高，后者被认作 Carbon。测评账号 Lumina 用超级玛丽提示词让 Carbon 生成整关游戏，包含顶砖块、吃金币、钻水管、地下关、旗杆与城堡结算，最后弹出「COURSE CLEAR」并给出金币数与评级；在体素宝塔与体素山谷的对比中，Carbon 质量明显高于 Argon，但按任务不同慢 2 到 4 倍。谷歌联合创始人布林称，谷歌已踏上「RSI 的跑步机」，模型正在参与下一代模型的构建。以上均为盲测与第三方实测信息，谷歌尚未正式公布该模型。
暂无评论。