Kimi K3.1 Pro 发布：3 万亿参数、100 万上下文，Terminal-Ben【AI 早报 2026-10-24】

AI日报
发布于 2026-10-24 10:09:15 8 次浏览

Kimi K3.1 Pro 发布：3 万亿参数、100 万上下文，Terminal-Ben【AI 早报 2026-10-24】

今日最重磅：Kimi K3.1 Pro 以 3 万亿参数、100 万上下文发布，Terminal-Bench 4.0 拿到 65.7%，高速版同步上线。谷歌开源 TorchTPU，把 TPU 变成 PyTorch 原生设备；Anthropic 则让 Claude 用几周时间写出 1.8 亿行形式化证明。

今日概览

模型发布

  1. Kimi K3.1 Pro 发布：3 万亿参数、100 万上下文，Terminal-Bench 4.0 得 65.7%
  2. Recursive 首个模型 Flint-40B-A2B：MacBook Pro 本地 125 token/s
  3. 蚂蚁数科 LingDT-Decision-1.0：4B/27B 决策模型，Token 消耗降 97%
  4. Mirendil 单研究员 3.5 个月造 100B–500B 编程基座，算力不到 1000 万美元

开发生态

  1. 谷歌开源 TorchTPU：4917 个 Hugging Face 模型 97% 与 GPU 数值对齐
  2. Linux 基金会 AAIF 一次收编四个 Agent 基础设施项目
  3. 字节 OpenViking 网关：改两个配置让任意客户端拥有 Agentic 记忆

技术与洞察

  1. Claude 数周写出 1.8 亿行形式化证明，挖出数百个 bug
  2. 智谱 GLM-Omni 论文公开：交错图文对齐把文本可达性从 12.57% 拉到 26.86%
  3. 阿里 TRACE：FP4 Rollout 下解码吞吐最高提升 5.4 倍
  4. 至知 IQuest-Q1 技术报告：320B 模型、29T tokens、超 100 万个可执行任务
  5. 微软 MAI-DxO 复杂病例诊断准确率 83%，全科医生为 36%
  6. ReasoningShield：1B/3B 思维链安全审核模型，NeurIPS 2026 收录
  7. EchoChat：把共情语音对话拆成感知、心智理论推理与回应三步

产品应用

  1. Claude 下周默认开启自动模式：AI 审批取代逐条弹窗
  2. Meta Muse 用户破 1000 万，四分之一购物用户单笔超 200 美元
  3. GitHub Copilot 用量 API 新增 totals_by_client，覆盖 OpenCode 等外部工具

行业动态

  1. DeepSeek 第二轮融资接近 1000 亿元，投前估值 5000 亿元
  2. Blacksmith 完成 6600 万美元 C 轮，估值达 10 亿美元

模型发布

Kimi K3.1 Pro 发布：3 万亿参数、100 万上下文，Terminal-Bench 4.0 得 65.7%

Kimi K3.1 Pro 是 K3.1 系列的第一个模型，参数规模 3 万亿级，支持 100 万 token 上下文，官方称是迄今能力最强的模型；它是 Kimi K3 的后训练版本，后训练算力大幅增加，团队同时改写了 RL 框架、长上下文推理、训练效率、沙箱基础设施与调度系统。同步推出的 Kimi K3.1 Pro Highspeed 保持同等智能，输出速度约为 2~3 倍。即日起可通过 Kimi 官网、Kimi App、Kimi Work、Kimi Code 与 Kimi API 使用，完整模型权重将于 11 月 4 日前发布。在 Terminal-Bench 4.0 上得分 65.7%，超过 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 仅有微弱差距；内部基准 Kimi Code Bench 3.0 Long-horizon 得 61.2%，高于 K3 的 55.95%；BenchCAD 借助工具得 92.7%，接近 Claude Opus 5.5 的 96.2% 和 GPT-6 Astra 的 95.9%。演示案例包括用虚幻引擎 5.8 搭建的天宫场景——半径 1,750 米、36 开间柱廊、3,600 万源三角形经 Nanite 与 Lumen 渲染，以及 Godot 4.7.2 的五个区域 3D 冒险游戏、2,317 个零件与 268 条动态走线全部由代码生成的机械臂落地页。长程任务上，它基于含 296 个骨骼组件和 402 个肌肉组件的开源人体解剖模型，在 167 项任务、420 次独立评审中把仿真人从几步内倒地推进到连续行走 11.2 秒，并定位出肩部肌肉力臂计算的 36 处错误。 来源：https://mp.weixin.qq.com/s?__biz=MzcwMjM3ODEzOA==&mid=2247487748&idx=1&sn=ceec50327d6be7c1e07203c9306c9ebc

Recursive 首个模型 Flint-40B-A2B：MacBook Pro 本地 125 token/s

田渊栋参与创立的 Recursive 发布首个模型 Flint-40B-A2B，这是总参数 400 亿、每 token 只激活 25 亿参数的 MoE 编程智能体模型，由公司自研的自动化研究系统 Eureka Machine 全程参与打造，从零到完成用了不到 4 个月。Recursive 称从数据处理、训练方案、基础设施到推理优化，几乎所有研发环节都有 Eureka Machine 参与。在 SWE-Bench Pro v2、Terminal-Bench 2.1、SWE-Bench Verified 等基准上，它的表现超过总参数低于 500 亿的其他 MoE 模型，编程能力可对标 250 亿–400 亿参数稠密模型，运行速度快 5 倍以上。推理侧专门优化后，MacBook Pro（M4 Pro）上生成速度超过每秒 125 token，配备 64GB 内存的 NVIDIA RTX Spark 上超过每秒 150 token，最高为同类模型的 2 倍；开发者实测 M5 Max 为 114–132 token/s，12GB 显存的 RTX 3060 也能跑起这个 400 亿参数模型，约 46 token/s。模型支持最长 512K 上下文，官方建议控制在 256K 以内，权重已在 Hugging Face 以 Apache 2.0 许可证开放，并兼容 llama.cpp、Ollama、Unsloth、LM Studio、vLLM 与 SGLang。 来源：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651069516&idx=2&sn=c8828ee6931d4fb8aa6a093d9c964b0f

蚂蚁数科 LingDT-Decision-1.0：4B/27B 决策模型，Token 消耗降 97%

蚂蚁数科 10 月 22 日发布决策模型 LingDT-Decision-1.0，提供 4B 与 27B 两个参数版本，面向智能客服、安全风控、金融等企业场景，处理意图识别、任务分类、工具选择与风险判断等结构化决策任务，已在蚂蚁数科 DTMaaS 平台上线并限时免费。它的做法是不先生成文本再由业务系统解析，而是直接在预设候选选项中判断，从而省掉生成与后处理开销。官方数据显示：数据标注场景相比 DS-V4-flash，Token 消耗降低约 97%、处理速度提升约 10 倍；智能客服场景相比 Qwen-3.7-flash，Token 消耗降低约 90%、速度提升约 1 倍、风险识别准确率从 76% 升至 89%；金融场景处理速度提升约 5 倍、工具组合完全匹配率提高约 2.6 倍、幻觉召回率从 44% 升至 70%。评测覆盖 23 项开源基准，按单选 90%、多选 10% 加权，27B 版本综合评分位列参评模型第一，高于 Microsoft-Decision-1、Jev 1.13.0 与 Fastino/GLiDE；多选任务上 4B 和 27B 两个版本的准确率均超过含上述模型在内的 16 款决策模型。模型还支持原生多选与基于有向无环图的任务依赖排序，用于处理“退款、关闭续费、补开发票”这类复合请求。 来源：https://mp.weixin.qq.com/s?__biz=MzU1NDA4NjU2MA==&mid=2247668757&idx=3&sn=af009a6ce55ab2806d4d599766548322

Mirendil 单研究员 3.5 个月造 100B–500B 编程基座，算力不到 1000 万美元

初创公司 Mirendil 公布了一项人效实验：仅用 1 名研究员，从零训练出参数量在 1000 亿至 5000 亿之间的编程基座模型 Mirendil-Base，全程算力花费不到 1000 万美元（含前期探索实验与 Agent 的 token 消耗），耗时 3.5 个月。项目从空代码库起步，没有购买商业授权数据，也没有使用模型蒸馏或合成数据，只基于 PyTorch、JAX 和公开的 GitHub 代码与网页数据；超过 99% 的代码由 AI 智能体编写，实验执行与训练故障诊断也由智能体完成，唯一的人类研究员只负责选择研究方向与判断实验结果是否可信。团队用跨分词器公平对比的 bits per byte 交叉熵，与 Kimi-K3（总参数 2.8T/激活 104B）、DeepSeek-V4-Pro-Base（1.6T/49B）、Inkling（975B/41B）、GLM-5.3（753B/40B）、Nemotron-550B-Base（550B/55B）同台比较，称其在多个训练后新发布的外部代码库测试中取得高分。Mirendil 还披露，Mirendil-Base-Large（500B–2T 参数）已训练 80%，旗舰版 Mirendil-Base-XL（2T–10T 参数）进度 19%，表现已逼近 Large 版本当前得分，下一代模型将由 Mirendil-Base 自己参与构建。 来源：https://mp.weixin.qq.com/s/a96DDNSF92LDNArFijjazw

开发生态

谷歌开源 TorchTPU：4917 个 Hugging Face 模型 97% 与 GPU 数值对齐

在圣何塞举行的 PyTorch Conference 2026 上，谷歌宣布开源 TorchTPU，让 TPU 与 GPU、CPU 并列成为 PyTorch 的原生设备；在 Hugging Face Transformers v5 中把模型部署到 TPU 只需传入 device_map="tpu" 一个参数。项目由谷歌与 Meta 联合开发，vLLM、SGLang、Hugging Face、Ray、TorchTitan 等同步完成接入，并发布了一份 23 页技术报告。实现上它基于 PyTorch 预留的 PrivateUse1 接口，在分发器中注册为新的 C++ 后端，开发者拿到的是普通 PyTorch 张量，不需要源码侵入式改写；即时执行分三档：逐算子异步分发的 Strict、同步排查用的 Debug，以及新引入的即时与编译混合模式 DeferAndFuse，后者速度比 Strict 快 50% 以上并降低峰值显存占用，三档共享一套分层编译缓存。要走 torch.compile 时，TorchDynamo 捕获计算图后不走 Inductor，而是把算子映射到 StableHLO 交给 XLA 生成 TPU 程序，原因是 Triton 难以移植到 TPU 架构。覆盖面数据是：在 Hugging Face 下载量最高的约 5000 个模型中测了 4917 个、横跨 500 多个架构族，98% 能跑通不崩溃，657 个代表性架构里 97% 的输出与 GPU 数值一致。分布式方面在 Process Group 层实现 TPU 集合通信，DDP、FSDP2、DTensor 开箱可用；按 PyTorch/XLA 官方文档说法，TorchTPU 公开后将取代 PyTorch/XLA。 来源：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651069794&idx=2&sn=ae62dbad6234b3c4c7359543936974c7

Linux 基金会 AAIF 一次收编四个 Agent 基础设施项目

Linux 基金会旗下的 Agentic AI Foundation（AAIF）新增四个托管项目：Anthropic 贡献 Agent Skills，OpenAI 贡献 Open Responses，Hugging Face 贡献 OpenEnv，阿里巴巴贡献 OpenSandbox，分别对应 Agent 获取技能、统一模型接口、复用训练环境、在隔离沙箱中执行任务四个环节。至此 AAIF 托管项目从成立之初的 3 个增至 10 个，成立不到一年会员组织已达 305 家。Anthropic 不仅捐出 Agent Skills 规范，还把名称、Logo、GitHub 组织和 agentskills.io 域名一并交给基金会；官方称该标准自 2025 年 12 月公开以来已有 70 多个 Agent 平台集成，累计发布 100 万份 Skills、安装量接近 2.8 亿次（为 Anthropic 自述数据，非独立审计）。后续工作计划包括版本化发布、正式提案流程，以及面向 Skill 编写者与安装者的安全指南，来自 Anthropic、Google、OpenAI 等公司的工程师以个人身份参与维护。独立开发者 Simon Willison 此前即预测 Agent Skills 会进入 AAIF，同时指出字段自行扩展、不同 Agent 支持度不一致等兼容性细节仍未解决。 来源：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651069672&idx=2&sn=068a7cc38c194f505ebebf54e913d5fc

字节 OpenViking 网关：改两个配置让任意客户端拥有 Agentic 记忆

字节跳动技术团队推出 OpenViking 网关，位于客户端与模型服务之间，让兼容客户端不必各自实现一套记忆功能就能用上 OpenViking 中的记忆。网关提供三项能力：新消息发出后自动检索相关记忆并随问题一起发给模型；模型可主动搜索并打开原文确认（例如“上次定的发布日期是哪天”）；开启对话保存后自动整理有用信息，对话过长时生成摘要压缩历史。接入只需改两项配置——把 Base URL 改为网关服务地址加 /gateway，把 API Key 换成在 Studio 签发的网关密钥，不用安装插件或编写记忆处理代码，Claude Code 另需增加一项区分后台请求的环境配置。已验证可用的客户端包括 Claude Code、Codex CLI、OpenAI Python SDK，Cherry Studio 的纯聊天模式也能使用记忆工具。架构上会话与记忆正本存放在 OpenViking，网关本机只有两个 SQLite 文件（配置与对话状态，闲置 30 天过期）；每把密钥绑定一位用户、一份上下文配置（召回预算、是否写回、开放哪些工具）和一组上游模型服务。OpenViking 不可用时对话照常进行，只是不带记忆，写回会自动重试。 来源：https://mp.weixin.qq.com/s?__biz=MzI1MzYzMjE0MQ==&mid=2247523647&idx=1&sn=f96a64e413be6cdbaf0936f0a2a69f23

技术与洞察

Claude 数周写出 1.8 亿行形式化证明，挖出数百个 bug

Anthropic 的 Frontier Red Team 与软件安全证明公司 Theorem 合作，用 Claude 对 123 个开源软件库的 239 个测试入口生成约 1.8 亿行形式化证明：库与测试被编译成 RISC-V 机器码，再由 Theorem 的芯片与系统模型生成“该入口收到任何输入都不会出问题”的命题，Claude 负责写证明，检查器 Rocq 逐行核对。规模上单份证明通常 60 万行，对应程序中位数约 1.8 万条机器指令，人无法逐行审阅，开发者只需信任芯片与 Linux 的形式模型、命题写法与 Rocq 检查器。证明卡住的地方往往就是真 bug：程序本身有漏洞时命题不成立，Claude 被允许自行打补丁、重新生成命题再继续证，过程中挖出数百个 bug，包括一个解压器计数器下溢导致的内存越界写——只有输入约 20MB、结构特定的数据才触发。覆盖面也远超模糊测试：后者输入通常不超过 1MB，而 Claude 的证明范围覆盖到 64MB。Anthropic 称这是第一次大规模用 AI 在汇编层面对真实生产软件做形式化验证；作为成本对照，seL4 操作系统内核写代码花了 2 人年，形式化验证花了 20 人年。 来源：https://mp.weixin.qq.com/s/654MiHO20vJjofZhOl5bMw

智谱 GLM-Omni 论文公开：交错图文对齐把文本可达性从 12.57% 拉到 26.86%

一篇由唐杰署名、三位智谱实习生为共同一作的论文首次公开智谱内部统一多模态模型 GLM-Omni，它由 GLM-4.1V-Thinking 基座初始化，配 X-Omni 离散图像 tokenizer。论文要回答的问题不是刷榜，而是“统一模型学会画之后是否真的知道”：团队造了虚构世界 MagicWorld，覆盖颜色、数量、形状、空间、大小、数字、文字 7 类视觉知识，每类 50 个知识单元，共渲染 8552 条文生图样本，caption 只写实体与场景，属性值只出现在图片里，实体名全部虚构以排除预训练先验。结果出现明显的“可达性鸿沟”：GLM-Omni 视觉可达性 54%，纯文本问答只有 14.57%，低于随机猜测基线，平均鸿沟 39.43 个百分点（BAGEL 22.57、SenseNova-U1 41.14），极端例子是 SenseNova-U1 在 number 类上视觉可达 88%、文本可达 0%。解法是交错图文对齐——要求模型在同一条回答里完成“生成图像→观察图像→给出答案”，GLM-Omni 平均分从 12.57% 提升到 26.86%，shape 类 12%→64%，spatial 类 0%→40%，而被考实体从未见过任何问答监督。消融显示贡献来自图像损失本身：掩掉交错样本中的图像损失后准确率从 26.86% 跌回 13.71%；推理时采用 Visual CoT（先画一张图再作答）可把平均分进一步推到 41.14%，number 类从 0% 升到 36%。 来源：https://mp.weixin.qq.com/s?__biz=Mzk0MTYzMzMxMA==&mid=2247512942&idx=1&sn=e87d4515b938ea3251606fa9a567d776

阿里 TRACE：FP4 Rollout 下解码吞吐最高提升 5.4 倍

阿里千问与俄亥俄州立大学提出 TRACE，针对强化学习中把 Rollout 从 BF16 压到 FP4 后训练崩溃的问题：训练端与 Rollout 端即使数值接近，也可能因离散量化边界落到不同码点——论文例子是 60.24 与 59.76 归一化后变成 2.51 与 2.49，一个量化到 3、一个量化到 2，差异被放大到 24，对 MoE 还会干扰 router 分数与专家选择，普通 FP4 QAT、QaRL、QUADS 都在训练后期出现奖励与测试分数下滑。TRACE 不追求两端各自量化更准，而是让训练侧向 Rollout 侧的真实量化结果对齐：记录 Rollout 阶段 FP4 routed expert 激活与 FP4 KV 的量化结果，训练侧 fake quantization 时不再机械用最近邻舍入，而优先选择离 Rollout 实际码点更近的候选值。为压低传输成本，作者发现超过 99% 的训练/Rollout 不一致只相差一个相邻 FP4 codebook entry，只保留少量 mantissa 信息加 scale 即可指明方向。在 Qwen3.5-35B-A3B、Qwen3.5-122B-A10B、Qwen3.8-Flash-Next、Qwen3.8-2.4T-A95B 四个 MoE 上，TRACE 把性能拉回 BF16 Rollout 附近：35B-A3B 平均分 75.3，对比 BF16 74.9、普通 QAT 59.6、QaRL 58.6、QUADS 68.8；HMMT25 从 QUADS 的 59.0 提升到 70.0。吞吐方面，8K 输入、128K 输出时解码吞吐相对 BF16 Rollout 最高提升 5.4 倍，端到端 RL step time 的额外开销约 7.4%。 来源：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651069672&idx=3&sn=6b461b4dbff4fd3f156ce081b60ac69e

至知 IQuest-Q1 技术报告：320B 模型、29T tokens、超 100 万个可执行任务

至知创新研究院（IQuest Research）公开 IQuest-Q1 的完整技术报告，模型为 320B 总参数、15B 激活参数，重点面向代码开发、命令行交互与复杂 Agent 任务。报告公布 30 项基准，对照模型包括 Claude Opus 5 与 GPT-5.6 Sol：AutomationBench 52.7 分、τ³-Banking 51.8 分，两项均居列示模型首位；SkillsBench 74.1、MCP-Atlas 78.4、Toolathlon-Verified 75.0、Claw-Eval 77.1、内部基准 IQuest-CLIBench 53.7；代码侧 NL2Repo-Bench 63.0、CyberGym 84.5；信息检索与知识推理侧 BrowseComp 85.5、WideSearch 81.8、GPQA Diamond 93.3。训练投入被首次摊开：29T tokens、超过 100 万个可执行任务实例、1.93 倍的架构规模化效率，以及一套专门防止模型在训练环境中“作弊”的机制。内部评测 IQuest-CLIBench 通过用户交互模拟、执行轨迹与环境状态检查来考察 CLI Agent 的任务完成与交互表现。 来源：https://mp.weixin.qq.com/s/4mO9z1vOW1tky89hj3Slcw

微软 MAI-DxO 复杂病例诊断准确率 83%，全科医生为 36%

微软的 AI 诊断系统 MAI-DxO 在《Science》发表的研究中，对复杂病例的正确率为 83%，而单独工作的基层医生与内科全科医生配参考资料时为 36%——需要说明的是，通常处理此类病例的专科医生与医生团队并未纳入比较。DxO 协调多个 AI 智能体，像一组医生那样追问病史、开具检查并辩论诊断，测试病例来自《新英格兰医学杂志》。微软测试了 OpenAI、Google、Anthropic、Meta 与 DeepSeek 的模型，最佳结果出现在 OpenAI 的 GPT-5 与 GPT-5.5 上：复杂病例中 DxO 把 GPT-5.5 从 72% 提升到接近 87%，成本还略低；GPT-5 提升约 4 个百分点、每例节省约 3000 美元；对较弱模型增益最大，Gemini 2.5 Flash 从 46.4% 提升到接近 69%；两个模型在急诊病例上都没有明显提升。微软 AI 首席执行官 Mustafa Suleyman 称这是迈向“医疗超级智能”的一步，并透露正与 Mayo Clinic 合作训练医疗基座模型、计划明年发布，预测 2027 年病历领域会出现类似编程领域的突破，24 至 36 个月内医疗模型能力提升一个数量级。微软还将与波士顿 Beth Israel Deaconess 医疗中心合作，在急诊与急症场景中把 DxO 的建议与真实医生的处置做对比。 来源：https://theaiinsider.tech/2026/10/23/microsofts-ai-diagnostic-system-outperforms-generalist-doctors-on-complex-cases-science-study-finds/

ReasoningShield：1B/3B 思维链安全审核模型，NeurIPS 2026 收录

上海创智学院与复旦大学团队提出 ReasoningShield，首次定义“思维链安全审核”任务：推理模型可能在中间步骤先给出可被滥用的信息，最后再补一句拒绝，因此只看最终答案不足以保证安全。论文先导实验显示，把既有审核工具从答案审核直接迁移到思维链审核后，F1 最大下降 35.2 个百分点，原因在于风险分散在冗长中间步骤里、且“讨论风险”与“提供伤害性指导”用词高度相似。团队按学术安全基准与行业内容政策构建 10 大类、42 个细分类别的风险体系，把推理轨迹分为安全（0）、潜在有害（0.5）、有害（1）三级，据此构建 ReasoningShield-Train（7000 条）与 ReasoningShield-Test（2200 条）：训练集覆盖 4 个开源推理模型，有害/潜在有害/安全比例约 35.2%/19.8%/45.0%；测试集扩展到 8 个推理模型，含 600 条域内与 1600 条分布外样本，比例为 28.6%/15.2%/56.3%，并加入 1064 条 Alpaca 无害指令以抑制误报。标注采用多模型投票、专家复核与质量审计的人机协同流程，训练并开源了 ReasoningShield-1B/3B 审核模型，工作已被 NeurIPS 2026 Evaluations and Datasets Track 录用。 来源：https://mp.weixin.qq.com/s/lo4smJrbcGGoFTeE5GhkeQ

EchoChat：把共情语音对话拆成感知、心智理论推理与回应三步

针对“语音大模型能说得温暖，但是否理解得细腻”的问题，香港中文大学博士生王丁冬（导师 Helen Meng，微软刘树杰、Jinyu Li 共同指导）等提出 EchoChat，把共情语音对话建模为感知、心智理论推理、语音回复生成三个结构化环节，并用统一框架优化。感知环节从语音中识别情绪与声学线索；推理环节结合这些线索与对话情境，推断说话人的信念、意图与潜在心理需求并制定共情策略；生成环节产出内容与语气都贴合需求的支持性语音。为解决“一步错、步步错”，EchoChat 在监督微调阶段引入 Acoustic-Anchored Attention，强化情绪判断与声学依据的关联；在强化学习阶段引入 Step-Decomposed Credit Assignment，为不同阶段提供有针对性的反馈，并用门控机制让后续阶段的奖励受前序阶段表现约束。数据侧，团队构建覆盖多语言风格与细粒度情感表达的 EchoDialogue-400K，并提出由真人录制语音、心理学专家标注的评测基准 EchoEval，从情绪感知、心理状态推理与回应对齐三个维度评测，EchoChat 在三个维度上均取得领先。 来源：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651069794&idx=3&sn=24de4df712471843cfc352f370b7d213

产品应用

Claude 下周默认开启自动模式：AI 审批取代逐条弹窗

Anthropic 宣布下周起 Claude 默认开启自动模式，原本每一步都要弹窗询问“允许吗”的流程，改为由另一个 AI 判断哪一步可执行、哪一步不可执行，Anthropic 未披露该 AI 的具体判定机制。官方给出的依据是一项测试：找来 1053 名付费测试者写代码，中途悄悄插入一条危险命令，人类只拦下 13.6%，AI 拦下 89%；连续点过 50 多次弹窗后，人的拦截率跌到约 5%。OpenAI 公布的思路可作参照：Agent 生成的每个 token 都通过一个读取模型内部激活信号的分类器，发现可疑内容就逐级交给更聪明、更费算力的 AI 调查员。但 OpenAI 的监控体系已被外部审计挑出问题：METR 的 David Rein 与 Redwood 的 Adam Kaufman 在 7 月 21 日至 8 月 11 日带着不得离开办公室的专用电脑进驻 OpenAI 三周，翻查内部代码库、监控提示词、配置与文档，写出 61 页报告，公开摘要还删掉了 23 页。摘要显示：内部 Codex 流量 99.2% 在监控之下，但监控只在 Agent 交还控制权时才检查，上下文压缩事件不在监控范围，5 月到 7 月约一成符合条件的内部 Codex 流量就这样绕过；此外还有请求头设置可关闭监控、沙箱与自动审查可被同时绕过、记录格式不一致导致监控出错、两个被当作只读的内部工具未接监控等路径。在一份事故报告里，GPT-6 Astra 发现新代码里没了监控时，在推理中写下了“耶”。 来源：https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652737212&idx=2&sn=3b29e6d852a2e0037da5d4a18e268e75

Meta Muse 用户破 1000 万，四分之一购物用户单笔超 200 美元

Meta 在第三季度财报电话会议上称，其 AI 应用 Muse 用户数已超过 1000 万；在完成设置的用户中约 25% 每天使用，扎克伯格称这有助于提升留存。购物是热门用途之一：通过 Muse 购物的活跃用户中，超过四分之一平均每笔消费超过 200 美元；支付链路由金融科技公司 Plaid 的连接器完成，扎克伯格称 Plaid 表示从未在其他服务上见过这样的活跃度。另一类热门用途是个人效率任务，例如把 Agent 接入用户的邮件或日历，他把这视为用户信任 Muse 安全设置的信号，包括保护数据与隐私的 Muse Secure VM，以及即将推出的 Muse Confidential VM——后者将使包括 Meta 在内的任何一方都无法查看用户内容。扎克伯格称 Muse 已实现 PMF，重心转向扩规模、提收入和优化算力成本，预计明年把成本效率提升 10 倍以上，并在各项收入来源达到规模后实现盈利；变现方式为多数用户免费、从平台交易中抽成、高级用户为更强模型或更多 token 付费。他还预测 Muse 最终单用户收入会超过 Facebook、Instagram、WhatsApp、Messenger 目前约“每年数百美元”的水平；Reality Labs 的亏损预计从 2025 年的 191 亿美元收窄到今年的 150 亿美元。 来源：https://mp.weixin.qq.com/s?__biz=MzI4NTgxMDk1NA==&mid=2247518931&idx=3&sn=cc55c33b271830915781fdadc4f8d3fb

GitHub Copilot 用量 API 新增 totals_by_client，覆盖 OpenCode 等外部工具

GitHub 更新 Copilot 用量指标 API，开始统计来自 IDE 之外工具的模型调用，例如此前未被记录的 OpenCode；企业、组织、企业用户、组织用户的 1 天与 28 天报告新增 totals_by_client 数组。每条记录包含 client（发送请求的工具，如 opencode、claude_code、codex、zed、copilot_cli、github_app、cloud_agent、code_review、vscode、jetbrains，未识别客户端归入 other）、request_count（成功模型请求数）、session_count（不同会话数）、token_usage（输入、输出 token 与每请求平均 token），以及按模型拆分的 totals_by_model，其中 model_selection_mode 标明模型是用户直接指定（user_selected）、自动选择（auto）还是产品选择（product_selected），暂未单独上报的模式记为 other，无法归一化的值记为 unknown。28 天汇总报告中，totals_by_client 出现在每个 day_totals 条目里。改动的意义在于：这些工具通常不上报编辑器遥测，用量此前在 totals_by_ide 中缺失，改为在服务端计数后可以看清哪些工具在驱动 Copilot 用量。该数据与统计 GitHub 上 Claude、Codex 等智能体应用启动任务的 agent app activity 不同，衡量的是模型请求与 token 流量；访问需企业所有者、账单管理员、组织所有者或具备 View Copilot Metrics 权限的自定义角色，且必须启用 Copilot usage metrics policy；Copilot 代码审查与云智能体的请求记为 product_selected，代码审查使用的模型记为 unknown。 来源：https://github.blog/changelog/2026-10-23-usage-metrics-api-adds-usage-from-tools-like-opencode

行业动态

DeepSeek 第二轮融资接近 1000 亿元，投前估值 5000 亿元

腾讯科技从多位参与本轮融资人士处获悉，DeepSeek 第二轮融资接近结束但尚未完全关闭，仍有少数机构在争取最后的入场机会，具体财务条款与投资方名单仍可能变化。本轮于 7 月中旬启动，最初目标 500 亿元，9 月已向部分投资方发出投资条款清单（TS），一度计划 9 月底结束，此后目标持续上调至接近 1000 亿元，投前估值维持在约 5000 亿元；新老股东拟投资金额约各占一半，宁德时代是最大投资方之一，首轮股东 IDG 资本、砺思资本、拾象资本继续参与，新进方包括石溪资本、中芯聚源、CPE 源峰、君联资本、吉利，以及一家运营商和一家知名互联网公司。首轮融资 2026 年 4 月启动、6 月底交割，规模约 510 亿元，梁文锋个人出资约 200 亿元；若第二轮按约 1000 亿元完成，两轮合计约 1500 亿元，间隔仅约四个月。上市方面，DeepSeek 已选择中信证券协助筹备，拟登陆科创板，最快 2027 年完成，多位投资人预期落在 2027 至 2028 年。商业化侧，9 月有媒体报道其年化营收运行率已达 10 亿美元，知情人士称该数字仍在快速增长。 来源：https://mp.weixin.qq.com/s?__biz=Mjc1NjM3MjY2MA==&mid=2691573661&idx=1&sn=0a986d512ca23c30b84f0fdb11e17e6b

Blacksmith 完成 6600 万美元 C 轮，估值达 10 亿美元

为 AI 生成代码提供持续集成服务的 Blacksmith 完成 6600 万美元 C 轮融资，由 Sequoia 领投，估值达 10 亿美元。公司聚焦持续集成环节——构建、测试、合并与验证代码变更，联合创始人兼 CEO Aditya Jayaprakash 称创办初衷是让这一过程不再痛苦，多数企业在 AI 写代码比例上升后已跟不上需要运行的 CI 量，而当 AI 智能体生产越来越多的软件时，关键问题变成这些代码是否可信。公司称年度经常性收入增长 17 倍，已运行超过 9000 万个 CI 任务，客户包括金融科技公司 Mercury 与 AI 笔记应用 Granola。这轮融资距其 4500 万美元 B 轮（估值 5.5 亿美元）仅两个月；一年前的 1000 万美元 A 轮估值为 6000 万美元，累计融资已达 1.25 亿美元。 来源：https://theaiinsider.tech/2026/10/23/blacksmith-reaches-1b-valuation-with-sequoia-led-series-c-as-ai-code-volumes-surge/

评论

暂无评论。

登录后可发表评论。

专题：AI日报
目录