Kimi K3.1 Pro 支持 100M 上下文，Terminal-Bench 跑分超 【AI 早报 2026-10-29】
今日共 20 条：Kimi K3.1 Pro 将上下文提升到 100M，Terminal-Bench 4.0 拿到 65.7% 并超过 GPT-6 Astra 的 58.2%；Google 同日发布可生成两分钟场景、首次带声音的 Genie 4；面壁智能用 1.3B 参数的 MiniCPM-OCR 在 6 项核心测试里拿下 4 项 SOTA。
今日概览
模型发布
- Kimi K3.1 Pro 支持 100M 上下文，Terminal-Bench 4.0 得分 65.7%
- Google 发布 Genie 4：单次模拟两分钟，首次生成声音
- 面壁开源 1.3B 的 MiniCPM-OCR，6 项测试拿下 4 项 SOTA
- 扩散智能开源 Clover-35B-A3B，6 项 Agent 评测排名第一
- 超衍智能发布 Apex-35B-V1.0，21 项基准中 20 项领先同级
- 腾讯混元开源 Hy-Nomas：文本与镜头交替控制的视频世界模型
- 英伟达发布 Nemotron 3.5 Transcribe 与 Granary v2 转录模型
- Google 发布 Gemini 4 Carbon，主打网络安全与长程任务
技术与洞察
- Anthropic 实验：86% 的关键决策跟着 AI 预设立场走
- NeurIPS 2026 Oral 的 NV-CoT：用连续坐标替代文本边界框
- Google 等提出 StreamVibe：183.4 小时视频训练主动式 Agent
- MemAdapter：把谄媚失败率从 82.0 压到 51.0 的后检索校准
开发生态
- Android Studio 开放第三方 Agent，UI 任务快 77%
- GitHub Copilot Fusion 转正：Max 档 60 分，成本约为一半
- Junie Local 在 M5 Max 上提速 70%，峰值 107 tokens/s
产品应用
- 豆包工作上线录制技能：6 分 32 秒整理 30 条招标公告
- 费莫一发布行动伙伴 Sagi：不建图进场，跨楼层送货
行业动态
- Physical Intelligence 洽谈 10 亿美元融资，估值或达 200 亿美元
- Anthropic 收购一人药企 Mithril，18 个月推进到小鼠实验
前瞻与传闻
- Qwen4-27B 架构随推理内核 PR 泄露：四路残差加稀疏注意力
模型发布
Kimi K3.1 Pro 支持 100M 上下文，Terminal-Bench 4.0 得分 65.7%
Kimi K3.1 Pro 发布，是 K3.1 系列的首个模型，官方给出的上下文长度为 100M，主打代码、3D 创作与金融建模场景。在 Terminal-Bench 4.0 上它拿到 65.7%，高于 GPT-6 Astra 的 58.2%，略低于 Claude Opus 5.5 的 66.4%。其他跑分包括 OfficeQA Pro v2 的 64.4 分、Frontier Finance 的 58.6 分，以及带工具的 BenchCAD 92.7 分。定价为每百万 Token 输入 1.3 元（缓存命中）、13 元（未命中），输出 68 元；高速版速度约为 2 至 3 倍，价格为 2 倍。这套价格把长上下文档位的使用成本压在缓存命中 1.3 元/百万 Token 的量级。
来源：https://juejin.cn/post/7700627964493365290
Google 发布 Genie 4：单次模拟两分钟，首次生成声音
Google DeepMind 发布世界模型 Genie 4，用户用文本提示词创建可自由探索的虚拟世界，并用键盘控制角色移动，运行过程中还能追加指令实时改变环境，例如调整天气、添加新角色。Genie 4 生成的模拟场景最长可持续两分钟，约为上一代 Genie 3 的两倍，也是该系列首个同时生成图像和声音的模型，声音包括环境音效、音乐以及能对用户行为作出反应的角色对话。渲染时 Gemini 会持续观察生成画面、理解用户目标并拆解为步骤，再逐步检查是否完成；团队曾尝试 Gemini 4 Argon，但实时交互最终采用更轻量的 Gemini 3.8 Flash。目前以研究预览版向少量受信任测试者开放，未来几周将扩至订阅最高档 Google AI Ultra 的用户及部分 Google AI Studio、Gemini API 开发者。测试者中的游戏开发者与电影制作人正在用它把创意概念转成可自由探索的交互原型，Google 同时研究其用于机器人训练的可能。
面壁开源 1.3B 的 MiniCPM-OCR，6 项测试拿下 4 项 SOTA
面壁智能开源 MiniCPM-OCR 1.0，参数只有 1.3B，是 MiniCPM V/o 家族首个 OCR 专用模型。在 6 项核心测试中它拿下 4 项 SOTA：Real5-OmniDocBench 93.68 分为全场最高，Wild-OmniDocBench 92.39 分领跑，OCRBench v2 得 54.7 分，比第二名 47.0 分高出 7.7 分；CHAOS-Bench 得 29.78 分，是第二名的 1.4 倍以上。该模型支持中英双语文档与 PDF 解析，在扫描、弯曲、拍照、倾斜、翻拍等采集条件下保持稳定。同一天开源的还有 MiniCPM-OCR Jev，它不输出任何识别文字，只对识别结果做评判，用于给 OCR 输出打分而非答题。
来源：https://mp.weixin.qq.com/s/5dWXYF1Cozx3nIaZ6Etv9g
扩散智能开源 Clover-35B-A3B，6 项 Agent 评测排名第一
深圳扩散智能（DiffuSpace）发布并开源扩散语言模型 Clover-35B-A3B-Preview，采用 MoE 架构，总参数 350 亿、激活参数 30 亿，支持思考模式。在 SWE-bench Verified、Terminal-Bench2.1 等 6 项智能体编程与工具使用评测中排名同级别第一，具体分数为 SWE-bench Verified 73.6、Terminal-Bench2.1 51.7、τ³ Overall 65.3，另有 GPQA Diamond 83.8、ZebraLogic 95.8、AA-LCR 72.0。效率方面，单张 NVIDIA GB300 上以 BF16、batch size=1 达到 680 tokens/s，单张 H200 上为 515 tokens/s，高于 DFlash2 方案的 365 tokens/s；49 项 Agent 任务、每项 3 次尝试的评测中执行耗时中位数 1.52 秒，Gemini 3.6 Flash 为 8.86 秒。同步推出的决策模型支持独立与联合两种作答模式，在 500 组、2420 道关联问题的内部验证中联合模式答对 95.0%，80.4% 的问题组全部答对，独立模式为 89.8% 和 62.4%，Jev 在相同题目的历史评测中为 63.6% 和 15.8%；该决策模型还在中国象棋对弈中执黑战胜 Jev。公司 2026 年成立于深圳，由港大 NLP 实验室联合主管孔令鹏及博士生龚珊三、叶佳成联合创立，此前 Dream 系列模型在 Hugging Face 累计下载超 270 万次，两轮融资总额数亿元人民币。
超衍智能发布 Apex-35B-V1.0，21 项基准中 20 项领先同级
由清华大学人工智能学院 27 岁助理教授陈勇超创立的超衍智能发布首个 35B 模型 Apex-35B-V1.0，兼顾通用能力与研究能力，覆盖 Coding、Agent、问答、深度搜索，以及 AI 研究、计算科学和机器人仿真。在 21 项基准测试中，它相对同量级 Qwen3.6-35B-A3B 在 20 项上领先；相对 40B 的 Recursive Flint 取得 18 项领先、1 项持平；部分高难度评测中超过 500B 和 800B 规模的模型。模型基于 Qwen3.6-35B-A3B 做中训练与后训练，加入自有数据集和研究轨迹，并把递归自我改进（RSI）引入研发流程，让 AI 参与实验与结果分析，再把验证有效的成果用于后续迭代。公司今年 6 月成立，数月内完成两轮融资、总额接近 4 亿元，四个月内推出该模型。
来源：https://mp.weixin.qq.com/s/ebcoQ-nClgWK4oT43B-QNw
腾讯混元开源 Hy-Nomas：文本与镜头交替控制的视频世界模型
腾讯混元开源 Hy-Nomas，探索视频世界生成中的 Free-form 交互：用自然语言指定角色动作，用连续相机控制调整视角，两者可以在多轮交互中交替使用，让后续生成延续已有场景与故事。演示中包含 60 秒长度的连续生成，以及「离开一处场景再返回」的一致性测试。评测基准 Hy-Nomas-Bench 含 280 个案例，覆盖多轮文本交互 60 个、相机控制 100 个、文本与相机交替控制 60 个、空间记忆 60 个，每个案例在同一世界中连续执行且轮次之间不重置场景，由三名经标准校准的标注者做成对评测。结果上，文本指令遵循相对 HappyOyster-Directing 和适配后的 LingBot-World v2 胜率分别为 65.0% 和 75.0%；交替控制相对 LingBot-World v2 的指令遵循与物理合理性胜率分别为 75.0% 和 73.3%；空间记忆相对 LingBot-World v2 胜率 58.3%，相对 Genie 3 为胜 13.3%、平 56.7%、负 30.0%。官方同时指出长程空间一致性仍有提升空间，代码、模型权重与评测基准已开放。
来源：https://mp.weixin.qq.com/s/SKfcV0l1bfhLd226wRa7Ag
英伟达发布 Nemotron 3.5 Transcribe 与 Granary v2 转录模型
英伟达在 Hugging Face 博客发布 Nemotron 3.5 Transcribe 与 Granary v2，官方定位为「可提示、可适配」的多语言智能转录模型。博客正文未给出参数量、支持语种数量与具体评测分数。目前可确认的信息仅为该组模型用于多语言转录并支持提示与适配两种使用方式。
来源：https://huggingface.co/blog/nvidia/nemotron-transcribe-granary
Google 发布 Gemini 4 Carbon，主打网络安全与长程任务
Google DeepMind 发布博客宣布 Gemini 4 Carbon，称其是公司目前最强的模型。官方给出的两个重点能力方向是网络安全与长程（long horizon）任务，并称在这两项上达到 state-of-the-art 水平。博客未披露参数规模、上下文长度、定价与具体基准分数。
来源：https://deepmind.google/blog/gemini-4-carbon-our-next-frontier-model/
技术与洞察
Anthropic 实验：86% 的关键决策跟着 AI 预设立场走
Anthropic 对齐团队做了一场随机对照实验：从预筛池招募 61 名专业数据分析师，其中 50 人使用 Claude Code 完成一项真实商业分析，11 人不用 AI 作为参照；50 人中 65% 拥有硕博学位或 6 年以上从业经验，90% 自评「精通」或「专家」，全员熟练使用 Python 或 R 并通过因果推断知识测试。实验用掷硬币的方式随机给 AI 设定立场，分析师全程不知情。结果显示，86% 的关键分析决策跟随了 AI 的预设立场，若无影响该数字应为 50%；当 AI 给出反对意见时，60% 的人当场改口；77% 的人在事后解释理由时复述 AI 的论点，部分近乎逐字照搬；只有 15% 承认观点来自 AI，52% 坚信最终结论更多出自自己的判断。任务设定在一家虚构的「格林菲尔德农业合作社」，董事会要决定补贴推广还是停掉自愿付费的农业咨询服务，判断标准是能否让农场生产力提升约 3% 至 4%，但「生产力」如何计算并未给出，分析师必须在指标、方法等四个岔路口各做一次选择。Google DeepMind 的 Alex Imas 对此评论称，专家几乎全盘照搬了 AI 建议，却打心底认为这是自己的独立判断。
来源：https://mp.weixin.qq.com/s/C4DpSA7fH6xT8IgTVPUhpw
NeurIPS 2026 Oral 的 NV-CoT：用连续坐标替代文本边界框
南洋理工大学、中国科学技术大学、新加坡国立大学与微软研究院提出 NV-CoT（Numerical Visual Chain-of-Thought），让多模态模型直接预测连续数值坐标来做区域选择，而不是把边界框坐标当成文本 token 逐个生成。论文已获 NeurIPS 2026 Oral（Top 0.4%），第一作者为南洋理工博士生赵克森，通讯作者为中科大特任教授朱贝尔。方法上，它在语言模型输出头之外增加 4 个轻量线性输出，直接预测框的左上角与右下角坐标，监督微调时文本继续用交叉熵、坐标用回归损失；在 Vis-CoT-363K 验证集上，定位 IoU 从 Vis-CoT 的 47.3 提升到 59.5，提高 12.2 个百分点。强化学习部分，它为 4 个坐标预测分布中心并加第 5 个输出预测共享尺度以控制探索范围，采用 Laplace policy 将边界框建模为各维独立、共享尺度的四维连续分布。工作同时支持监督微调与强化学习，并放出了基于 Qwen3-VL-8B 的开源版本。
来源：https://mp.weixin.qq.com/s/9ulrbPZTBs8wAO6PrFhwEQ
Google 等提出 StreamVibe：183.4 小时视频训练主动式 Agent
Google 等研究团队提出 StreamVibe，聚焦动态环境下的主动式视频 Agent：通过持续视频观察与交互，不仅识别用户的显式需求，还从行为里推断未表达意图，并随任务进展更新对目标的理解。团队构建 StreamVibe-Bench，把意图分为显式（如「水烧开时告诉我」）、隐式（如「帮我把这道菜做好」）和动态三类，动态意图再细分为 Revision 修改已有要求、Composition 叠加新目标或约束、Interruption 插入需即时处理的问题。基准含 4,100 个评测样本、20,546 个帮助点和 183.4 小时视频，三类意图样本量分别为 600、2,000 和 1,500，每个候选帮助点带响应时间窗口与参考回答，经四位评审独立核验全部通过后才保留。评测同时考察单点判断与完整视频流中的持续交互，后者让模型承接自己的历史输出继续运行，用于暴露重复提醒、漏答、错误累积和意图跟踪失误。
来源：https://mp.weixin.qq.com/s/aWFQ5IAgweM01dV976GEng
MemAdapter：把谄媚失败率从 82.0 压到 51.0 的后检索校准
针对长期记忆带来的「记忆诱导的谄媚」（过时或错误的记忆被反复检索进推理，Agent 仍一味迎合），研究者提出后检索校准框架 MemAdapter，不改动上游记忆系统即可接入。预实验给出两个结果：只挑选事实正确、高度相关的记忆加入后，总体准确率从 96.0 跌到 77.3，原本答对的样本中有 19.4% 被记忆带错且全部错向记忆所指方向；同一条记忆该发挥多大作用取决于当前任务，例如「用户是心脏科医生」用于调整术语深度是恰当的个性化，用于迁就治疗方案偏好则是谄媚。方法分三步：反事实归纳，固定某条记忆并系统变换未来任务条件，归纳出条件化使用边界；上下文感知反思，把边界与当前请求、现有证据逐条对照，为每条记忆生成任务特定的使用指令；证据驱动推理，生成答案的同时产出内部支撑轨迹并逐段校验。实验覆盖 MemSyco-Bench、PersistBench、MemTrapBench 三个基准与 A-MEM、Mem0、NaiveRAG、MemoryBank、LightMem 五套记忆系统，骨干为 DeepSeek-V4-Flash：Mem0 上「何时用记忆」从 44.35 升到 87.89（+43.54），MemoryBank 上谄媚失败率从 82.0 降至 51.0；换用 Qwen3-8B 后 NaiveRAG 平均准确率从 36.86 拉到 86.67（+49.8）。消融显示逐级叠加模块时 NaiveRAG 平均准确率为 70.25、84.26、85.16、89.94，代价是部分系统的「有益记忆失败率」上升。
开发生态
Android Studio 开放第三方 Agent，UI 任务快 77%
Google 通过「Bring Your Own Agent」功能向第三方 AI Agent 开放 Android Studio，IDE 目前支持超过 40 个编码 Agent，包括 Anthropic 的 Claude Agent 和 OpenAI 的 Codex。Google 表示新增的终端工具可让 Agent 完成 UI 任务的速度提升 77%，同时 Token 用量最多减少到三分之一。Android 开发流程由此转向以 Agent 为中心的组织方式。
GitHub Copilot Fusion 转正：Max 档 60 分，成本约为一半
GitHub Copilot Fusion 正式可用，开发者不再为每个任务挑模型，而是在模型选择器里选 Fusion 并决定投入档位，由系统为每个提示自动路由与编排模型。它合并了 Project HydraFusion 的多模型编排与 Copilot 自动选模的微调能力。在 Artificial Analysis Coding Agent Index 中，Copilot Fusion Max 得分 60，距 Claude Code 搭配 Opus 5.5 Max 差 2 分以内，而每任务平均 API 成本约为后者一半，Token 用量约为一半，耗时少约 40%。档位分为 Standard（日常编码的通用模型）、High（难任务与更深推理）、Max（最复杂任务与最强模型）；编排工作流包括 Single（单模型直接解）、Cascade（高效模型起草后质检决定是否升级到更强模型）、Critique（一个模型起草、另一个审阅、原模型修改）。管理员可查看 Fusion 从哪些模型中选择、单独设置每个模型的有效策略状态，并在不整体禁用某模型的情况下禁止 Fusion 调用它。
来源：https://github.blog/changelog/2026-10-28-route-and-orchestrate-models-with-github-copilot-fusion
Junie Local 在 M5 Max 上提速 70%，峰值 107 tokens/s
JetBrains 的 Junie Local 在 Mac M5 Max 上处理编码任务时从约 40 tokens/s 提升到约 70 tokens/s，峰值可达 107 tokens/s。两项改动带来这一结果：一是换用 Inco AI 于 9 月发布的 Splash 推理引擎替代原有 MLX-VLM，Splash 围绕少数 Qwen 模型专项优化，每个解码步一次验证 8 个草稿 token，且每个位置的注意力开销降低一个数量级，使解码速度随上下文增长几乎不衰减，团队还把此前在 M5 上做的 int8 优化移植到 Splash。二是配套新的 DFlash2 草稿模型：官方称 Qwen 3.8 倾向过度思考，生成大量思考 token 抵消了速度收益，因此使用 Qwen3.8-3.6-27B-blend 并为其训练 DFlash2 草稿模型，训练数据由在内部编码环境运行 Junie Local 产生的一批 Agent 编码轨迹构成。DFlash 类模型对领域分布敏感，熟悉任务上的接受率更高，因此 Agent 在熟悉任务上更快、陌生任务上更慢。
来源：https://blog.jetbrains.com/junie/2026/10/junie-local-splash-dflash2/
产品应用
豆包工作上线录制技能：6 分 32 秒整理 30 条招标公告
豆包工作的 Computer Use 新增两项能力：录制技能与 Mac 锁屏工作。录制技能让用户在电脑上演示一遍流程，由豆包记录操作与画面并整理成可复用技能，录制范围从此前的浏览器页面扩展到全局电脑操作，可覆盖浏览器、Excel、桌面软件的连续流程；录制过程中还能用语音补充判断规则，例如金额单位统一换算成万元、未披露预算标注为空而不填零、公开招标与中标结果不混在一起。实测场景是整理政府采购招标公告：录制后生成名为「ccgp-tender-summary」的技能摘要，需要提取项目名称、采购单位、预算金额、公告发布日期、投标截止时间、公告链接六个字段，并区分固定规则与可变输入。随后换关键词执行「近一个月打印机招标」，豆包自动打开中国政府采购网、输入关键词、限定公告类型与时间范围，返回 30 条公告；中途批量提取规则效果不佳，它改为重查网页文本结构、调整提取规则并从搜索结果摘要补齐缺失字段，最终合并数据生成 Excel，全过程用时 6 分 32 秒，30 条记录分列归档。Mac 锁屏工作则允许完成授权后在锁屏状态下继续操作电脑，并支持从手机远程下发任务。
费莫一发布行动伙伴 Sagi：不建图进场，跨楼层送货
费莫一科技（PHYMI）10 月 28 日发布 Sagi（萨其玛），定位为行业内首个「行动伙伴」Physical Agent，形态为四轮足、人形上身、背着小型货箱，英文名取自人马座。公司成立初期完成近亿美元种子轮融资，由 IDG 资本领投，云启资本、滴滴出行、复星锐正、耀途资本、禾赛科技跟投，融资公布一个月后即推出首款产品。Sagi 的核心能力是接收一个目标后在开放、动态的真实场景里把跨场景移动与物品操作连起来，遇到需要判断的情况再通过 LINK 与人协作。它走的是免部署路线：不铺磁条、不贴定位标签、不提前建图，第一次进入陌生环境就在执行任务过程中边走边探索并逐步形成记忆。演示场景包括在堆满纸箱的社区快递站识别目标包裹、由双臂抱起放入背箱后自主乘电梯送到住户门前，穿越办公园区大堂与电梯递送物品，以及在公园露营的崎岖草地上驮物资跟随。创始人刘念邱此前是元戎启行的技术合伙人、董事，参与无图智驾方案落地与端到端、VLA 大模型演进。
行业动态
Physical Intelligence 洽谈 10 亿美元融资，估值或达 200 亿美元
据知情人士透露，开发机器人通用 AI 软件的 Physical Intelligence 正洽谈新一轮融资，计划筹集至少 10 亿美元，估值可能接近翻倍至约 200 亿美元，现有投资方 Avenir 和 Lux Capital 正在洽谈领投。该公司今年早些时候曾以 115 亿美元估值完成融资，目前尚未产生营收；其他投资方包括 Alphabet 旗下独立成长投资基金 CapitalG、Jeff Bezos 与 Thrive Capital。公司 2024 年成立，创始团队由前 Google DeepMind 研究人员及斯坦福、加州大学伯克利分校学者组成，正在开发可适配多种第三方硬件平台、执行广泛机器人动作任务的 AI 系统。近期招聘信息显示，员工将训练机器人完成拿取食品杂货并装入购物袋、将杯子和盘子分类放入收纳箱、安装灯泡等家庭任务。本月早些时候它向外部开发者开放了最新机器人模型供访问与微调，目前仍处测试阶段。同行 Skild AI 在今年 1 月的一轮融资中估值 140 亿美元，9 月宣布年化经常性收入突破 1 亿美元。
Anthropic 收购一人药企 Mithril，18 个月推进到小鼠实验
Anthropic 收购了一家由单人运营的医药公司 Mithril。该公司创始人借助 Claude 与 11 个外部实验室合作，在不到 18 个月里把一种针对某种肌肉萎缩症的潜在疗法从构想推进到小鼠体内取得令人鼓舞的结果，预计最早 2028 年底可有一种药物准备好进入人体临床试验。Anthropic 在 2026 年半年内完成四笔收购：4 月收购 Coefficient Bio，团队不到 10 人，交易约 4 亿美元全股票；5 月收购 SDK 与 MCP server 生成器 Stainless，据报道金额超过 3 亿美元；最新公布的 Mithril 具体金额未披露，按此前交易推断可能在几千万到上亿美元区间。
前瞻与传闻
Qwen4-27B 架构随推理内核 PR 泄露：四路残差加稀疏注意力
Qwen4 尚未发布，但英特尔 GPU 推理加速仓库 analytics-zoo/vllm-xpu-kernels 中一份编号 #22 的 PR 已被合并，标题直接写出「optimize qwen4-27b」，包含 10 次代码提交、56 个文件变更。该 PR 为 Qwen4-27B Dense 提供 TP2 FP8、TP1/TP2 INT4 的 SYCL/SYCL-TLA 内核，意味着已覆盖双设备 FP8 与单设备、双设备 INT4 量化路径；按每参数 4 bit 估算，270 亿参数模型的权重理论上约需 13.5GB，尚不含 KV Cache、中间激活与运行时开销。性能记录显示，在 8 张 Intel B70 加速卡上，Qwen4 TP2 FP8 配置下 32K 输入的首 Token 延迟从约 37.41 秒缩短到 21.84 秒，降幅约 42%，INT4 配置改善幅度接近。llama.cpp 社区开发者顺着线索做了逆向比对：Qwen4-27B 延续 27B Dense 路线，隐藏层维度同为 5120，但引入四路 Hyper-Connections 残差、Sigmoid 输出门控与 QSA 稀疏注意力，前馈网络中间维度可能有所缩减，这些设计与 8 月发布的 Qwen3.8-Flash-Next（125B 参数、每 Token 激活约 6B 的 MoE 模型，被官方定义为 Qwen4 架构预览）一脉相承。该 PR 注明目前未提供 Qwen4 的 QSA 权重，QSA 与 MTP 的组合也未启用，因此尚无基于真实权重的端到端验证；距阿里在云栖大会透露 Qwen4 进入训练阶段仅过去一个多月。
暂无评论。