Gemini 3.8 Flash 发布,Meta 推 Muse Spark 1.3

1.Gemini 3.8 Flash 与 3.8 Flash Cyber 发布，6 周内第三个 Flash 版本#

Google DeepMind 今日发布 Gemini 3.8 Flash 与网络安全专用模型 3.8 Flash Cyber，模型能力对标旗舰档位，但 API 价格继续维持在 3.7 Flash 的水平。

• 发布节奏：这是 Google 6 周内发布的第三款 Flash 模型；官方称 3.8 Flash 面向长时程软件工程、自主 Agent 与多步推理，用“更小步骤 + 更频繁验证”提升任务质量，同时保留可调思考档位控制成本。
• 渠道与价格：输入/输出仍为 $0.75/$3.75 每百万 token；已在 Gemini API、AI Studio、Antigravity、Gemini App、OpenRouter、Poe 和 Cursor 同步上线，并成为 Antigravity 默认模型。
• 关键跑分：DeepSWE v1.1 达到 73.7%；LMArena 评测中，Gemini 3.8 Flash (High) 在 Agent Arena 从 3.7 Flash 的 #32 升至 #14（净提升 +5.94%），Text Arena 排名 #7（1494 分）；单任务中位成本 $0.22，与 Grok 4.5、GLM 5.2 同档但价格低 44-50%。
• Cyber 版与 Fairwind：3.8 Flash Cyber 在 CyberGym 上获 86.2%、CWE-Bench 47.2%；在真实 Chrome 漏洞上产出的正确补丁数量是更大商用模型的 2.6 倍。Google 通过新 Fairwind 计划向国家网安部门、电信与能源等关键基础设施开放该模型。
• 社区实测提醒：Browser Use 对比同一 Agent 任务，3.8 Flash 的 token 消耗约为 3.7 的 2.17 倍、模型调用 1.83 倍，实际支出增幅可能高于纸面单价。

🔗 Google Blog | Google DeepMind | Logan Kilpatrick | LMArena | Browser Use

2.[持续跟踪] Fable 5.1 登顶 Code Arena WebDev，领先 77 分#

Anthropic 昨日发布的 Fable 5.1 今日在 LMArena 的 Code Arena WebDev 以 1765 分登顶，比第二名高出 77 分。

• 前情提要：Fable 5.1 与 Mythos 5.1 于昨日发布，面向复杂推理与长时 Agent 任务，缓存读取价格较 Fable 5 降低 75%。
• 最新突破：Fable 5.1 (Max) 在 WebDev 榜从 Fable 5 (Max) 的 1628 分提升至 1765 分；Qwen3.8-Max-0902 与 Opus 5 (Max) 分别以 1688 和 1678 分位居其后。
• 成本位置：按约 $40/MToken 的混合价格计算，Fable 5.1 将高质量 WebDev 生成的成本-性能边界明显上移，与同价位模型拉开差距。

🔗 LMArena | Claude

3.[持续跟踪] Claude 系统提示更新：明确拒绝歌词与版权角色复现#

Anthropic 公开的 Fable 5.1 系统提示新增了大段版权限制条款，禁止复制歌词、诗句、书籍段落，以及用代码绘制的版权角色和设计。

• 前情提要：索尼音乐与华纳音乐出版公司在 Fable 5.1 发布前夕起诉 Anthropic，指控其训练数据大量包含歌词。
• 最新变化：与 Fable 5 相比，新提示明确“不复制任何歌曲歌词、诗歌或书籍段落，包括最后一句、副歌、逐音符旋律；一旦拒绝，后续对改写或换种方式提出的同类请求也继续拒绝”。同时禁用 SVG、Canvas、CSS、ASCII art 等形式绘制 Sonic、米老鼠等知名角色——改变姿势、颜色或场景不构成原创。
• 附带调整：系统提示新增向 dancesafe.org 等外部减害资源导流的规则，并删除了旧版“被粗暴对待后可主动结束对话”的指引，改为要求 Claude 不卑不亢但保持帮助。
• 可追踪性：Anthropic 文档支持以 .md 形式获取系统提示，开发者可直接 diff 新旧版本；Simon Willison 建立了 claude-system-prompts 仓库，用 GPT-5.6 Luna 自动生成变更摘要。

🔗 Simon Willison | Anthropic 系统提示 | simonw/claude-system-prompts

4.美司法部在 OpenAI 版权案中表态：LLM 训练不构成侵权#

美国司法部认为以版权作品训练 LLM 不违反版权法，并警告若按侵权处理会损害美国科学、繁荣与国家安全。

• 诉讼背景：该意见提交于 OpenAI 与《纽约时报》的版权纠纷中；《纽约时报》指控 OpenAI 未经授权使用其文章训练模型。
• 立场要点：DoJ 将模型训练与内容输出分开看待，支持“合理使用”路线；这是美国联邦政府部门罕见地直接为模型厂商背书。
• 潜在影响：虽然该意见对法院无强制约束力，但在国会尚无统一立法的阶段，可能影响其他未决的训练数据诉讼，并缓解企业侧对 API 服务的版权担忧。

🔗 Julien Chaumond

5.[持续跟踪] Anthropic 获美国商务部信任背书，出口限制解除#

美国商务部长 Howard Lutnick 公开表示“我们信任 Anthropic”，此前针对 Fable/Mythos 的出口管制被撤销。

• 前情提要：夏季期间，美国商务部曾对 Anthropic 的 Fable 与 Mythos 模型施加出口管制，五角大楼一度将该公司标记为“供应链风险”——该措辞通常留给外国对手。
• 最新进展：Lutnick 向 Axios 表示 Anthropic“做了我们要求的事”，并称其“回到了正确一边”。
• 行业意义：Anthropic 与美国政府的关系重新校准，标志着前沿模型安全评估与政府采购之间的互动进入新的阶段。

🔗 The Rundown

6.DeepSeek 发布 V4 Pro 0813 与开源评估 Harness#

DeepSeek 在更新 V4 Pro 0813 的同时开源了 DeepSeek Harness，使模型表现首次可以被开发者完整复现。

• 版本更新：DeepSeek V4 Pro 0813 已上线；更大的看点是随附的评估框架完全公开。
• 开源细节：Harness 记录每一次工具调用、系统提示与子代理调度，开发者可以重放任务、检查失败原因，也可以直接 fork 改造为自己的 harness。
• 行业意义：当“哪个模型更强”的讨论越来越依赖封闭榜单时，可复现的评估层提供了独立验证路径，让模型跑分从宣传数字变成可审计的过程。

🔗 DeepLearning.AI

7.Perplexity 开源本地推理引擎 Lily#

Perplexity 将面向 Apple Silicon 的本地推理引擎 Lily 开源，官方测试显示吞吐较 MLX-LM 高 23%-35%。

• 技术定位：Lily 为 Perplexity Mac 应用的“混合计算”功能开发，专用于本地运行 Qwen3.6-35B-A3B，避免设备端推理拖慢 Computer 类 Agent 任务。
• 实现特点：Lily 把苹果芯片视为独立推理平台，将 Qwen 算子直接映射到其计算与内存架构，而不是通过通用运行时做间接适配。
• 基准测试：在 M5 Max MacBook Pro 上，平均 prefill 吞吐为 MLX-LM 的 1.23 倍，decode 吞吐为 1.35 倍，输出质量基本持平。
• 代码地址：项目位于 pplx-garden 仓库的 lily 目录。

🔗 Perplexity | 技术博客 | GitHub

8.Cursor 支持在自有基础设施上运行 Cloud Agents#

Cursor 将 Cloud Agents 的执行层开放到用户自己的机器与第三方沙箱，Agent 循环仍由 Cursor 托管，但代码与数据无需离开企业环境。

• 新能力：用户可将 Agent 指向自建机器池并自动扩缩容，也可选择 AWS Lambda、Coder、Cloudflare、Daytona、E2B、Modal、Namespace、Vercel 等沙箱提供商。
• 典型用途：让 Agent 安全访问内网服务或专用硬件（如 GPU），同时保留 Cursor 的 IDE 编排体验。
• 行业信号：这是编码 Agent 从“厂商侧黑盒执行”转向“用户侧可信边界执行”的又一进展，与 Docker 提出的“harness 之下”runtime 治理讨论形成呼应。

🔗 Cursor | Cursor Blog

9.[持续跟踪] World Labs Atlas：从几张照片到机器人训练仿真#

World Labs 联合创始人 Justin Johnson 演示了用 5 张手机照片 + Atlas 重建房间仿真，随后让机器人基础模型在仿真中学会从未见过的空间内执行任务。

• 前情提要：Atlas 世界模型昨日发布，可从 3-5 个稀疏视角补全三维场景并生成新机位画面。
• 最新进展：a16z 访谈透露 Atlas 正在接入 real-to-sim-to-real 技术栈：上传数张照片 → 生成空间仿真 → 用自然语言让 Agent 搭建任务场景 → 对通用机器人模型做 RL 微调。
• 潜在影响：如果流程规模化，机器人跨场景部署将不再依赖昂贵的大规模真实数据采集；用手机拍几张照片即可为一个“陌生房间”定制可工作的机器人。

🔗 a16z | World Labs | 演示转发

10.纽约市公立学校全学年禁用生成式 AI（K-8）#

纽约市公立学校在 2026-27 学年禁止 pre-K 至八年级使用生成式 AI，覆盖超过 60 万名学生。

• 政策范围：禁令覆盖整个学年，涉及课堂作业与官方应用；目前未说明高中是否适用。
• 官方表态：市长 Zohran Mamdani 称不认同“AI 早期教育不可避免且必要”的行业叙事。
• 后续关注：纽约市为全美最大学区之一，其立场可能影响教育科技公司的产品策略，并加剧各州对课堂 AI 的监管分歧。

🔗 The Rundown

⭐ GitHub 趋势#

📊 类别速览

项目	类别	Stars
pacifio/atlas	AI Agent / 开发工具	2.9k
debpalash/VoiceStudio	语音 AI / 开源产品	14.7k
google-research/timesfm	时序基础模型	29.7k

---

1. pacifio/atlas ⭐ 今日 +888#

语言/许可： Rust / MIT
总 Stars： 2.9k
仓库： GitHub

项目定位：
面向多编码 Agent 工作流的源码控制层，解决“代码提交与 Agent 推理过程脱节、无法追溯”的问题。适合同时使用 Claude Code、Codex 等编码 Agent 的团队和个人。

核心功能：

• 每次 Agent 会话生成 checkpoint，将 commit 与会话内的 prompts、工具调用、文件 patch 关联，支持回溯查询
• 通过 ACP（Agent Client Protocol）并行接入 Claude Code、Codex、OpenCode 等，支持在同一代码库切换 Agent 而不丢失上下文
• 本地设备端语义索引，跨 Agent 共享决策与变更记忆；@ 可解析文件、符号、commit、历史会话
• 本地优先存储，git 提交通过观察而非拦截，rebase/amend 后 checkpoint 仍可关联

技术亮点： Rust 实现；本地嵌入 + HNSW 检索实现跨 Agent 记忆召回，无需外部服务。

---

2. debpalash/VoiceStudio ⭐ 今日 +832#

语言/许可： Python / AGPL-3.0
总 Stars： 14.7k
仓库： GitHub

项目定位：
面向自托管与隐私优先用户的本地语音处理套件，覆盖克隆、合成、配音与转录全流程，定位为 ElevenLabs 等托管服务的本地替代方案。

核心功能：

• 零样本语音克隆与基于属性描述的语音设计，支持从短视频样本生成声音
• 视频配音流水线：转写、翻译、说话人分离、配音合成与视频导出
• 内置 16 种 TTS 引擎与 11 种 ASR 引擎，支持 646 种语言目录，可通过模型目录统一管理
• 提供本地 REST/SSE/WebSocket API、OpenAI-compatible 音频 API 与 MCP Server，便于外部工具集成

技术亮点： CUDA / ROCm / MPS / MLX 多硬件后端，支持本地与远程 GPU worker 混合调度；核心流程默认离线运行。

---

3. google-research/timesfm ⭐ 今日 +343#

语言/许可： Python / Apache-2.0（TimesFM 3.0 预训练权重为非商业许可）
总 Stars： 29.7k
仓库： GitHub

项目定位：
面向时序预测任务的预训练基础模型，解决零样本预测和多变量/协变量建模问题，适用于业务指标、传感器、金融等时序场景。

核心功能：

• TimesFM 3.0 原生支持多变量联合预测，以及 past-only / past-and-future 动态协变量，无需任务级微调
• 支持变长上下文输入与分位数预测输出，可输出点预测 + 0.1–0.9 分位数区间
• 提供 Hugging Face Transformers + LoRA 微调示例与评估工具
• 官方在 fev-bench、TIME Benchmark、GIFT-Eval 三个时序基准中取得领先排名

技术亮点： Decoder-only Transformer 架构，在零样本通用预测任务上验证了基础模型范式；旧版本代码已迁移至独立子目录，最新 PyPI 包支持 PyTorch 与 Flax 推理路径。

🟧 Hacker News 热议#

Muse Spark 1.3#

332 pts · 234 comments · meta.com

📌 内容总结

• Meta 发布面向 agentic workflow 的 Muse Spark 1.3，定位长周期 coding agent；强调首次尝试准确率、可靠 tool calling，原生支持图像/视频/文档等多模态输入，上下文窗口 1M。
• 双档定价是核心产品决策：muse-spark-1.3-contributor 允许 Meta 用数据改进产品，$0.10/$0.20 per Mtok；muse-spark-1.3 不参与训练，定价 $1.25/$4.25 per Mtok。
• 官方称视觉推理跑在真实执行环境而非脚本步骤中；benchmark 覆盖 DeepSWE 等长周期软件工程任务，并宣称接近或超过更大规模前沿模型。

💬 讨论总结

• 快速实测集中在 Simon Willison 的 pelican SVG 用例：1.3 比 1.2 更遵守指令、画面结构更好，约 4.2 美分 / 38 秒；reasoning 档位从低到 xhigh 会显著增加 token 与耗时。
• contributor 定价是最大话题。支持者认为“允许训练换折扣”是透明的价格歧视，也给出用户训练数据价值的量化锚点；不信任者则讽刺“not used to improve”只是企业版 SSO，Meta 不太可能守住边界。
• 对实际能力评价分裂：有人觉得 1.2 在 OpenCode 上免费且好用，像“工具型助手”而非多嘴的 AI；也有人遇到复杂 bug 时 1.2 会不断输出雷同 thought 总结，切到 GLM-5.3-Flash 后才解决。
• 最强质疑来自官方自己的发布口径：博客称 max reasoning 还需额外安全测试、稍后上线，但 benchmark 表只展示 max reasoning 结果。
• 评论还指出 1.3 的 pelican 用例 token 消耗约为 1.2 的 3 倍，低价是否真的便宜需要看任务总成本。
• Meta 信任问题是主要反对力量：有人因 $18B 诉讼拒绝使用；有人愿意多花钱避免 Meta 采集代码；也有评论认为 HN 对 Meta 的敌意已经盖过模型技术讨论。
• 工程经验：Muse Spark 针对自家 Muse Code harness 做过优化，第三方 harness 可能会消耗更多 token/轮次；低价 contributor 档可能吸引大量重复 batch job，其训练价值存疑。

🔗 原文 · HN 讨论页

Gemini 3.8 Flash and 3.8 Flash Cyber#

792 pts · 471 comments · blog.google

📌 内容总结

• Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber。前者是 3.7 Flash 的推理/编码升级，价格不变（$0.75/$3.75 per Mtok）；后者定位网络安全防御，仅通过 Fairwind Program 提供给受信任方。
• 设计取舍明确：模型在复杂任务上会主动“更努力”，执行额外推理步骤并反复调用工具；需要控制成本时可调低 effort 档位，3.7 Flash 继续保留为效率优先选项。
• Cyber 版在 CWE-Bench pass@1 为 47.2%，对比另一更大前沿模型 47.8%；Google 称 Chrome 安全团队得到的正确补丁数量是其他商业模型的 2.6 倍。
• 发布当天博客一度 404，Model Card 尚可访问；不少用户在 Gemini 应用/Workspace 中看不到新模型，只能从 AI Studio 或 API 使用。

💬 讨论总结

• 评论焦点之一是发布节奏：六周内第三个 Flash 版本；多个评论称 3.5 Pro 已被跳过，预训练已转向 Gemini 4。有人视为“高频迭代”策略，也有人认为只是为 4.0 蓄势。
• 性能实测：Artificial Analysis 给 3.8 Flash 智能分 59，与 Opus 5 medium 同级，DeepSWE 一度登顶；有开发者觉得响应快得不真实，适合原型与规则明确的任务。
• 反对意见集中在生产级 agentic coding：仍不如 Sol/Claude；需要频繁人工批准会抵消速度优势。较常见的用法是把 Flash 当执行层，由 Opus/Sol 做规划和 review。
• benchmaxxing 怀疑有具体数据：Terminal Bench 2 分数很高，但 TBench 4 只有 19.1%（Opus 5 为 51.8%）；Model Card 部分安全对比写的是 Gemini 3 Flash 而非 3.7 Flash，统计口径令人生疑。
• Google 的差异化仍被认可：原生音频/视频输入是 OpenAI/Anthropic 旗舰没有的；低价格 + 多模态使其在媒体分析和批量结构化提取上有真实场景。
• 订阅与工具链问题持续被抱怨：发布不即时、Antigravity/Gemini CLI 历史质量不稳、不同账号看到不同模型版本，导致模型能力没有充分转化为用户好感。
• 对 Cyber 变体的安全限制也有异议：研究者抱怨涉及 bio/cyber 的合法任务被越收越紧，反而把用户推向可“去审查”的中国模型。

🔗 原文 · HN 讨论页

Can I opt out of my input or output data being used for training?#

359 pts · 155 comments · mistral.ai

📌 内容总结

• 这是 Mistral 官方帮助文档，而非模型发布。核心规则：普通版 Vibe 默认允许训练，Enterprise 版默认不训练；Vibe 与 Mistral Studio/API 的 opt-out 是相互独立的开关。
• 具体控制位置：Vibe 在 Admin panel 的 Manage > Privacy 中关闭 Allow your interactions to be used to train our models；API/Studio 在 Admin panel > Privacy > Anonymous improvement data。
• 文档称一旦关闭，Mistral 不再将新输入/输出用于训练；但对已经进入训练流程的数据如何处理没有说明。
• HN 管理员将提交标题从“Mistral now trains on user input by default, except on enterprise tier”改回官方标题，避免过度解读。

💬 讨论总结

• 最受关注的是 Team/组织场景变化：有人称所在组织选 Mistral 本是为了欧洲隐私与中央控制，结果 Team 计划近期变成默认开启训练，且一度看不到 org 级关闭入口；部分测试 prompt 被训练，投诉后 Mistral 删除了相关数据。
• 该说法被后续回复部分反驳：非 Enterprise 账号至今仍能在 admin.mistral.ai 看到 org 级 toggle；有用户从创建账号起就关闭训练，设置仍保持 off。双方都承认文档与实际设置曾短期不一致。
• 对“默认训练”的反对很强，但存在两种分歧：一种认为 Claude/OpenAI/Gemini 也这么做，Mistral 只是把条款写得更直白；另一种认为 Mistral 长期靠“欧洲/隐私”定位获得市场，现在证明它不比美国同行干净。
• 商业现实被直接讨论：无法获得真实用户反馈就难以追赶前沿模型；用户对话对 Mistral 几乎是必须的训练资源，尤其当它已落后 OpenAI/Anthropic。
• 对法律保护的质疑集中在一处：企业合同若承诺不训练，单方面更改条款能否成立；若只是“vibe”产品线变更，用户很难证明损失。
• 实际经验：第三方入口（如 Kagi、duck.ai）的隐私承诺不等于上游模型厂商的承诺；订阅前需要分别检查 Vibe 与 API 的开关位置，以及当前套餐默认值。
• 个别意见被回复反驳：例如“所有公司都会在后台偷训”被指忽略企业合同违约风险；反过来，“可以 opt out 所以无所谓”也被批评低估了默认值与 UI 深埋对用户的影响。

🔗 原文 · HN 讨论页

1. Anthropic 开源 Claude Commerce Agents：落地结论是「少拆 Agent」#

• 核心动作：Anthropic 开源 commerce-agents 参考实现，包含面向消费者的购物 Agent（Shopping Agent）与面向店铺运营的商家 Agent（Merchant Agent），覆盖零售、旅行、电信、票务四个行业演示，并提供一个 Claude Code 插件 commerce-builder，用 /scaffold-commerce-agent 等命令针对自有后端生成或审查 Agent。
• 早期效果数据：Anthropic 称，运行在 Claude 上的购物 Agent 让零售商的购物车规模最高扩大 35%，消费者完成购买的可能性提高 60%。
• 架构判断：Anthropic 在多个企业部署后给出的核心结论与“多子 Agent 拆分”的主流直觉相反——商业 Agent 通常应是一个模型、一套循环，配合 Skills 与工具。子 Agent 移交会造成有损状态传递、增加交接延迟，仅适合能独立收口的窄任务；高频规则放系统提示词，长尾能力做成 Skills，工具直接对接现有搜索、库存与结算系统。
• 安全边界：改价、下单、动钱等动作不在提示词里约束，而在代码层分段、限额、校验；模型只能“提议”，执行权留在策略或 Harness 层，写入与渲染只接受服务端签发的 ID，防止幻觉 ID 与第三方注入。
• 行业意义：这是头部实验室首次将电商 Agent 的完整架构决策、成本控制手段与评测方法开源，等于给 Agent 工程化提供了一份可对照的“反直觉”基准线。

🔗 GitHub 仓库 | 架构解析博客

2. [持续跟踪] Fable 5.1 发布次日：官方“去 AI 味”提示指南与 /claude-api 审计 Skill 开源#

• 前情提要：昨日 Anthropic 发布 Claude Fable 5.1 与 Mythos 5.1，缓存读取价格从 $1/M 降至$0.25/M，整体价格下调约 25%，并推出企业前沿安全措施（EFS）。
• 最新突破：Anthropic 发布 Fable 5.1 专属提示工程指南，明确要求“删除所有矫饰性表达”——能用直接陈述时，不用隐喻、漂亮话或表演写作者姿态的语言。社区长期抱怨的 Claudish、Claudese、AI Slop 被官方正式列为待消除项。
• 新工具落地：Anthropic 开源 claude-api Skill 并内置到 Claude Code，提供三个核心子命令：/claude-api prompt-audit（扫描提示词中的过时反模式）、/claude-api cost-optimize（按实际用量模式给出省钱方案）、/claude-api migrate（按 breaking changes 迁移到新模型），支持 Python、TypeScript、Java 等 8 种语言。
• 现实案例：官方指出，从 Opus 4.8 迁移到 Opus 5 的内部客服基准中，“请双重核对”这类验证仪式会让模型重复劳动浪费 token；“尽可能详尽”类强调语会触发几十次完全没必要的系统搜索。提示词审计因此成为模型升级后的第一道工序。
• 行业意义：模型能力提升后，旧提示词中残留的“脚手架”会反向拖累性能。Anthropic 正把提示词卫生变成可执行的工程工具，而非抽象建议。

🔗 官方提示指南 | claude-api Skill

3. Meta 发布 Muse Spark 1.3：更克制的工具调用成为新卖点#

• 核心发布：Meta AI 上线 Muse Spark 1.3，针对 Agent 任务与编码做了定向打磨。官方强调它能在单一长对话中同时处理多个工作流，主动补全计划、持续记录已获信息，并在卡住时求助、在重大操作前确认。
• 量化提升：Meta 内部工程师对比显示，相比 Muse Spark 1.2，常见编程工作流中工具调用减少约 20%，Token 消耗减少约 25%，输出更简洁。方向不是“解更多的题”，而是“用更少的资源解同样的题”。
• 能力校准：新模型对自己能力边界的判断更清醒，不再幻觉出一个结果——这对生产环境可信度是直接利好。Meta 强调训练使用了多样化的 harness，避免模型绑定单一 Agent 框架。
• 市场进展：扎克伯格预告 Muse Spark 开放权重版本即将推出。媒体与第三方榜单认为，Muse Spark 1.3 的跑分已进入与 GPT-5.6 Sol、Claude Opus 5 同一梯队的世界前三水平。
• 行业意义：Agent 模型的竞争正从“会不会做”转向“能不能少走弯路、少浪费”。这比单纯刷高分更接近真实生产需求。

🔗 Meta 官方博客 | Latent Space 分析

4. [持续跟踪] Gemini 3.8 Flash 基准全景：1/7 成本逼近 Opus 5，短板同样明显#

• 前情提要：Google 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber，这是 6 周内第三个 Flash 版本（3.6 Flash 到 3.8 Flash 间隔约三周）。两款模型共享基础智能，Cyber 版仅通过 Fairwind Program 向受信任防御者开放。
• 工程能力：在 DeepSWE v1.1 上，3.8 Flash 拿到 73.7%，仅比 Claude Opus 5 的 74.0% 低 0.3 个百分点，超过 GPT-5.6 Sol（72.7%）与 Claude Sonnet 5（53.8%），较上代 3.7 Flash 提升 8.4 个百分点。
• 成本效率：在约 73–74% 的准确率下，3.8 Flash 单任务平均成本约 $1.5–2；Opus 5 达到 74$13，Fable 5 约 $15。即长程软件工程任务中，它以约 1/7 到 1/8 的成本实现几乎相同的通过率，处在帕累托前沿。
• 明显短板：不是所有科目都接近前沿。Terminal-bench 4.0 通用 Agent 能力仅 19.1%（Opus 5 为 51.8%）；GDPVal-AA v2 知识型工作 Elo 1545，与 Opus 5 的 1824 差距约 280 分，是表中最显著落差。
• 安全特性：3.8 Flash 在 Gray Swan 提示词注入评测中的被攻破率仅 5.5%，而 DeepSeek V4 Pro 为 60.1%、Grok 4.6 为 51.8%。3.8 Flash Cyber 在 CWE-Bench 自动修补中以 47.2% 逼近前沿模型的 47.8%，成本低得多；Chrome 安全团队用它修复了比最佳商用模型多 2.6 倍的漏洞。
• 行业观察：价格用促销价锁定到年底（届时翻倍），加上 Flash 三周一次的节奏与 Pro 系列的沉默形成鲜明对比——Google 正把“工作型模型”当作基础设施高速迭代。

🔗 Google 官方博客 | 第三方成本测算

5. 斯坦福两门新课同开：Agent 从“提示工程”走向“系统工程”#

• 课程发布：斯坦福 2026 秋季学期同时开设两门面向 Agent 的课程——Mihail Eric 的 CS146S《The Modern Software Developer》与斯坦福 NLP 团队（Diyi Yang、Michael Ryan、James Yang，来自 DSPy 与 SWE-agent 项目）的 CS329Z《Engineering AI Agents》。
• CS146S 的激进做法：85% 的旧教材被替换，课程要求学生必须向真实开源项目提交 PR（占成绩 30%），合作方包括 OpenHands、Semgrep、Vercel、Unsloth 等 15 个项目。授课者认为，当 Agent 能生成任何代码时，“判断什么值得做、什么能被真实维护者接受”的软件品味成为核心竞争力。
• CS329Z 的主线：全课围绕分解（decomposition）、数据（data）、评估（evaluation）三大工程挑战展开，覆盖 RAG、工具调用、记忆架构、多 Agent 编排、评估基础设施与安全，并特意对照阅读《Why Do Multi-Agent LLM Systems Fail?》与《Don’t Sleep on Single-agent Systems》。
• 课程设置信号：两门课都明确将课程定位从“用模型”转为“构建与维护 Agent 系统”。作业要求一手建系统、一手设计评测套件，反映业界对 Agent 工程人才的需求已从 Prompt 技巧转向系统级能力。

🔗 CS146S 课程页 | CS329Z 课程页

6. Ramp 数据：OpenAI 与 Anthropic 约 80% 企业收入来自 1% 客户#

• 数据发布：企业支出数据公司 Ramp 最新分析显示，OpenAI 和 Anthropic 约 80% 的企业收入来自前 1% 的客户，且这些头部客户高度集中在科技与 AI 行业本身。
• 风险结构：Ramp 称，这种客户集中度在其追踪的所有软件品类中都属罕见。由于头部客户之间高度相关，一旦市场出现调整，这些公司可能同步收缩 AI 支出，形成收入端的系统性风险。
• IPO 背景：该风险在 OpenAI 与 Anthropic 临近大规模 IPO 的节点尤其值得关注。投资者需要评估的不仅是收入增速，还有收入基座是否过度依赖少数同质化客户。
• 行业意义：这是少有的直接指向“AI 企业收入质量”的第三方数据，把市场叙事从“卖了多少”拉回“卖给谁、是否可持续”。

🔗 原始数据分析 | 讨论串

7. Video Delta Net 开源：视频生成提速 75–90 倍，快于播放速度#

• 技术发布：研究者发布 Video Delta Net（VDN），用混合注意力机制在不损失画质的前提下，将 MiniMax-H3 的视频生成速度提升 75–90 倍——在 8× NVIDIA B200 上，生成 14 秒 768p 视频仅需 11 秒，快于视频本身播放。
• 优化路径：该工作将 Delta Net 的递归状态压缩思想引入视频生成，替代部分全注意力计算，使长视频生成摆脱逐帧自回归的延迟瓶颈。
• 开放性：模型权重、训练代码与推理代码均已开源，并提供技术博客解读。这是继 MiniMax H3 全链路开源后，视频生成开源生态的又一次提速。
• 行业意义：当生成速度快于播放速度，实时互动视频、直播级生成内容的生产成本结构将发生改变——生成视频将从“渲染任务”变成“可交互的实时服务”。

🔗 项目与技术细节 | 讨论参考