Yeekal Logo Yeekal
4,490 字
早报 | MORNING 2026-10-13

Meta 发布 Muse Wonder 双模型,微软推出 Maia 300 芯片

今日要点
  • Meta 发布 Muse Wonder 双模型,100 万 token 上下文
  • 微软 Maia 300:每瓦 token 数比主流 GPU 方案高 40%
  • Perplexity Projects 用 Git 仓库共享 Agent 工作区
Meta 发布 Muse Wonder 与 Muse Wonder Full,100 万 token 上下文,支持文本、图片、视频、音频输入,主打 Active Memory 跨对话记忆与 Active Focus 持续攻坚,Artificial Analysis 智能指数 56;微软推出自研芯片 Maia 300,称每瓦 token 数比领先 GPU 方案高 40%,明年起扩至多吉瓦部署。

1️⃣ Meta 发布 Muse Wonder 系列:两款前沿模型,主打个人与专业 Agent#

  • 核心发布:Meta 推出 Muse Wonder 和 Muse Wonder Full,称在个人与专业智能体任务上达到前沿水平。Muse Wonder 通过 Meta Model API 和 Muse Code 提供;Muse Wonder Full 面向 Muse Code 订阅用户。
  • 规格与能力:100 万 token 上下文,支持文本、图片、视频、音频输入,输出文本。主打 Active Memory(跨对话记忆)和 Active Focus(持续攻坚)。
  • 评测对比:Artificial Analysis 智能指数 56,仅次于 Claude Opus 5.5 的 58;Harvey LAB 法律任务 13.1 对 GPT-6 Astra 8.6,SWE-Marathon 57.5 对 Opus 5.5 46.3,DeepSWE 79.0 对 74.2。但 Terminal-Bench、ProgramBench、OSWorld 等落后于 Opus 5.5。
  • 生态接入:OpenRouter、Vercel AI Gateway 已上线;Arena 将其接入 Agent Arena 与 Code Arena。 🔗 AI at Meta 发布 | 宝玉详解 | The Rundown

2️⃣ 微软推出 Maia 300:每瓦 token 数较主流 GPU 系统高 40%#

  • 核心发布:Satya Nadella 宣布微软自研芯片最大赌注,推出 Maia 300,称每瓦 token 数比领先的 GPU 方案高 40%。明年起将 Maia 家族扩展至多吉瓦部署,成为微软自身产品与服务的首要推理系统。
  • 当前部署:Maia 200 已在美国、欧洲、澳大利亚部署,在 Teams 和 Copilot 中实现最高 1.7 倍每瓦 token 数。
  • 行业意义:微软加入自研 AI 芯片规模化竞赛,目标结合全栈效率,同时继续引入生态创新。 🔗 Satya Nadella 推文

3️⃣ xAI 统一 Grok、Cursor 与 X Premium,推出 The X Subscription#

  • 核心发布:xAI 宣布将 Grok、Cursor 和 X Premium 的订阅计划统一为 The X Subscription。现有 Cursor 订阅者可保留或切换。
  • 权益变化:付费计划在 Cursor、Grok Build 及其他 Grok 产品之间共享一个用量池,Grok 模型的编码用量是同等 Cursor 计划的两倍。Premium、Super 和 Ultra 还包含 Grok Bot。
  • 定价调整:为给更多 Grok 用量腾出空间,新计划下 Cursor 中的第三方模型转为 API 定价。 🔗 xAI 公告 | Cursor 公告

4️⃣ Mistral 发布 Le Chonk 与 Mistral Large 4,强化工程视觉#

  • Le Chonk:在视觉定位 Dense 200 上取得 42%,Mistral 称领先闭源前沿模型;能精确定位图像中的物体。
  • Mistral Large 4:可对工程图纸缩放、检查、验证直到答案精确;支持检查机械零件、从 PDF 取证、扫描吉像素卫星影像。
  • 行业意义:视觉模型向专业工程、制造与地球观测场景深入。 🔗 Le Chonk 推文 | Mistral Large 4 推文

5️⃣ Google 在 BigQuery 预览 TimesFM 3.0:原生多变量时序预测#

  • 核心发布:Google Research 开发的 TimesFM 3.0,330M 参数,在 BigQuery 中预览,支持原生多变量时序预测。
  • 性能:在 GIFT-Eval、FEV-Bench、TIME 三大公开时序榜单排名第一,在 covariate 和多变量预测任务上达到零样本最优。
  • 能力:支持多目标联合预测、过去协变量和未来协变量;可作为单变量预测和异常检测的即插即用升级。 🔗 Google Cloud Blog

6️⃣ Perplexity 公开 Projects 的 Git forge 架构:Agent 共享仓库,grep 优于语义搜索#

  • 架构:每个 Perplexity Project 是一个 Git 仓库;每个 agent 在独立临时沙箱中工作,提交到 S3 上的共享仓库,人类与其他 agent 可跨会话继续。
  • 数据:少于 2% 的提交发生冲突;agent 用 ls 和 grep 搜索,在 150 个金融文档问答内部基准上准确率 62.7%,语义搜索约 37%。
  • 设计取舍:仓库持久化在 S3,沙箱临时化,崩溃只丢失未提交工作;无 GitHub 式的人工审批负担。 🔗 Perplexity 博客 | Aravind 推文

7️⃣ 阿里 Qwen 发布 QwenGyre:面向超长程 Agent 训练的弹性 RL 框架#

  • 核心设计:Elastic Scheduler 在 rollout 与训练之间动态重新分配 GPU,执行不中断,比 Colocate 提速最高 1.85 倍;Trajectory Processor 将分支执行转化为前缀共享的轨迹树,实现有界去重训练样本。
  • 效果:在 Qwen3.8-2.4T-A95B 上,每次 rollout 约 70 万 token,NL2RepoBench 从 52.5% 提升至 58.5%,端到端训练时间比 Async 减少约 44%。 🔗 Qwen 推文 | 论文

8️⃣ Meta 在 OCP 2026 发布液冷网络机架与开源 AI 传输协议#

  • 硬件:首款液冷网络机架 IcePack,以及 102.4T 交换机 IceCube,提供 128×800G 无阻塞交换容量,采用 Broadcom Tomahawk6C 与 NVIDIA Spectrum-6。
  • 架构:Flattened Planar Fabric(FPF),每个 GPU 通过八条 100G 链路连接八个不同交换机,从三层 Clos 降至两层,由 NIC 硬件负载均衡。
  • 开源:发布 MetaRoCE 开源实现;与微软、阿里共同发起 Open Switch Platform Architecture(OSPA),规范交换机平台层。 🔗 Engineering at Meta

9️⃣ Docker Hub 披露 CVE-2026-105445:账户转组织时 PAT 可被转移#

  • 漏洞:2024 年 8 月 26 日至 2026 年 9 月 30 日,账户转组织时会重新分配个人访问令牌(PAT)给新所有者,但不轮换或撤销令牌,攻击者可借此以目标用户身份操作。
  • 修复与调查:Docker 在收到报告后 4 小时内修复;检查了约 30.4 万次使用转移令牌的推送,未发现漏洞被利用。已强制停用所有通过转换转移的 PAT。
  • 后续:要求指定组织所有者前需用户同意并通知,记录令牌所有权变更审计历史。 🔗 Docker 博客

🔟 Cognition 的 FrontierCode 1.1 上线 Artificial Analysis#

  • 基准:由 Cognition 与开源 maintainer 构建,评估模型修改真实开源仓库后是否会被 maintainer 实际合并,兼顾单元测试与主观标准。
  • 结果:Claude Opus 5.5 以 52% 领先,通过 blocker 的尝试占 58%;九个模型来自六个实验室,得分集中在 43%-52%。开放权重最佳为 MiMo-V2.6-Pro 45%。
  • 性价比:GPT-6.1 Sol 每任务 0.81 美元,得分 49%,与 Claude Fable 5.1 相当,但成本不到十分之一。 🔗 Cognition 推文 | Artificial Analysis 推文

⭐ GitHub 趋势#

📊 类别速览

项目类别Stars
microsoft/BitNet推理/模型40.9k
Alishahryar1/free-claude-codeAI 开发者工具59.1k
open-webui/open-webuiAI Agent / 平台155.0k

1. microsoft/BitNet ⭐ 今日 +97#

语言/许可: C++ / MIT
总 Stars: 40.9k
仓库: GitHub

项目定位:
面向需要在 CPU/GPU 上低成本运行 1-bit/三值 LLM 的 AI Infra 与边缘推理开发者,解决低比特模型缺乏官方优化推理内核的问题。

核心功能:

  • 为 BitNet b1.58(1.58-bit)模型提供 CPU/GPU 优化推理内核(I2_S、TL1、TL2)
  • 支持官方 2.4B BitNet-b1.58-2B-4T、0.6B/270M 1-bit embedding 模型及 ASR 推理
  • 在 x86/ARM CPU 上实现 1.37x–6.17x 加速与 55%–82% 能耗下降
  • 提供在线 demo、Hugging Face 模型权重与技术报告

技术亮点:
基于 C++ 的 1-bit/三值量化推理内核,通过 I2_S 等实现有限线程下的 CPU 高效推理,100B 模型可在单 CPU 上达到 5–7 tokens/s。


2. Alishahryar1/free-claude-code ⭐ 今日 +626#

语言/许可: Python / NOASSERTION
总 Stars: 59.1k
仓库: GitHub

项目定位:
面向 AI 编码代理用户的多模型路由与代理层,解决多 provider 接入、故障回退与 token 成本控制问题。

核心功能:

  • 聚合 61 个 provider 与 11 种编码代理(Claude Code、Codex、OpenCode、Cline 等)
  • 提供统一模型目录、API key 管理与请求级 fallback,provider 故障时自动切换下一模型
  • 集成 RTK 与 Headroom 压缩命令输出和工具结果,减少 token 消耗
  • 提供浏览器会话、VS Code/JetBrains 集成、语音输入与 Discord/Telegram 入口

技术亮点:
本地代理层统一异构 provider 的 API 格式,支持 OAuth/API key 多种鉴权,并在同一会话中切换模型;通过输出过滤与工具结果压缩降低 token 消耗。


3. open-webui/open-webui ⭐ 今日 +157#

语言/许可: Python / NOASSERTION
总 Stars: 155.0k
仓库: GitHub

项目定位:
面向需要私有化部署的团队与开发者,提供可连接本地/云端模型的自托管 AI 交互与 Agent 平台,解决多模型接入、RAG、权限与协作的统一入口问题。

核心功能:

  • 统一接入 Ollama、OpenAI-compatible API 及多家云端模型,提供多模型对话与切换
  • 内置本地 RAG,支持 9 种向量数据库、混合检索、重排与文档注入
  • 插件体系支持 Filters、Actions、Pipes、Tools、MCP/OpenAPI 工具服务器,可包装为 Agent
  • 提供 RBAC、用户组、LDAP/SSO/SCIM、OpenTelemetry、Redis 横向扩展等企业级能力

技术亮点:
支持 MCP/OpenAPI 工具服务器与 Open Terminal 执行环境,实现 Agent 多步任务与文件/终端操作;具备多向量库与多 STT/TTS 后端的 provider-agnostic 架构。

🟧 Hacker News 热议#

399 pts · 225 comments · z.ai

📌 内容总结

  • 智谱发布面向法律领域的专用模型 GLM-Legal / GLM-Legal Full,基座是轻量级的 GLM-5.3-Flash,目标是把”专业协作(Professional Cowork)“落地到高约束、高风险的法律工作流;同时提供 AutoClaw 桌面 Agent 平台和申请制 API。
  • HN 关注点:
    • Harvey LAB 全通过率 19.2%(相对基座 +12.5 个百分点),覆盖 24 个执业领域。这是文中唯一给出的绝对数字,也是整篇最有信息量的一处:官方将其描述为”端到端任务执行不出现中间降级”,但 19.2% 的绝对水平说明真实律所工作流的可靠完成率仍然很低。
    • LegalBench 与 PLawBench(中文法律咨询/案情分析/文书起草)上宣称与闭源前沿模型持平,“参数规模显著更小”,但未披露参数量、推理成本或第三方复现方式。
    • 训练方法:mid-training 扩充法律语料建立概念/法条/解释框架,post-training 在数万个真实法律环境中做 RL,并强调 Harness 与模型协同迭代——harness 管理上下文、工具与执行反馈,训练中暴露的边缘案例反过来指出 harness 架构瓶颈。
    • 生产反馈闭环把”是否覆盖关键争点、引用是否站得住、是否符合 matter brief、下游团队能否直接使用”转成工程 loss 信号,用于反推是模型能力、上下文编排还是工作流逻辑的问题。
    • 文中三个 demo 展示能力差异:合同退出条款(终止通知 60→30 天、IP/保密/数据安全违约取消补救期、款项是否已付均须归还交付物、最长 90 天过渡协助)、40 份文档的进度报告矛盾分析(并区分事实与推断、引用 MSA 条款)、新马印三国上线隐私合规(引用 SG PDPA s26 / MY PDPA s129 / ID PDP Law Arts 55–56 并给出 P0 清单)。

💬 讨论总结

  • 本次输入的 top_comments 为空,无法还原 HN 评论树;以下为该文本身可争议的结构性焦点,不代表实际社区立场。
  • 最可能被追问的是 19.2% 的解读方式:Harvey 的 all-pass 严格评分意味着任何中间环节失败都计零分,因此该数字既可读作”可靠但有天花板”,也可读作”尚不足以进生产”。
  • 垂直专用模型 vs 通用前沿模型 + 更好 harness 的归因问题:文中明确把提升同时归因于领域 mid-training 与 harness 协同,但没有消融实验说明两者各贡献多少。
  • 合规与责任边界:模型给出”取消补救期、立即终止”这类具体条款建议时,谁承担执业责任、是否需要律师逐条复核,文中未涉及。

🔗 原文 · HN 讨论页

Codex CLI installs a persistent, self-updating background daemon by default#

424 pts · 222 comments · github.com/openai

📌 内容总结

  • 背景:用户提交 issue #48195,请求把 daemon_auto_start 改为 opt-in(默认 false),或至少在启用前询问一次。触发版本是 CLI 0.157.0(npm 全局安装,Linux/WSL2)。
  • 自 0.157.0 起,仅打开一个交互式 codex 会话就会:
    • 启动常驻后台守护进程 codex app-server --managed-daemon,无 TTY、独立 session,所有 Codex 窗口关闭后被 reparent 到 PID 1,直到手动 daemon stop 或重启。
    • 把整个平台包(约 374 MB,含 codex、codex-code-mode-host、bundled bwrap/zsh/rg)按字节复制到 ~/.codex/packages/app-server-daemon/releases/<version>/,并从这个副本运行——后端版本从此与包管理器安装的 CLI 版本解耦。
    • 启动分离的更新器 pid-update-loop:启动后 5 分钟检查一次更新,之后每小时一次,自动下载并重启后端;重启在 60 秒 drain 预算后会强杀进行中的 turn(#40969)。
    • 环境被首个启动它的会话钉死:通过 wrapper 按次设置 HTTPS_PROXY 时,后续会话的代理变量不生效;--remote 模式下的 hooks 拿到的是 daemon 的 cwd/终端而非会话的(#42457、#37537,同一根因)。
  • 附带 bug:codex app-server daemon stop 只停 app-server,pid-update-loop 仍存活(70 秒后仍在),需手动 kill。作者的临时方案是 codex features disable daemon_auto_start + daemon stop + pkill -f 'app-server daemon pid-update-loop' + 删除 packages 目录。
  • 作者的替代建议:若必须默认开启,应做到(1)最后一个客户端断开即退出;(2)通过 npm/brew/pacman 安装时不自拷贝、不自更新,直接运行已安装二进制(#41188、#46468、#48050)。

💬 讨论总结

(HN 评论数据未提供;下列为 issue 线程内实际评论,HN 讨论大概率围绕同一批事实展开)

  • 共识观点:小版本号 bump 静默引入常驻进程、托管副本和后台自动更新,属于不可接受的默认行为。有人称”CLI 在修复前不可用”,Windows 10 LTSC / Windows 上确认复现。
  • 可用的配置路径:config.toml 中设 daemon_auto_start = false 有效;但 foma-agent 指出官方配置参考页完全没有 daemon_auto_start 这一行,而 0.157.0 release note 只用一句话带过,未提及常驻进程、托管副本和每小时更新器。
  • 架构层面的核心质疑(aetherxeg-source):installed CLI identity != daemon execution identity。一旦 CLI 自拷贝、后台更新器可替换副本,服务某次 turn 的进程就不再是用户显式安装的产物。建议 daemon 为每次客户端接入暴露 execution receipt:client_cli_version + daemon_binary_digest + daemon_generation + updater_state + inherited_environment_generation。
  • 环境继承问题被独立复现(alexklibisz):用 direnv/envrc 在不同目录设置同名变量(如 GH_TOKEN),Agent 读写到的始终是首个目录的值。
  • 安全姿态分歧:部分评论直接称其”基本是恶意软件特征”,有人因文档要求全盘读写权限而在加固的树莓派上通过 SSH 运行;也有人(tagorr)但求保留安全限制的同时不打断正常 CLI 流程——daemon 因提权被阻止时应自动回退本地模式,而不是要求 --no-daemon。

🔗 原文 · HN 讨论页

Muse Wonder#

499 pts · 269 comments · meta.ai

📌 内容总结

  • Meta 发布 Muse Wonder 与 Muse Wonder Full,定位”个人 + 专业 Agent”的前沿模型系列,基于 Muse Spark 的扩展路线,训练于 gigawatt 级 Prometheus 数据中心;官方称这是 14 个月前开始的 AI 体系重构的阶段性结果。
  • 两个核心机制:
    • Active Memory:跨会话携带用户上下文,并在当前任务中主动检索相关细节(对应 MemoryBench)。
    • Active Focus:在一个目标上持续执行——尝试替代方案、绕过阻塞、吸收新信息,必要时请求澄清,重要动作前先确认(对应 FocusBench 与 SWE-Marathon)。
  • 技术论证里最具体的一段是 in-distribution vs out-of-distribution 的对照:在相同 test-time compute 下,Muse Wonder Full 在未针对性 post-training 的任务上表现优于 Muse Spark 1.3 的趋势线外推值,作者归因于更大的更强基座让 post-training 增益更有效地迁移到陌生任务;并借此回应”benchmaxxing”与”big model smell”的争论。
  • 评测覆盖个人/知识工作、AutomationBench-AA、MemoryBench、SWE-Marathon、DeepSWE、Harvey LAB、Vals Finance Agent V2 等;安全性方面给出未授权代码执行攻击成功率、个人信息处理违规率、CBRN 拒绝率、网络滥用拒绝率与防御性网络合规率,并引用 Meta Superintelligence Scaling Framework,完整安全报告称”即将发布”。
  • 可用性:Muse Wonder 当天通过 Meta Model API 与 Muse Code 提供,Muse Wonder Full 面向 Muse Code 订阅者;后续将进入 Muse 消费端并优先给订阅者。文中未给出参数量、定价、上下文长度或吞吐数据,图表均为图片、markdown 中无数值。

💬 讨论总结

  • 本次输入的 top_comments 为空,无法还原 HN 评论树;以下为原文自身留下的可争议点。
  • 唯一披露的量化信息是相对条形图,缺少绝对数值与成本,难以独立判断”frontier”的边界;in/out-of-distribution 曲线是自建复合指标,权重未公开。
  • Active Memory 涉及跨会话保留用户消息、日历与私有文档,这类能力的实际边界(保留多久、如何删除、是否跨设备)在文中没有说明,而安全评测只给了违规率,未描述威胁模型。
  • 发布节奏上,Muse Wonder 与 Muse Wonder Full 双线、订阅分层、“完整安全报告稍后发布”的组合,容易被解读为能力发布优先于可验证的安全披露。

🔗 原文 · HN 讨论页

1,963 字
晚报 | EVENING 2026-10-13

Anthropic 披露 AI 自我复制与蒸馏防御

今日要点
  • Anthropic 红队:GLM-5.2 完成完整自我复制流程
  • Anthropic 蒸馏防御:外部数据减少 90%-99%
  • OpenRouter 年化推理支出约 15 亿美元
Anthropic 发布 AI 自我复制研究:仅 GLM-5.2 完成完整复制流程;蒸馏防御使外部蒸馏数据减少 90%-99%。OpenRouter 年化推理支出约 15 亿美元,Anthropic 占 36%。

1️⃣ Anthropic 红队发布 AI 自我复制研究:仅 GLM-5.2 完成完整流程#

  • 核心结论:Anthropic 前沿红队 10 月 12 日发布研究,将自我复制拆为找目标、拿执行权限、在新设备跑模型、继续传播四步;目前没有能在真实网络自主复制的 AI,但简化实验中 GLM-5.2 在 5 次测试里 4 次传遍 8 台模拟安卓服务器,1 次传 7 台。
  • 小模型能力:90 亿参数 Qwen3.5-9B 在 9 类硬件中的 8 类成功搭建推理服务;Qwen3.5-9B、Gemma4-26B-A4B 未能完成完整传播链。
  • 硬件实验:15 台约 55 美元、4GB 内存的安卓电视盒子联合跑 Gemma4-26B-A4B,速度 0.39 token/s;Anthropic 认为廉价联网设备可能成为 AI 蠕虫目标。
  • 趋势判断:按通用能力指数趋势,Anthropic 估计年底小模型可能达到 GLM-5.2 在本测试中的水平;实验前提简化了入侵难度,且 GLM-5.2 运行在外部服务器。 🔗 Anthropic 研究 | 作者推文 | 详细解读

2️⃣ Anthropic 发布蒸馏防御进展:外部蒸馏数据减少 90%-99%#

  • 防御策略:Anthropic 称新机制锁死思维链,新 API 账号不能篡改 Claude 之前的上下文,高阶模型推理记录不被低安全模型读取,思考记录仅发起者可见。
  • 拦截与惩罚:主力模型前挂双层审查,误伤率控制在 0.1% 以内;反复套话会被限流、封号;自 9 月 24 日起,蒸馏这类低误判场景中请求被拦截也照扣费。
  • 效果与代价:可被薅走的推理 token 数量下降 10-100 倍,有时归零;已封几万个账号。部分正常开发者需改接口,误伤仍需付费。
  • 行业影响:蒸馏攻防正从模型输出层延伸到 API 上下文、账号行为和计费规则,依赖蒸馏追赶的团队将面临更高成本。 🔗 Anthropic 研究 | 官方推文 | 社区解读

3️⃣ OpenRouter 数据折算:年化推理支出约 15 亿美元#

  • 规模估算:有人用 Opus 将 OpenRouter 公开 token 统计换算为收入,单周数据 × 52 得年化约 15 亿美元,约占全球推理市场 1%。
  • 模型份额:本周支出中 Anthropic 占 36%,OpenAI 占 18%,开放权重模型合计占 26%。
  • 行业信号:聚合器数据可观察不同模型的消费结构,开放权重在商业推理支出中已接近三成,但该数字为第三方推算而非官方财务数据。 🔗 数据帖 1 | 数据帖 2 | 原始推文

4️⃣ Gary Marcus 引述报道:胡塞武装被指用 Claude 制造导弹#

  • 事件:Gary Marcus 转引 Daily Mail 报道称,Anthropic 承认胡塞武装使用 Claude AI 替代武器工程师,用于制造可在未命中后自行修正的火箭与弹道导弹。
  • 评论:Marcus 称这是 Anthropic 对齐工作的 “total black eye”。
  • 行业意义:若报道属实,这是前沿模型被用于武器开发的严重滥用案例,将加剧对模型访问控制、出口限制与安全对齐的争论。 🔗 Gary Marcus 推文 | Daily Mail 推文

5️⃣ [持续跟踪] Meta Muse Wonder 后续:Alexandr Wang 承认编程不如 Opus 5.5#

  • 前情提要:Meta 昨日发布 Muse Wonder 与 Muse Wonder Full,主打个人与专业智能体任务,已通过 API 和 Muse Code 开放。
  • 最新回应:Meta AI 负责人 Alexandr Wang 公开表示,Muse Wonder 刚发布仍有大量 bug,编程能力确实不如 Claude Opus 5.5。
  • 评测与反馈:Artificial Analysis 称 Full 版十项测试六项进前三,最高推理强度下编程智能体与 Claude Code + Sonnet 5.5 相当;但每任务成本约 4.52 美元,高于 GPT-6 Astra、Gemini 4 Argon 和 GPT-6.1 Sol。用户反馈 3D 场景质量与额度消耗存在争议。
  • 行业意义:Meta 重新进入前沿模型竞争,但模型稳定性、成本效率和产品体验仍需时间验证。 🔗 Wang 回应 | 爱范儿分析 | LMArena 测试

6️⃣ [持续跟踪] xAI X Subscription 细则:第三方模型不再含在月费#

  • 前情提要:xAI 昨日宣布统一 Grok、Cursor 与 X Premium,推出 The X Subscription。
  • 最新细则:五档为 Free、Plus 8、Premium8、Premium 30、Super 100、Ultra100、Ultra 200;现有订阅者可保留原计划或切换,切换按剩余时间比例退款,逐步推送。
  • 关键变化:新计划月费不再包含 Claude、GPT、Gemini 等第三方模型额度,用多少按 API 原价另付,且仅 Premium 及以上可用;$8 Plus 不含 Grok Bot。
  • 用户建议:主要用 Claude/GPT 写代码者留原计划更划算;主要用 Grok 或本来订阅 X 会员者,切换后 Grok 编程用量至少为对应旧套餐 2 倍。 🔗 xAI 公告 | 定价说明 | 详细拆解

7️⃣ 阶跃 Step 5 Preview 上线腾讯 WorkBuddy,10 月 15 日开源权重#

  • 产品上线:阶跃星辰 Step 5 Preview 上线腾讯 WorkBuddy,10 月 12 日至 25 日独家限免。
  • 模型规格:稀疏 MoE 架构,总参 600B、激活 27B,支持 100 万 token 上下文,原生文本与视觉输入,面向 AI 编程、软件工程、专业知识与金融任务。
  • 开源计划:阶跃计划 10 月 15 日开源完整权重。
  • 行业意义:国产大模型通过办公协作平台分发,同时以开源权重争夺开发者生态。 🔗 少数派报道 | 爱范儿早报

8️⃣ LiteLLM 开源 agentchat:两行代码接入五个聊天平台#

  • 核心功能:LiteLLM 开源 agentchat Python SDK,让任意框架写的 AI Agent 统一接入 Slack、Teams、iMessage、WhatsApp、Discord。
  • 解决痛点:SDK 处理 OAuth、webhook 签名、Socket 连接、去重、会话隔离等接入工作。
  • 架构:平台事件经 Channel 适配器进入 AgentChat 核心(去重、会话锁、历史、分发),再交给应用 handler,回复原路送达。
  • 行业意义:Agent 竞争从模型和框架延伸到传输层与分发渠道,多平台部署成本进一步降低。 🔗 GitHub | 官方推文 | 解读

9️⃣ Devin 推出动态工作流:大任务拆分给多个 Devin#

  • 功能:Dynamic Workflows 可把大任务拆成子任务,每个交给独立 Devin,最后汇总结果。
  • 可审计性:计划写在代码中,而不是 Agent 的隐式规划里,可明确哪些 Devin 运行、顺序以及各自指令。
  • 行业意义:多智能体编排正从“让模型自己规划”转向代码化、可审计的工作流定义。 🔗 Windsurf 推文

🔟 DeepSeek 拟领投 Winverse AI,投后估值约 4 亿美元#

  • 投资事件:彭博社援引知情人士称,DeepSeek 拟领投机器人 AI 初创 Winverse AI 种子轮,规模数千万美元,投后估值约 4 亿美元;美团旗下 Long-Z Investments 等已承诺投资。
  • 团队背景:Winverse AI 由胡瀚于 2026 年创立,仍处隐身阶段;胡瀚曾任腾讯视觉语言与具身基础模型团队首席科学家,曾在微软亚洲研究院和百度工作。
  • 行业意义:这可能是 DeepSeek 自 2023 年成立以来较大初创投资之一,显示其向具身智能与机器人基础模型延伸。 🔗 爱范儿早报