OpenAI 单次生成 948 个内核补丁,Kimi K3.1 Pro 开放权重
- OpenAI 单次生成 948 个 Linux 内核提权补丁,API 成本 120 万美元
- Kimi K3.1 Pro 开放权重,2.8T 总参 / 104B 激活,Agent Arena 开源第一
- Gemini API computer use 工具 GA,覆盖浏览器、移动与桌面 Agent
OpenAI 用未发布的网络安全模型搭建自主漏洞流水线,单次运行生成 948 个 Linux 内核本地提权补丁,API 成本约 120 万美元;Moonshot 在 Hugging Face 开放 Kimi K3.1 Pro 权重,2.8T 总参 / 104B 激活、1M 上下文,Agent Arena 开源模型第一;Google Gemini API 的 computer use 工具转为一般可用。
1️⃣ OpenAI 自主漏洞流水线单次生成 948 个 Linux 内核提权补丁#
- 事件:OpenAI 安全团队搭建自主漏洞发现、利用与修补流水线,使用一款尚未发布的网络安全模型,在单次运行中验证并生成 948 个 Linux 内核本地提权漏洞的补丁,总 API 成本约 120 万美元。
- 技术细节:OpenAI 称智能体发现并使用了至少 10 种此前未知的 Linux 利用手法;正与 Linux 维护者及 Patch the Planet 伙伴推进报告与补丁。
- 待观察点:结果来自 OpenAI 内部运行,补丁是否全部进入上游、如何验证补丁质量、如何限制同类能力外溢,仍是后续关键。 🔗 OpenAI 公告 | 漏洞数量与成本 | 新型利用手法
2️⃣ Kimi K3.1 Pro 开放权重,Agent Arena 开源模型登顶#
- 发布:Moonshot 在 Hugging Face 释放 Kimi K3.1 Pro 权重。模型为 2.8T 总参数、104B 激活/Token 的稀疏 MoE,含 896 个专家,支持 1M Token 上下文,采用混合线性注意力与周期性稀疏注意力。
- 评测:LMArena 称其基于 17.5K+ 真实长程 Agent 会话,较 Kimi K3 净提升 5.1%,在 Agent Arena 开源模型第一、总榜第 13,Work、Code、Chat 三类均为开源第一。Hugging Face 联创指出其在 BrowseComp、HLE with tools、SWE Marathon 居模型卡前列,但纯推理与网络安全项较弱。
- 接入与许可:Ollama Cloud 已上线并零数据留存,Vercel AI Gateway 增加多个 ZDR 供应商。许可证为修改版 MIT:年收入超 2000 万美元的 API 业务需与 Moonshot 签约,月活超 1 亿或月收入超 2000 万美元的产品需展示 “Kimi K3.1-Pro”。 🔗 模型权重 | Agent Arena 数据 | 技术解析 | Ollama Cloud
3️⃣ Google Gemini API 的 computer use 工具正式可用#
- 更新:Google AI Studio 宣布 Gemini API 的 computer use 工具进入一般可用状态,与预览版相比无破坏性接口变更。
- 覆盖:面向浏览器、移动端和桌面 Agent 提供生产级稳定性。
- 影响:模型操作图形界面从演示能力转为可依赖的 API 基础件,与浏览器 Agent、RPA 和桌面自动化工具直接重叠。 🔗 Google AI Studio 公告 | 文档
4️⃣ OpenAI 收购 Pierre,把代码浏览与审查并入 Codex#
- 交易:OpenAI 宣布收购开发者工具公司 Pierre Computer Company,金额未披露,交易仍需监管审批。
- 整合:Pierre 的开源组件已用于 Codex 的代码浏览与 Diff 展示;OpenAI 称收购将扩展 Codex 在代码构建、理解和审查上的工具链。
- 目标:OpenAI 希望把从新建分支到正式上线的流程放进 Codex;此前已公开自研代码管理后台 Pando。AI 写码量上升后,代码审查与仓库理解正成为新的瓶颈。 🔗 OpenAI 官方 | Greg Brockman | Pierre 公告
5️⃣ Anthropic 开源 FlashProve:用零知识证明核验模型推理#
- 发布:Anthropic 开源 FlashProve 研究原型,为模型推理生成 zkSNARK 密码学证明。服务商可对权重生成承诺,用户无需权重即可验证输出是否由指定模型计算。
- 数据:在 Llama 4 Maverick 4-bit 上,单张 H100 证明吞吐约 110 Tokens/s,1024-Token 请求证明约 19MB,24 线程 CPU 验证约 17 秒,权重承诺约 39 分钟;证明 GPU 时间约为普通 vLLM 推理的 70–95 倍。
- 边界:可识别模型替换,但需要可信方发布正品模型承诺;不能单独解释系统提示词、解码参数或量化变化导致的“降智”。 🔗 Anthropic 研究 | 技术拆解
6️⃣ 百度 Apollo 发布 ApolloWorld:面向物理 AI 的交互式世界模型#
- 发布:百度 Apollo 推出 Agent 驱动全模态世界模型 ApolloWorld,面向 L4 无人车训练,支持城市路网、多模态传感器与车流博弈的闭环推演。
- 能力:官方称支持毫秒级实时交互、连续几十分钟完整接单推演,相机与激光点云同步生成,场景中每辆车、行人与骑手均建模为独立 Agent;实时响应控制在 33ms 内。
- 数据:萝卜快跑已落地 28 城,自动驾驶总里程 3.5 亿公里,全无人里程超 2.4 亿公里;ApolloWorld 称虚拟测试可“日行十万公里”,用于压缩实车路测周期。 🔗 量子位 | 新智元详细报道
7️⃣ Cloudflare 上线个人 Agent 流量分析与细粒度访问控制#
- 更新:Cloudflare 在 Security Analytics 的 Bot Analysis 中新增 Personal Assistants 类别,Top statistics 新增个人助理组件,可查看来访 Agent、请求路径、状态码与来源网络。
- 账户风控:Account Abuse Protection 可显示每个 Agent 代表哪个用户,登录/注册事件标注是否由个人 Agent 发起,支持按 AI assistant 筛选账户。
- 策略:AI Crawler and Agent access policies 支持对受支持个人 Agent 单独设置 Allow、Block on pages with ads 或 Block。
- 影响:个人 Agent 作为用户与网站之间的中介,网站需要在不误伤用户的前提下识别、限流或放行 Agent;身份传递与责任归属仍是下一步。 🔗 Cloudflare 博客
8️⃣ Anthropic 用 Claude 解析细菌 vault 颗粒首个 3D 结构#
- 研究:Anthropic 生物团队与 Claude 合作,首次解析来自细菌及其噬菌体的 vault 颗粒 3D 结构。vault 于 1986 年发现,功能长期未知,此前只在动物植物细胞中已知。
- 效率与局限:Anthropic 称人工确定结构需数周至数月,此次数天完成;Claude 过程中也出现简单错误,团队与机器学习研究员协作修正。
- 发布:成果以预印本公开。 🔗 Anthropic 研究 | 预印本 PDF
9️⃣ Cognition 发布 SWE-2 Flash:成本为 SWE-2 五分之一#
- 发布:Cognition 推出快速编码模型 SWE-2 Flash;公司称其在领先评测上超过所有美国开放权重模型,包括参数大 3 倍的模型。
- 价格与可用性:成本为 SWE-2 的 1/5;到 11 月 30 日,Devin Desktop 与 Devin CLI 的 Pro、Max、Teams 用户可免费使用。
- 权重策略:Cognition 称将建立项目,与合作伙伴和研究机构安全共享权重,以平衡透明度与网络安全风险。 🔗 Cognition 发布 | 免费计划
🔟 [持续跟踪] Mistral Large 4 驱动 133 个 Agent 完成 Django 漏洞挖掘与修补#
- 前情提要:Mistral Large 4 已开放权重,官方此前演示其自主构建卫星追踪应用。
- 最新进展:Mistral 称在近期 Django CVE 上,133 个 Agent 分工映射代码、寻找缺陷、测试攻击场景并确认漏洞,随后由 Le Chonk 生成补丁;官方展示 triage、repro、patch 全流程,并以 90 倍速播放。
- 行业观察:多 Agent 漏洞挖掘从单点演示走向可复现流程;与 OpenAI 同日披露的自主漏洞流水线一起,安全 Agent 的验证、权限与补丁审查将成为落地关键。 🔗 Mistral 官方演示
⭐ GitHub 趋势#
📊 类别速览
| 项目 | 类别 | Stars |
|---|---|---|
| NVIDIA/auto-ontology | AI Agent / 数据语义层 | 4.9k |
| FareedKhan-dev/kimi-k3-in-c | 推理 / 模型系统 | 10.3k |
| github/spec-kit | AI 开发工具 / Agent 工作流 | 147.3k |
1. NVIDIA/auto-ontology ⭐ 今日 +2050#
语言/许可: Python / Apache-2.0
总 Stars: 4.9k
仓库: GitHub
项目定位:
面向企业数据平台与 Agent 分析应用开发者,解决 LLM/Agent 做 NL-to-SQL 时“能查到数据但语义不可信”的问题;核心能力是把企业元数据编译成可验证的 ontology/语义目录,并通过 MCP、CLI、API 暴露给 Agent;与仅做向量检索或纯 prompt NL-to-SQL 的方案不同,它强调认证定义、血缘和查询校验。
核心功能:
- 从企业元数据生成/合并 ontology,并以 Postgres + pgvector 存储语义目录与向量
- 将自然语言问题编译为 SQL,并用认证定义与血缘校验查询结果
- 通过 MCP/CLI/API 向不同 Agent harness 提供上下文层
- 内置 RBAC、Web UI、Helm/Docker Compose 部署与 NIM 模型端点配置
技术亮点:
以 semantic compilation 和 ontology 作为 Agent 的可验证上下文层,NL-to-SQL 输出 SQL、解析步骤与 provenance,而非只返回自然语言答案。
2. FareedKhan-dev/kimi-k3-in-c ⭐ 今日 +351#
语言/许可: C / Apache-2.0
总 Stars: 10.3k
仓库: GitHub
项目定位:
面向推理系统研究者与受限内存部署实验者,验证 2.78T 参数 MoE 模型在单 CPU、8.24GB 峰值内存下可运行;核心是流式读取 checkpoint、按需解包 routed experts,而非依赖 GPU 推理栈;与 vLLM/SGLang 等吞吐型方案不同,它优先探索内存下限与可移植性,速度并非生产级。
核心功能:
- 以 C99 实现无 BLAS、无框架、无 GPU 的推理引擎
- 将 1.56TB checkpoint 分片流式读取,dense trunk 常驻内存深度可调
- routed experts 不常驻内存,直接从 4-bit packed 形式解包参与计算
- 支持 MXFP4、AVX2/NEON、增量生成与 chat/XTML REPL
技术亮点:
通过流式 MoE 权重、MXFP4 解包和 C99/SIMD 内核,把 2.78T 模型压到实测 8.24GB 峰值 RSS;不同内存预算下输出 byte-identical,仅改变每 token 延迟。
3. github/spec-kit ⭐ 今日 +808#
语言/许可: Python / MIT
总 Stars: 147.3k
仓库: GitHub
项目定位:
面向使用 Claude Code、Copilot、Codex 等 coding agent 的工程团队,解决“让 Agent 按可审阅流程交付,而不是一次性 prompt 生成代码”的问题;核心能力是把 spec 转成 plan、tasks、implement、converge 的流程化工件;与固定 prompt 模板或单一 Agent 配置不同,它提供可组合扩展、预设和私有 catalog。
核心功能:
- 用
specifyCLI 初始化项目并接入多种 coding agent - 将规格说明推进为计划、任务、实现与收敛检查
- 通过 extension、runtime hook、preset、workflow overlay 扩展流程
- 支持 bug 修复/创意评估扩展,以及私有 catalog、离线/air-gapped 安装
技术亮点:
流程不是硬编码 prompt,而是由 extension runtime events/hooks、preset、workflow overlay 组成的可组合执行层,支持多 Agent 集成与组织级流程治理。
🟧 Hacker News 热议#
Ripple-65B Preview: U.S. Open-Weight SOTA on Agentic Coding#
197 pts · 67 comments · ricursive.com
📌 内容总结
- 背景/作者意图:Ricursive Intelligence 做“模型—芯片设计”闭环;Ripple-65B Preview 是其芯片设计平台模型的通用开放权重版本,目标是在美国开放权重模型中取得 agentic coding 指标领先。
- 关键要点:
- 65B dense Transformer,12T tokens,1M context;TerminalBench 2.1 报 80.52,高于文中列出的 Reflection Beam 501B(80.1)、Meta Muse Spark Open 816B(76.4)等美国开放权重模型。
- 成本口径为完整 R&D $32M,声称约为前 open-weight SOTA 的 1/10;预训练/后训练 MFU 40%,无自定义 kernel、无量化;RL 仅 1.4M rollouts,称比 Beam 少约 70 倍。
- 架构为 thin-deep(d_model 5120、80 层),加大 attention heads、提高 SWA/global 层比、缩 SWA 窗口,并采用 FFN activation clipping、gated attention、global NoPE、value residuals。
- 模型 ladder 在 4B 规模把代码 compute efficiency 相对 Olmo 3 ladder 提升至多 16x;作者称该斜率有利于继续 scale。
- 实际限制:核心对比限定“美国开放权重”,且集中使用 TerminalBench 2.1;可用 HF/Together/GMI/OpenRouter,Fireworks 稍后;内部变体用于芯片设计。
💬 讨论总结
- 主要质疑集中在对比口径:不列 Qwen/Kimi 等全球开放权重;评论引用 Qwen 3.8 27B 在 TB2.1 为 73、Qwen 3.8 Flash Next 为 84.3,因此 80.5 的全球竞争力有限。
- 对“SOTA”切分不满:只领先 Beam 0.42 个百分点,且比较对象被指挑选过——用 Inkling 而非更小更强的 Beam 1.0、用 Nemotron 3 Ultra 而非 3.5 Super;TerminalBench 2.1 也被认为偏旧。
- 支持面:美国司法辖区可用的开放权重模型对受合规限制的组织有实际价值,类似 Mistral 的 sovereign 定位;65B dense 对高内存本地设备/air-gapped 芯片设计有吸引力,Q4 后约 40GB,但速度取决于硬件。
- 工程/商业信号:$32M 完整 R&D 与 1.4M rollouts 若可复现,比单点分数更有意义;dense 与 MoE 的取舍是低延迟/部署简单 vs 大模型容量,需独立复测和量化后对比。
Kimi K3.1 Pro model weights are out#
330 pts · 86 comments · huggingface.co
📌 内容总结
- 背景/作者意图:Moonshot 发布 Kimi K3.1 Pro 开放权重,定位 3T 级原生多模态 agentic 模型,从 K3 后训练,面向 coding、3D、金融研究、事实性等任务。
- 关键要点:
- 2.8T 总参/104B 激活 MoE,93 层,69 KDA + 24 Gated DSA,1M context,896 experts/16 selected + 2 shared;视觉编码器 MoonViT-V2 401M;MXFP4 权重/MXFP8 激活,量化感知训练;支持文本与图像。
- 评测覆盖 coding、agentic、推理/多模态、网络安全;Terminal-Bench 4.0 65.7(Opus 5.5 66.4)、DeepSWE v1.1 75.5、HLE-Full w/tools 70.0、BrowseComp 92.1;但 Program Bench 31.5、HLE-Diamond 39.4、ExploitBench/Gym 明显低于部分闭源模型。
- 部署提供 API 与 vLLM/SGLang/TokenSpeed recipe;许可证为自定义 Kimi K3.1 Pro License:若经营 Model-as-a-Service 且相关年收入超过 $20M,需与 Moonshot 另签商业协议。
- 实际限制:开放的是权重,不是无门槛商用;2.8T 总参、1M context 使自托管门槛极高,实际可用性取决于第三方推理、量化与 offload。
💬 讨论总结
- 硬件现实是主要共识:家用/单机不现实,评论估算需 8×B300 级节点;单 MI300X 可借系统内存 offload 跑,但吞吐未知;Qwen 3.8 27B 4-bit 约 18–22GB 仍是本地实用替代。
- 开放权重的意义被认可:即使不能本地跑,第三方托管可降低推理集中度;Together/Modal 等端点吞吐高于 Moonshot 官方端点,说明推理优化和价格竞争仍有空间。
- benchmark 争议:一方认为 K3.1 相对 DeepSeek V4.1 Flash 提升有限、内部 benchmark 不如 Opus 5.5,存在 benchmaxxed 嫌疑;另一方以日常使用和 Design Arena 人类偏好反驳,称实际能力强于 DS4.1 Flash。
- 商业/许可限制被单独指出:MaaS 收入超 $20M 需另签协议;这使“开放权重”更接近可自托管、可研究,而非无条件商业化。
- 工程背景:大总参/小激活 MoE + 稀疏 attention 服务长上下文;实际部署依赖推理引擎、量化和 offload,benchmark 与真实体验可能脱节。
Nvidia RTX Spark encrypted firmware slows inference speed to 35% on Linux#
581 pts · 266 comments · mindstudio.ai
📌 内容总结
- 背景/作者意图:作者在 MSI Prestige N16 Flip AI Plus 等 RTX Spark 笔记本上实装 Linux,验证能否绕开 Windows、保留 CUDA/GPU 加速,并跑 GPT-OSS-120B、vLLM 等 Linux-first AI 工具。
- 关键要点:
- Linux 可启动并获 GPU 加速,但安装不即插即用:Omarchy 因内置 Nvidia open kernel driver 较顺,Debian 需 USB 以太网、手动驱动;默认固件给 GPU 预留 96GB 统一内存,需先在 Windows 调到 4GB,Linux 才能看到约 120GB。
- 插电时原生 Linux GPU 锁在约 780MHz,Windows 约 2.2GHz;GPT-OSS-120B 为 Windows 65.4 tok/s、WSL 65.1、DGX Spark 61、原生 Linux 13.9;vLLM 8 并发 WSL 127 vs Linux 39.5;长测 Windows 约 8 分钟,Linux 37 分钟,温度 40–47°C,排除热降。
- 根因是 Windows-only 的 Nvidia Platform Controllers and Framework 管理 CPU/GPU 功耗预算,其功耗表加密,Linux 无对应解密/驱动逻辑;在 Windows 禁用该控制器可复现 83→31 tok/s、2GHz→786MHz 的降速。
- 电池供电时 Linux 反而接近 Windows(61–67 tok/s);插电才严重降速。WSL 继承 Windows 驱动栈,保留 boost,需手动调大默认 14GB 内存;真正修复需 Nvidia 把平台控制器功耗管理移植到 Linux 驱动。
- 实际结论:当前原生 Linux 适合验证兼容性,不适合作为该笔记本的高性能推理主力;WSL 是折中,性能接近 Windows,但内存分配和工具链仍需配置。标题称“降至 35%”,正文单测数据为 13.9 vs 65.4,8 并发为 39.5 vs 127。
💬 讨论总结
- 输入未提供
top_comments(HN 页面显示 266 comments),无法据此提炼共识、反对意见或工程经验;此处不代拟社区观点。讨论页链接保留如下。
OpenAI 发布 Images 2.6,Cat Wu 加盟 OpenAI 负责核心产品
- OpenAI Images 2.6 上线,API 出图提速 50% 并支持 GIF/SVG
- Cat Wu 加入 OpenAI 负责核心产品 PM,Anthropic 同期流失增长负责人
- Cognition 发布 SWE-2 Flash,成本为 SWE-2 五分之一
OpenAI 发布 Images 2.6,新增 GIF 生成与 SVG 导出,API 出图速度提升 50%;Claude Code 产品负责人 Cat Wu 与 Anthropic 首位增长岗位 Austin Lau 同日宣布加入 OpenAI;Cognition 发布 SWE-2 Flash,称评测超过所有美国开放权重模型。
1️⃣ OpenAI 发布 Images 2.6:支持 GIF 与 SVG,API 出图速度提升 50%#
- 产品端更新:ChatGPT 与 Codex 全档位上线 Images 2.6,新增 GIF 动图生成(可调播放速度、逐帧修改)、命名参考图复用,以及手绘标注局部重绘。
- 开发者 API:同步推出 GPT-Image-2.6 Flare(低画质下最快约 6 秒出图)与 Sunburst(中高画质下多轮编辑一致性更强)两款模型,均支持 SVG 矢量导出与 complexity 参数(单独控制模型规划投入)。
- 数据与定价:OpenAI 披露每周经由 ChatGPT、Codex 与 API 生成的图片达 40 亿张;Flare 与 Sunburst 维持 2.5 同价——图像输出每百万 token 30 美元,图像输入 8 美元。
- 竞技场表现:LMArena 盲测中 Sunburst (Medium) 文生图排名第 2(1409 分),Flare (Medium) 第 4(1384 分);Sunburst 在 Cartoon/Anime/Fantasy 分类登顶,OpenAI 包揽文生图前五。 🔗 OpenAI 官方博客 | API 文档 | LMArena 评价
2️⃣ [持续跟踪] Claude Code 产品负责人 Cat Wu 加入 OpenAI,Anthropic 同期流失增长负责人#
- 前情提要:Cat Wu 此前宣布离开任职约两年的 Anthropic,期间将 Claude Code 从内部工具做成正式产品,并参与 Cowork。
- 最新进展:Cat Wu 今日宣布加入 OpenAI,担任 Core Products 产品管理负责人,将与 Thibault Sottiaux 合作构建 Agent 产品。同日,Anthropic 首位增长岗位员工 Austin Lau 亦宣布加入 OpenAI。
- 行业意义:两位核心员工同期从 Anthropic 流向 OpenAI 较为罕见,反映头部 AI 公司在产品化与增长阶段的组织竞争加剧。 🔗 Cat Wu 声明 | Austin Lau 声明 | Latent Space 汇总
3️⃣ Cognition 发布 SWE-2 Flash:基于 Inkling-Small,成本为 SWE-2 五分之一#
- 模型定位:Cognition 推出快速编码模型 SWE-2 Flash,基于 Thinking Machines 的 Inkling-Small 后训练,是 Cognition 首个引入 mid-training 阶段的模型,开发周期约 6 周。
- 性能与成本:官方称其在领先评测中超过所有美国开放权重模型(包括参数量大 3 倍的模型),成本仅为 SWE-2 的 20%,运行速度约 3 倍。
- 权重策略:模型权重不公开,但 Cognition 计划与合作伙伴及研究者建立安全权重共享计划,理由涉及网络安全滥用风险。
- 可用性:11 月内对 Devin Pro、Max 与 Teams 用户免费开放。 🔗 Cognition 公告 | Scott Wu 转发
4️⃣ OpenAI GPT-Live 外呼电话 API 正式可用#
- 功能上线:OpenAI 将 GPT-Live outbound telephony API 从预览转为正式可用,开发者可通过任意 SIP 中继提供商(如 Telnyx、Twilio)从 Live 语音 Agent 主动拨打电话。
- 技术细节:支持 HD Voice 与 DTMF 按键事件收发,意味着 Agent 可导航电话菜单、输入分机号或完成身份验证类操作。
- 行业背景:Grok Bot 近期也上线美国电话代打功能,语音 Agent 的外呼能力正从演示走向可编程基础设施。 🔗 Justin Uberti 公告 | Greg Brockman 转发
5️⃣ Vercel 推出 Security Review:24 小时识别 6817 个漏洞,Agent 自动修复 1411 个#
- 产品发布:Vercel 公测 Security Review,在每次 push 时运行漏洞审查,并允许通过 Vercel Agent 一键提交修复。
- 首日数据:上线 24 小时内识别 6817 个漏洞(其中 580 个为严重或高危),Agent 已自动修复 1411 个。
- 限时策略:11 月 10 日前 Security Review 完全免费。
- 行业洞察:Vercel CEO Guillermo Rauch 同日发文称,多数人类编写的软件速度慢、漏洞多且规格不足,AI 将反复重写并完成验证与加固——Security Review 是将其判断产品化的直接尝试。 🔗 Vercel 博客 | Rauch 公告
6️⃣ 清华与伯克利开源 uni-robot-agent:Qwen3.8 在 RoboDojo 得分从 1.90 升至 31.39#
- 核心发现:论文表明,只要信息组织得当、工具可靠、反馈充分,开源模型无需仿真器真值、也不需专门为机器人训练,即可零样本操作机器人。
- 框架设计:工具调用经 Agent 层、编排层、工具层、服务层、后端层五层;不同机器人与环境仅需写适配器,仿真与真机交互记录可统一存放用于后续训练。
- 关键结果:同一 Qwen3.8-Flash-Next 在 RoboDojo 上从 1.90 分升至 31.39 分(成功率 25%),超过 RoboDojo 团队用 GPT-6 Astra 的得分;真机双臂任务中 Qwen 得 53.50/100,Astra 得 80.50/100。
- 失败分析:作者归纳四类失败——看不懂画面、多视角三角测量不准、几何代码写错、抓取方式不符合物理常识。与 ERQA 具身推理评测的相关系数达 0.97。 🔗 论文 | 框架开源地址 | 作者推文
7️⃣ [持续跟踪] 腾讯 Hy4 生态扩展:接入 OpenClaw 与 Chutes API#
- 前情提要:腾讯混元昨日正式发布 Hy4,首次加入视觉理解与电脑操作能力,API 维持 preview 版价格。
- 最新进展:Hy4 今日上线 OpenClaw,支持视觉、100 万 token 上下文与增强的长程 Agent 能力;同时通过 Chutes API 提供,与腾讯云合作沿用同一密钥、新增模型 ID。
- 可用渠道:已覆盖腾讯云、OpenRouter、Chutes、OpenClaw,CodeBuddy 国内版与国际版同步接入并提供限量免费体验至 11 月 15 日。 🔗 OpenClaw 公告 | Chutes 公告 | Hy4 研究页