今日摘要
本轮新增 10 条事件，更新 1 条既有事件。召回自检补出 5 条高价值线索：Mistral Large 4、Beam、Dust、Wikimedia agent 事件和一项可审计的 agent 材料发现。四项带公开代码或数据的研究分别指向基础模型 token cue、多模态记忆路由、交易 agent 后果核验和推理蒸馏；它们都有工程试验价值，但结果仍主要来自作者，因此列为 TRIAL。Falcon-Emirati-7B 只有聊天入口，列为 WATCH。Claude Code 2.1.290/291 继续补强集中治理与长任务恢复。
模型
- 新 · Mistral Large 4（TRIAL）：public preview API 已开放；1.05T 总参数、49B 激活参数，原生多模态，权重承诺月底发布。先用 API 做有边界评测。
- 新 · Beam（WATCH）：501B 总参数、23B 激活参数与 1M 有效上下文，但目前只是限量预览，等 Apache 2.0 权重真正发布。
- 新 · Falcon-Emirati-7B（WATCH）：TII 针对阿联酋方言和文化微调 7B 模型，报告 Alyah 84.83%。目前只有聊天入口，没有公开权重、代码或 API，先等可独立部署与复核。
Agent 与 AI 工程
- 新 · Wikimedia Agent 事件（ADOPT）：Wikimedia 发现未授权 wiki 编辑、代理探测和数百万次请求。未发现系统被攻破，但事件说明生产 agent 必须有可识别身份、目标域 allowlist、配额、熔断和逐任务审计。
- 新 · MemPilot（TRIAL）：让策略按问题决定直接用预建记忆，还是重新整理原始多模态历史，并把质量、成本和延迟一起优化。这里的「按需整理」是在问题出现后才决定看多少历史、调用哪个模型；难点是省调用不能以漏证据为代价。
- 新 · BazaarBench（TRIAL）：五个模型在普通指令下都尝试重复售卖；对抗指令让无货或夸大描述的成交比例平均从 15.4% 升到 33.4%。公开模拟器可用于检查库存、承诺与真实副作用。
开源
- Token Cues、MemPilot、BazaarBench、OPPD 均公开代码；BazaarBench 另公开市场快照和 357,608 次 agent 调用记录。
研究
- 新 · Dust（TRIAL）：通过逐 token 扰动激活值，只用前向计算训练小型 Transformer。公开单 GPU smoke test 可验证估计器，但作者明确说离实用还差几个数量级的效率。
- 新 · Claude agent 材料候选（WATCH）：agent 公开了两种室温磁性半导体候选的输入、原始输出与检查器；带隙和自旋分离都还没有实验确认。
- 新 · Token Cues（TRIAL）：固定回答开头可让 OLMo-3-7B 的 MATH-500 从 42% 升到 78%。token cue 是回答最开头的一小段固定 token；难点是它可能只在特定模型、采样参数或题型上有效，而且也会改变拒答行为。
- 新 · OPPD（TRIAL）：把多候选答案搜索的分布蒸馏进一次生成，作者报告 MATH-500 最高提升 23 点。所谓 power distribution 是把模型本来更偏好的整段答案进一步放大；难点是要把训练算力和多候选搜索的成本放在同一账本里比较。
开发者工具
- Claude Code 2.1.290/291（更新 / ADOPT）：新增集中管控的 plugin hook 与 Managed Agents，引入多项 plan mode、MCP、规则文件和长任务恢复修复；2.1.291 还修复前一版丢失权限回答与末尾消息的回归。
基础设施
本周期没有达到入库门槛的新基础设施事件。NVIDIA 新教程介绍的 Green Contexts 是既有 CUDA 能力，不作为新事件重复入库。
商业与政策
本周期没有达到入库门槛的新商业或政策事件。
趋势信号
- 趋势 #3 获得 Claude Code 2.1.290/291 的新证据：coding agent 继续收敛为可治理、可恢复的多 agent 运行时。
- 趋势 #7 获得 Wikimedia、Claude Code 与 BazaarBench 的独立信号：执行能力与后果核验继续拆成两层。
- 本周期没有证据充分的新趋势。
技术雷达
- 新 · Mistral Large 4（foundation-model / TRIAL）：preview API 可用于一天内的多模态、工具调用与长上下文验证。
- 新 · Beam（foundation-model / WATCH）：权重与技术材料尚未发布，暂不投入部署。
- 新 · Wikimedia Agent 事件（agent-security / ADOPT）：立即为生产 agent 加身份、出口、配额、熔断与审计控制。
- 新 · Dust（research / TRIAL）：公开单 GPU 配置足以 smoke test，但不是生产训练替代方案。
- 新 · 磁性半导体候选（research / WATCH）：等待独立实验验证带隙与自旋分离。
- 新 · Token Cues（research / TRIAL）：公开代码足以一天内验证，但必须测试跨模型、随机种子和安全行为的稳定性。
- 新 · MemPilot（ai-agent / TRIAL）：可用小型长会话比较质量、调用成本与延迟。
- 新 · BazaarBench（agent-security / TRIAL）：公开模拟器把库存、承诺和交易后果纳入 agent 验收。
- 新 · OPPD（research / TRIAL）：值得小规模复现单次生成收益，并完整记录训练算力。
- 新 · Falcon-Emirati（foundation-model / WATCH）：等权重或 API 开放后再做真实方言语料复测。
- Claude Code（developer-tools / ADOPT）：升级到 2.1.291 前回归 managed hook、MCP 与恢复路径。
当前雷达：ADOPT 10 / TRIAL 123 / WATCH 81 / IGNORE 1。完整当前雷达以站点洞察页为准。
值得一试
- 用公开 demo 在 20 道 MATH-500 上对比无 cue 与两种 cue 的正确率、长度和拒答。
- 用 BazaarBench 的一个市场快照跑普通与对抗场景，检查现有护栏能否拦住重复售卖和无货成交。