今日摘要

当天累计新增 12 条事件，更新 6 条既有事件。本次增量新增 Qwen-Image-2.1-Turbo、Youtu-Parsing-Omni、两项 agent 监控研究、METR 时间跨度统计复核与 Ai2 GPU 调度实践；Claude Code、Codex CLI 和 GPT-6.1 Sol 获得实质更新。当天早些时候还补录 ExpDis、SciExam、RunningTab、Docker Agent、Whistle 与一个明确 IGNORE 的 GLM-5.3 衍生模型。

模型

  • 新 · Qwen-Image-2.1-Turbo（TRIAL）：公开 7B 权重用八个去噪步骤完成文生图和编辑，但没有给出与基础版的对比 benchmark。去噪步骤是模型逐步把噪声还原成图像的次数；难点是步数变少会提速，也可能损失文字渲染和编辑保真。应在固定样本上直接比较延迟、显存与质量。
  • 新 · Youtu-Parsing-Omni（TRIAL）：5B 模型把文档、图表、几何题、音频与视频统一解析为结构化 JSON。Omni parsing 指用同一模型处理不同模态，而不是为每类输入单独路由；难点是厂商 benchmark 的评测代码仍为 TBD，必须用自有混合样本复核。

Agent 与 AI 工程

  • 新 · SciExam for ENSO（TRIAL）：它不给 agent 一个已知答案，而是让 agent 根据真实观测构建气候模型，再用隐藏测试检查统计特征、未观测变量与留出年份。hidden grader 是 agent 看不到的验收程序；难点在于它既要防止按答案投机，又要证明留出数据没有泄漏。公开 Docker、grader 与样例足以在一天内复核一个 run。
  • 新 · RunningTab（WATCH）：它把任务要求、带来源摘录和未打开文件候选写进 runtime 维护的 tab，并在义务未完成时拦住 finish。环境侧记录就是由执行环境保存状态，而不是让模型靠上下文记忆；难点是论文尚未公开代码，暂时无法验证额外状态是否真能降低遗漏率。
  • 新 · OnTrack（WATCH）：它持续比较当前轨迹与成功轨迹的结构，作者报告约每步 1 毫秒，并减少约 18% 的失败计算。中止实验只有六次触发且没有公开代码，现阶段只适合跟踪。

开源

  • ExpDis 公开 Apache-2.0 代码与 checkpoint；SciExam 公开 MIT 代码、Docker 与 grader。两者都有可运行产物，但当前结果仍主要来自作者报告。
  • 新 · Whistle（TRIAL）：16.9 MB 的 Apache-2.0 模型在 CPU 上提供七语种转写、词级时间戳和语音嵌入。作者 benchmark 尚需复核，但公开 runtime 足以在目标设备测试 WER、延迟、内存和温升。
  • 新 · GLM-5.3 E224（IGNORE）：社区为双 DGX Spark 制作了 141 GiB 的非官方裁剪量化版，但准确率和吞吐只在 B200 上测过。目标硬件结论仍是估算，高热度不足以支撑投入。

研究

  • 新 · ExpDis（TRIAL）：它用带新颖性奖励的 explorer 寻找不同解法，再把正确轨迹蒸馏给独立 student。这样做是为了避免稀疏奖励把生产策略带偏。pass@k 看的是采样 k 次后至少答对一次的概率；难点是它会同时受正确率和解法多样性影响，不能只看单次 accuracy。
  • SciExam 把科研 agent 的验收从「贴合已知答案」推进到「通过未见过的科学测试」。RunningTab 则提出把完成度状态放到模型上下文之外。两者都是独立信号，但还不足以形成新趋势。
  • OpenAI 数学成果（更新 / WATCH）：一个符号错误使一项构造和两篇依赖论文失效，三篇稿件被撤回；另有 14 篇修订、13 篇更新依赖引用。Lean 覆盖升至 300/719，但约 42% 的覆盖也说明形式化验证远未完成。
  • 新 · Caught in the Act（TRIAL）：白盒激活探针在 SHADE-Arena 上报告 98.8% AUC，并能发现文本本身看不出的隐藏目标。激活探针读取模型内部状态而不是只读输出；难点是它需要白盒访问，而且跨模型迁移与误报仍要复测。FIBS 数据、推理代码和探针权重已公开。
  • 新 · METR 时间跨度复核（WATCH）：统计模型显示，从 3 分钟跨到 30 分钟与从 30 分钟跨到 5 小时虽然同为十倍增长，难度并不相等。不要只用一条指数曲线外推自动化进度；等待公开复算包与 METR 回应。

开发者工具

  • Claude Code 2.1.294（更新 / ADOPT）：修复以自然语言写成的 prompt 与 agent hook 可能放行本应阻止的命令，并减少 Stop/SubagentStop hook 过早结束任务。升级后应回放 allow/block 两组用例。
  • LiteLLM 1.104.2（更新 / TRIAL）：稳定版加入 OpenAI 兼容的 /v1/decisions、/v1/systemone 与 Decisions provider。先在预生产检查 schema、认证、fallback 和成本归属。
  • 新 · Docker Agent 1.149.0（TRIAL）：Apache-2.0 runtime 用 YAML 定义多 agent，支持 MCP、RAG、evaluator 与 OCI 分发。新版本加入 GitHub skill 加载和 OpenAI Decisions evaluator；适合用现有双 agent 流程做一天对照。
  • Claude Code 2.1.295（更新 / ADOPT）：command 与 HTTP hook 在配置 onFailure: block 时会默认拒绝；gateway 又增加每上游模型 allowlist、TTFB 限制与 request ID。升级后应回放 hook 失败、模型拒绝和 MCP 重连。
  • Codex 0.162.0（更新 / ADOPT）：稳定版启用托管 worktree 创建、任务置顶和排序式工具发现，并修复跨平台沙箱与 CRLF 保留。并行 coding 团队应回归 worktree 所有权和策略边界。

基础设施

  • 新 · Ai2 GPU 调度（WATCH）：Ai2 用预算加权的分层公平共享替代静态优先级队列。30 天生产数据称兑现 98% 应分配 GPU 小时、保持 98% 利用率，并把 debug 任务 P90 排队从两小时降到 30 秒。实现未公开，先复用指标和最短运行时间契约，不直接照搬 scheduler。

商业与政策

本轮没有会改变模型获取、API 成本、芯片供应或开源格局的政策与商业事件。

趋势信号

  • 趋势 #3 获得 Claude Code 2.1.294 与 Docker Agent 1.149.0 的信号：coding agent runtime 一边修补 hook 边界，一边把多 agent、评估和 OCI 分发整合为产品。
  • 趋势 #6 获得一条反向证据：三篇撤稿说明公开 Lean 工件并不等于所有关键结论已形式化或依赖已核清，状态维持 emerging。
  • 趋势 #7 获得同一事件的策略边界信号：自然语言 hook 仍可能 fail open，最终允许或拒绝应由 runtime 的确定性控制兜底。
  • LiteLLM Decisions API 是单一实现更新，暂不足以改变趋势 #2 的状态。
  • 趋势 #3 获得 Codex 0.162.0 的稳定版信号：coding runtime 正把 worktree、任务组织与工具发现收进同一控制面。
  • 趋势 #7 获得 Caught in the Act、OnTrack 与 Claude Code 2.1.295 的三类信号：监控从输出文本延伸到模型内部和执行轨迹，但最终拒绝仍应由 runtime 决定。
  • 本周期没有发现证据充分的新趋势。

技术雷达

  • 新 · ExpDis（research / TRIAL）：公开代码与 checkpoint 足以在一天内比较 pass@k、正确率和解法多样性。
  • 新 · SciExam for ENSO（research / TRIAL）：公开 Docker 与 grader 可复核 hidden split 和 held-out 年份隔离。
  • 新 · RunningTab（research / WATCH）：架构思路明确，但要等公开代码或 harness 后再安排 POC。
  • Claude Code（developer-tools / ADOPT）：升级到 2.1.294 后回放 allow/block hook，并验证长任务不会被提前停止。
  • LiteLLM（ai-engineering / TRIAL）：在预生产验证 Decisions endpoint 的 schema、认证、fallback 与成本归属。
  • 新 · Docker Agent（developer-tools / TRIAL）：用一个现有双 agent 流程验证 OCI 可复现性、MCP 隔离与密钥处理。
  • 新 · Whistle（open-source / TRIAL）：在目标设备复测真实口音、噪声、静音和关键词样本。
  • 新 · GLM-5.3 E224（open-source / IGNORE）：双 DGX Spark 目标尚未实测，暂不投入昂贵硬件复现。
  • OpenAI 数学成果（research / WATCH）：撤稿扩大了验证边界；等独立专家覆盖依赖图与完整 Lean 证明。
  • 新 · Qwen-Image-2.1-Turbo（foundation-model / TRIAL）：用固定样本直接比较八步版本与基础版的速度、显存和质量。
  • 新 · Youtu-Parsing-Omni（foundation-model / TRIAL）：公开权重可做一天混合输入复核，但评测代码与许可证仍需审查。
  • 新 · Caught in the Act（agent-security / TRIAL）：公开数据、代码与探针权重足以复测 AUC、误报和跨模型失效。
  • 新 · OnTrack（ai-agent / WATCH）：等待公开实现和更大规模中止实验。
  • 新 · METR 时间跨度复核（research / WATCH）：等待复算代码与 METR 回应后再改路线图假设。
  • 新 · Ai2 GPU 调度（infrastructure / WATCH）：先用历史排队日志模拟公平率、debug P90 与占用率。
  • Claude Code（developer-tools / ADOPT）：2.1.295 将更多 hook、gateway 与 MCP 故障改为默认拒绝。
  • Codex CLI（developer-tools / ADOPT）：0.162.0 将托管 worktree、任务置顶与工具排序推入稳定版。
  • GPT-6.1 Sol（foundation-model / TRIAL）：Ultrafast 全量开放后，应按端到端延迟和完成任务成本决定路由。

当前雷达：ADOPT 10 / TRIAL 137 / WATCH 86 / IGNORE 2。完整当前雷达以站点洞察页为准。

值得一试

  • 用 ExpDis 公开 CPU 测试和 checkpoint，在小型数学集比较 baseline 的 accuracy、pass@k 与解法多样性。
  • 用 SciExam Docker 重评一个 final run，并逐项检查 hidden split、第三方数据条款和 held-out 年份隔离。
  • 在隔离项目为 Claude Code 2.1.294 编写应阻止与应放行的 hook 用例，再跑一个带 Stop hook 的长时程 subagent。
  • 通过 LiteLLM 预生产网关调用 /v1/decisions，记录 schema 错误、身份拒绝、fallback 和费用归属。
  • 用 Docker Agent YAML 重建一个双 agent 流程，检查 OCI 推拉后配置、工具权限和结果是否一致。
  • 在目标设备对 Whistle 测试口音、噪声、静音与关键词偏置，并记录 WER、首 token 延迟和温升。
  • 用 Qwen-Image-2.1-Turbo 与基础版跑同一组生成和编辑 prompt，记录延迟、峰值显存、文字渲染与编辑保真。
  • 用 Youtu-Parsing-Omni 解析文档、图表、音频和视频各一组，检查 JSON 合法率、准确率、延迟和显存。
  • 用 Caught in the Act 公开探针复跑正常与欺骗轨迹，记录误报、显存和跨模型失效。

来源