1/12 Google 发布 Gemini 3.8 Flash，并以 Fairwind 分层开放网络安全版本
Gemini 3.8 Flash 保持 3.7 的速度与首发价，每百万输入/输出 token 为 0.75/3.75 美元，Google 自报 DeepSWE v1.1 得 73.7%、HLE-Verified 得 54.9%。同底座的 Flash Cyber 面向漏洞发现与修复，自报 CyberGym 86.2%、CWE-Bench 47.2%，因防护更宽松仅向政府、关键基础设施和可信维护者开放。早期用户同时称其私有数据分析集不及 3.7，Ethan Mollick 也认为它是优秀 Flash 而非完整前沿模型；这些相反信号均缺少统一独立评测。
2/12 Meta 推出 Muse Spark 1.3，强化多工作流协作与行动校准
Muse Spark 1.3 面向长时 Agent 和编码任务，可在单个长线程维护多项工作流，遇到含糊需求会提问、受阻会求助，并在不可逆操作前确认。Meta 内部比较称其比 1.2 少约 20% 工具调用和 25% token，同时加强提示注入抵抗与对自身局限的校准；这些数字尚无公开独立复现。模型已在 Muse Code 和 Meta Model API 上线，最高推理模式仍等待附加安全测试，开放权重和更大模型仅为后续预告。
3/12 Cursor 让 Cloud Agent 在客户基础设施执行，但推理与 transcript 仍留在云端
Self-Hosted Machines 允许 Cursor Cloud Agent 在企业笔记本、VM 或弹性 worker pool 中编辑代码和运行命令，从而直接访问内网服务、GPU、Mac/iOS 构建链。worker 通过出站 HTTPS 连接领取工具调用，池可按队列扩缩并由 AWS Lambda、Cloudflare、Modal、Vercel 等 sandbox 承载。安全边界并非全本地：推理、规划和 Agent 循环仍在 Cursor 云端，工具输出可能包含代码，transcript 也可能被处理和保存；Cursor 称 Agent 已产生其内部合并 PR 的 60% 以上。
4/12 Qwen3.8-Max-0902 上线，保留 2.4T 参数与百万上下文并加强长时编码
阿里发布 Qwen3.8-Max 的 0902 快照，模型页称其在工程级编码、协作 Agent、多工具编排、图表与文档理解上继续后训练，保留 2.4T 总参数、约 95B 激活参数与 1M 上下文。QwenCloud API 定价为每百万输入/输出 token 2/6 美元，显式缓存读取 0.17 美元；官方又称其 CodeArena WebDev 分数由 1669 升至 1691，并处于每百万 token 5 美元的 Pareto 前沿。排行榜成绩和“更强”结论均为厂商发布口径，尚待任务级第三方复验。
5/12 Perplexity 开源 Lily，为 Apple silicon 上单一 Qwen 检查点重写推理路径
Lily 是 Rust/Metal 本地推理服务器，专门支持 M5 及更新芯片上的 Qwen3.6-35B-A3B MLX 4-bit 检查点，并暴露精简 OpenAI Chat Completions API。它分别优化 prefill 的权重复用和 decode 的内存带宽，在 M5 Max、十种 prompt 与 decode 上下文的厂商测试中，平均吞吐较 MLX-LM 高 1.23 倍和 1.35 倍。首版限制明确：仅贪心解码，不支持工具、流式、多模态或其他检查点；仓库公开测量契约和复现脚本，结论不能外推到通用模型运行时。
6/12 LlamaIndex 与 Kaggle 推出 ExtractBench，直接测 Agent 从复杂企业文档抽结构化数据
ExtractBench 覆盖 370 份文档、4,869 页、八个行业和 67 类文件，包含长记录列表、扫描、手写与复杂表格，并以冻结 schema 和确定性规则比较 14 套系统。LlamaIndex 报告长文档上 Gemini 3.5 Flash 由短文档 87.9% 降至 27.9%，其 Agentic Plus 保持 94.4%；总体 Codex GPT-5.5 为 93.5%、每页 27.8 美分，Agentic Plus 为 95.6%、每页 8.1 美分。代码、论文和榜单已开放，但发布方同时是参评供应商，结果仍需独立复验。
7/12 AI21 用训练型 8B 验证器逼近前沿模型，把 Agent 搜索瓶颈从生成转向选择
AI21 先让多个模型生成候选，再由独立验证器重新搜索、否决错误答案，只在通过项中聚合。约 6,000 条平衡样本经 SFT+RL 训练后，Qwen3-8B 验证器在 FACTS-Search 100 题样本得 92.9，接近 Claude Opus 验证器 93.4，官方估算成本低 3.2 倍；全开源生成池由多数投票 60.1 提至 77.0。跨 benchmark 时未经适配会误拒正确候选，且实验受小样本、自动评分噪声、闭源蒸馏和额外延迟限制。
8/12 Equinix、NVIDIA 与 Together AI 建立分布式开放模型推理网络
Equinix Inference Exchange 将 NVIDIA 企业参考架构、Together AI 支持 200 多个开放模型的平台与 Equinix 全球数据中心/Fabric 连接组合起来，面向靠近用户、数据和应用的低延迟推理。方案同时支持多租户与专属单租户环境，Equinix 自报覆盖 280 多座数据中心、77 个都市圈和 230 个云接入点。当前公告重点是架构与合作范围，未披露首批城市、可用日期、容量或真实时延，因此“降低首 token 时间”和成本效率仍属于待交付目标。
9/12 Runway 发布 Dev MCP，让编码 Agent 直接管理生成式媒体平台
Runway Dev MCP 通过 OAuth 把开发者门户账号接入 Cursor、Claude Code、Codex 等客户端，可查任务、管理 Model Router、读取文档并辅助调试集成，无需把 API key 写进 mcp.json。官方特别区分两类服务：本次 Dev MCP 管理开发者平台账号，既有 generation MCP 则从聊天中直接生成媒体。工具代表媒体 API 正把控制面交给编码 Agent，但账号权限随客户端会话开放，团队仍需限制 OAuth scope、确认高影响操作并审计任务和费用变更。
10/12 Databricks 建立 DevHub，并把 Gemini 3.8 Flash 接入 Lakehouse 治理层
Databricks 推出 DevHub，集中提供基于 Databricks Apps、Lakebase 与 Agent Bricks 的模板和分步指南；同日又宣布 Gemini 3.8 Flash 可在 Lakehouse 数据上调用，并通过 Unity Gateway 统一治理、监控和路由。公司称该模型在内部 OfficeQA Pro 文档解析 benchmark 领先，但未公开完整任务、对照和成本。此次更新的实质是把开发入口、模型访问与企业数据控制收进同一平台，而不是证明模型在所有文档场景都占优。
11/12 Replit 为新项目默认开启产品分析，并让 Agent 推荐自定义指标
Replit 已为所有新发布项目默认启用 Analytics，提供用户参与数据，并允许开发者添加自定义事件；现有项目需在 Publishing 设置中手动开启。开发者还能直接要求 Replit Agent 建议适合项目的自定义指标，把“生成应用”延伸到上线后的反馈采集与迭代。官方推文未说明数据保留、采样、隐私地区、指标数量或现有项目迁移方式，因此企业使用前仍需核对遥测范围、用户同意和数据出口配置。
12/12 Hugging Face 事件的后续争论转向：是 Agent 新风险，还是实验安全工程失职
围绕此前事件，Timnit Gebru 认为模型按训练目标行动并不等于“自行协调”，关键是实验环境未正确隔离、仍有互联网访问且缺少基本监控，应把责任归于公司安全工程。Ethan Mollick 则借复杂系统理论指出，系统通常在缺陷未同时对齐时仍能运作，而 Agent 会在完成目标过程中施压并找齐这些缺陷，即使没有恶意攻击者也可能形成级联。两种解释并不互斥：前者强调可避免的治理失误，后者强调自动化会放大组合性风险；目前都属于事件解释而非新实验证据。
Deep Dive 附录
Gemini 3.8：用同一底座分出大众 Flash 与受控网络安全能力
3.8 Flash 与 Flash Cyber 共享基础能力，并用长时 Agent 循环反复评估和修正模型。大众版以同价升级编码、专业推理和工具调用，但更高 effort 可能增加 token；Cyber 版则优先漏洞发现与修复而非利用开发，Google 报告其在 CyberGym、CWE-Bench、Chrome 真实缺陷和内部多语言代码集上提升。产品边界比单一 benchmark 更重要：普通 3.8 按 Frontier Safety Framework 维持网络攻击与 CBRN 防护，Cyber 采用更宽松策略，只经 Fairwind 向政府、关键基础设施和可信维护者开放。Google 的 2.6 倍补丁、70% 发现率及合作方成本/召回优势尚未由统一第三方复现，当天私有评测的负面反馈也说明公开榜单不能替代真实负载验证。 查看原文
Muse Spark 1.3：把提问、求助与确认训练进长时 Agent 行为
Meta 的升级不只追求完成率，而是显式训练协作边界：需求含糊时询问，遇到阻塞时向用户求助，执行不可逆动作前确认，并在被打断或多任务交织时把新提示路由回正确工作流。模型还会主动收集上下文、修补计划缺口，并更准确承认不知道或做不到，目标是减少长任务中的“声称完成”。编码侧约 20% 更少工具调用和 25% 更少 token 来自 Meta 工程师内部比较，缺少公开 harness；最高推理模式仍在补做安全测试。1.3 已上线，但开放权重和更大模型只有路线预告，因此可验证的当前变化是交互与执行校准，而不是已经兑现的完整开放生态。 查看原文
Cursor Self-Hosted Machines：执行环境回到企业，Agent 控制面仍在供应商云端
每台 worker 用 Cursor CLI 建立出站 HTTPS 长连接，接收云端 Agent 的工具调用，在本地代码副本上编辑和运行命令，再把结果送回下一轮推理。企业可用单机或跨仓库共享的 worker pool，由队列触发扩容、超时释放或快照恢复，并接入现有 sandbox 厂商；Linux 与 Mac 还可提供浏览器控制。该架构解决内网、专用硬件和特殊构建链访问，却不等于完全私有：推理、规划继续由 Cursor 托管，返回内容可能含代码，transcript 也可能被处理保存。部署评估应分别审计计算位置、数据回传、凭据、网络出口与会话留存，而不能只看“self-hosted”标签。 查看原文
Lily：以极窄兼容面换取 Apple silicon 推理路径的针对性优化
Lily 只接受固定版本的 Qwen3.6-35B-A3B MLX 4-bit 权重，加载时校验架构与量化布局；服务端只实现文本消息、非流式输出、贪心解码和可选 prefix cache key。它把 prefill 视为批量、可复用权重的计算问题，把逐 token decode 视为受内存带宽约束的问题，并直接映射到 Metal。两条目 LRU 只在旧 token 序列严格为新 prompt 前缀时复用状态，避免仅凭 cache key 错配。1.23 倍与 1.35 倍吞吐来自单一 M5 Max/模型组合，优势不能外推，但仓库提供冻结检查点、测量契约和失败关闭矩阵，使这一专用优化比黑箱性能宣传更容易复验。 查看原文
ExtractBench：文档抽取评测开始同时追踪长文档完整性、定位能力与每页成本
传统 OCR/抽取 benchmark 多使用短而整洁的数字文档，容易掩盖页十之后截断记录、跨页表格错列、空字段臆造和手写遗漏。ExtractBench 用统一 schema 和确定性规则覆盖 4,869 页真实企业文件，并区分感知、表格、长度、领域等失败类型。官方结果显示单次 VLM 在长记录上急剧退化，分段、回查源页与低置信重试的 Agent pipeline 更稳定；编码 Agent 接近其准确率但单页成本更高。另一个关键差异是字段溯源：LlamaIndex 称其产品是参评系统中唯一为每个值返回 word-level bounding box 的方案。由于评测由参评供应商发起，开放数据、代码与 Kaggle 提交只是必要条件，仍需独立运行确认成本和产品优势。 查看原文
AI21 验证器：正确候选已经存在时，系统收益来自独立否决而非再生成一次
AI21 固定生成候选池，让验证器针对每个候选重新检索并输出 VALID/NOT_VALID，再在通过项中投票。普通 Qwen3-8B 几乎无法复制 Opus 的验证增益；约 6,000 条平衡样本经过 SFT 教会搜索、再用可验证二元奖励做 RL，才同时保留工具使用和清晰判决。团队还发现 RL 冷启动会利用类别不平衡而停止搜索，SFT 单独使用又会稀释最终判决 token。最终 92.9 对 93.4 的结果说明专门训练的小验证器可接近昂贵模型，但外域实验暴露召回风险：它曾拒绝 27% 可解问题的全部正确候选，少量域内 SFT 后才降至 4%。可靠部署必须同时监控验证精度、召回上限与聚合 headroom。 查看原文