0
BenchBoard补齐23条结果：Agent评测怎样分账
10月11日，开源榜单聚合项目BenchBoard的维护日志写明，已补齐Terminal-Bench 4.0官方榜单的23条记录。 这不是Terminal-Bench 4.0在当天发布，也不是BenchBoard自己做了23次测试。它做的是整理已有成绩，并把基
分类: AI技术
0
REA逆向分析智能体：企业怎样审计工具调用
10月11日前后，开源项目REA（Reverse Engineer Anything）在开发者社区持续获得关注。项目仓库展示的路径，是让代码智能体连接Ghidra、IDA等现有工具，结合静态分析、动态分析，去查二进制程序与应用的行为；覆盖的对象还包括JavaS
0
GhostAction扩散：AI密钥藏在工作流里的风险
一份工作流叫“安全审计”，提交人看起来也是熟悉的维护者。匆忙审代码的人，很容易放它过去。GhostAction暴露的问题正藏在这里：账号如果已受损，工作流的名称和提交者都不足以证明安全，真正要看的，是它启动后能读取什么、能往哪里发送。 软件供应链安
0
英伟达与Reflection AI：谈判未定，企业先查模型控制权
设想代码审查团队刚把模型接进内网，采购合同还没签完，就看到芯片供应商与模型公司的交易消息。工程师先问：手头的权重还能用吗？法务接着问：新版本将来怎么授权？没人能凭一则商谈报道回答这些问题，但合同不能假装它们不存在。 10月10日，路透社援引《金融时
0
聊天框开始长出按钮：GPT-6的Intelligent UI，难题在“能不能放心点”
配图为主题示意，不代表现场实拍或产品界面截图。 10月7日，OpenAI宣布在ChatGPT中为GPT-6引入Intelligent UI。提问后，回答可能是一段文字，也可能出现图形、按钮、表单或交互式工具；模型根据问题选择组件，借助原生组件库与流式编译，一边生成，一边把界面交到用户手上。数学概念可以配可调参数的示意图，旅行规划可以把路线和相关信息放到一处，简单的问题仍然只用文字。这条消息最值得
0
18亿美元买的不是一个生物大模型：Biohub的数据计划该怎么看
配图为主题示意，不代表现场实拍或产品界面截图。 10月7日，Reuters报道，Biohub与美国政府及Meta、Google DeepMind、Isomorphic Labs等机构推进一项AI生物学数据计划，总体资金规模约18亿美元。商业参与者新增投入约3亿美元，美国能源部计划投入逾5亿美元；总额还包括Biohub承诺的资金和部分既有公共科研支持。因此，把标题里的18亿美元理解为“这次新融到的
0
EmbeddingGemma 2把检索放进手机，企业先别急着叫它端侧智能
应用场景示意，设备型号与铭牌为视觉示例，不代表报道中的真实设备；非产品界面截图。 图注：应用场景示意；画面中的设备型号、序列号和铭牌参数均为视觉示例，不是新闻事实或产品测试数据。 Google DeepMind 10月6日发布EmbeddingGemma 2：7.4亿参数，采用Apache 2.0许可，目标是把文本、代码、图像、视频帧和音频映射到统一向量空间。Google Developers
0
Mistral Large 4的万亿参数，企业先算每个成功任务的成本
配图为概念示意，不是现场实拍或产品界面截图。 Mistral在10月6日开放Mistral Large 4公共预览。按公司发布的说明，这是一款原生多模态混合专家模型，总参数约1万亿，每次推理激活约490亿参数，同时面向指令执行、推理和Agent任务。现在能用的是API；权重计划月底开放。最容易在采购会上被放大的数字是“1万亿”，最需要追问的却是：谁能把它稳定地用在企业自己的材料和流程上，且算得清
0
North 2给企业Agent装上控制台，预算与权限还得逐项验
一家企业想让Agent读客户邮件，把附件里的要求写进Jira，再去SharePoint核对合同，草拟答复。演示很快。可真到上线那天，安全同事只要问一句“它凭谁的账号读合同”，会议就得停下来。Cohere在10月5日推出North 2，把Agent、自动化、可复用Skills、跨会话Memory和知识Libraries放进同一个工作空间，也给管理员配置权限和消耗的地方。我对这个方向有兴趣，但“有控
0
Beam的5010亿参数，企业该怎么算这笔账
Reflection AI在10月5日公布Beam，参数表够醒目：总量5010亿，单个Token约激活230亿；预训练用了23.8万亿Token，后续强化学习在1.05万张NVIDIA GB300上跑了四周，产生超过1亿条Rollout。看到这张表，我先找下载地址。还没有。厂商目前开放的是早期访问报名，称模型仍在最终红队与评估阶段，权重、技术报告和模型卡计划本月晚些时候交付。现在可以研究它的技术
0
Agent隐私风险不能只靠一次授权：读MLCommons的25类风险
员工同意Agent“帮我整理会议”，随后它读了旧邮件，又把发言人姓名发给外部转录工具。员工原本只是想整理今天的纪要。子Agent再接手排期时，谁来决定纪要能否继续转交？人往往在第一步点了允许，数据却在后来几步才真正离开原有边界。MLCommons AI Risk & Reliability项目发布的《Agent Privacy Risk Taxonomy v0.1》把这一类难题纳入25类
0
Agent说完成了，数据库同意吗？ThinkingBox的企业工作流验收方法
Agent说“处理完成”。值班同事打开后台：工单状态没变，客户资料反而多改了一列。演示里的对话很顺，业务结果却错了。微软Copilot Studio团队与Hugging Face发布的ThinkingBox，正是为了让这种差别进入评测表：把Agent放进带有初始后台状态、策略约束和工具的沙箱，执行完毕后对照数据库的黄金状态检查，而不以最后一句回答作为通过条件。公开资料介绍了507个合成企业工作流
0
Muse Gadgets让个人Agent接入设备：从按钮到家庭网络，权限怎么管
Meta面向个人Agent Muse推出Muse Gadgets，开放ESP32设备固件以及面向Linux、Raspberry Pi的SDK。开发者可以连接显示屏、按钮、传感器与执行器，借助Linux设备接入家庭网络服务。Meta还制作了5000台Muse Home Lin
0
Kolibri-1完整权重开放：企业怎样把主权模型接进自己的系统
2026年10月3日，德国AI公司Aleph Alpha把Kolibri-1的完整权重放到Hugging Face，许可证为Apache 2.0。模型卡列出的数字是约781亿总参数、每个Token约34.6亿激活参数、384个专家，最长上下文1,048,576 Token。模型面向德语和英语，支持显式推理与工具调用。权重交到开发
0
Armadin拿到2.555亿美元：持续红队的难题，是让攻击模拟停在正确的位置
企业做一次渗透测试，拿到报告，排期修复。下次测试可能在数月以后。其间账号权限会变，云服务会增加，旧配置也可能重新出现。Armadin要解决的正是这种间隔：用自主Agent持续模拟攻击者，把零散弱点串成可能走通的攻击路径。10月1日公布的2.555亿美元B轮融资，让这个方向受到关注；但比融资额更值得企业琢磨的是：如果红队
0
Strands Decider 2B：Agent的每一步，都值得请大模型来决定吗？
一个Agent在回答用户之前，常常已经做了几次选择：这句话要不要检索？交给哪个模型？能不能调用某个工具？是否需要转给人？这些判断通常只有几个候选答案，却可能每次都让通用大模型跑一遍。Strands Agents开源的Strands Decider 2B，正是冲着这类重复判断来的。它给候选项打分，而不是写一段漂亮的解释。
0
Agent网关放在调用现场：Tuskira开源方案给企业出了什么题
10月1日，Tuskira发布开源、自托管的AI Agent Gateway。按照当天《AI技术每日分析》第三节的介绍，它位于Agent与大模型、MCP服务器和工具之间，统一处理模型路由、工具权限、调用日志、Token用量、成本追踪与策略执行。项目宣称支持Claude Code、Cursor、Codex、Claude