给客户做了几个月 AI 系统,OpenAI 为什么又删掉 90% 的定制代码?
OpenAI 的 FDE 深入半导体客户,把 AI 用于芯片验证;Codex 变强后,团队删掉约九成定制代码。留下的是评测、失败案例与可复用的业务工作流。
OpenAI 的 FDE 深入半导体客户,把 AI 用于芯片验证;Codex 变强后,团队删掉约九成定制代码。留下的是评测、失败案例与可复用的业务工作流。
10月21日,Google Developers Blog公布了Agents CLI Extension System的一篇端到端技术说明:用LangChain模板创建Agent,复用原有部署和部分评测命令,再写一个部署前检查软件物料清单(SBOM)的扩展。文章明确说扩展系统从Agents CLI
2026年7月21日至8月11日,METR和Redwood Research各派一名研究人员进入OpenAI内部,对编码智能体的失配监控做了为期三周的高权限试测。10月22日公开的结果里,有一个很实在的漏洞:某种利用方式可以让最近数百次操作不进入监控记录,利用行为本身也会被藏起来。细节已由OpenA
配图为概念示意。 让智能体替人找商品很容易想象,让它替人付款则是另一笔账。10月21日,沃尔玛公布面向获批准的外部购物智能体的Agent Gateway,通过MCP接口连接商品检索与购物流程;同时提出Agent Profiles,为不同代理设置独立授权身份、购买记录和限额。后者计划下个月推出。平台明确要求代理不得越过用户意图操作,也不能直接接触用户支付资料。[1] 配图为概念示意。 插图为本文建议
配图为概念示意。 同一份银行业务手册,让智能体重复提取合规义务,四次得出四组不同的结果。直觉上,人们会先怪大模型的随机采样。CTGT在10月21日公布的Concordance案例恰好给这个直觉泼了冷水:研究团队比对了74次重复出现的相同模型请求,回答始终一致;变的是上传文件标识、路由列表顺序以及任务进行中扩张的主题注册表。稳定标识、固定排序并隔离测试环境后,连续五次运行均提取出34项相同的义务。[
配图为概念示意。 “银行卡扣了两次,能不能退一笔?”这句话若进入一个通用聊天机器人,它能写出礼貌的三段式回复。企业真正急着知道的是:先交给账务还是技术?算不算紧急?系统有多大把握?10月20日 Labqoat 公布 qev-0.8b,约8亿参数,输入状态与问题,输出选项概率。它让每封工单、每条邮件、每一步工具选择先经过一次很短的判断。企业是否值得部署,取决于概率能不能在自己的队列里可靠地决定“自动
配图为概念示意。 客户说完“帮我查一下订单”,电话里先静了两秒,机器人又从头念一遍欢迎词。客服主管很快会发现:这个系统的声音很好听,工单却越积越多。10月20日 ElevenLabs 推出 Eleven Realtime v1 Mini 和 v1 Max,让语音识别、轮次判断、对话推理和语音输出作为一套实时服务交付。值得购买的能力,是把交互链条的调优责任集中到一个系统;值得保留的边界,则是业务状态
一家团队训练了两年的语音模型,代码写在 PyTorch 上,推理服务接着现成的部署工具。云平台提供另一种加速器,看上去单位算力更便宜。工程师把模型权重搬过去,却发现真正消耗工期的是算子行为、编译时间、分布式通信、性能分析和上线后的故障排查。采购价再有吸引力,若迁移占去一个季度,账也未必划算。 10月19日,亚马逊介绍 TorchNeuron,拟于10月20日 PyTorch Conference
一位运营人员让智能体把两套系统中的客户记录对齐,再生成一份待回访清单。模型先读表,随后调用搜索、浏览器和脚本工具;第三次尝试才把字段映射正确。屏幕上答复的速度很快,账单却可能由反复传入的上下文、工具等待和人工核对共同决定。对这样的任务,采购会上只比较模型输出速度和输入单价,很容易选错。 10月19日,MiniMax 宣布 M3.1 Flash 上线 API、M Plan 和 MiniMax Co
10月17日,DeepSeek把V4.1-Flash-1017接入网站、应用和API,并开放模型权重。同一轮更新里,Search和Fetch向所有开发者开放,两个接口各标价每千次成功请求0.75美元。通过DeepSeek Harness、Claude Code或Codex使用DeepSeek API时,服务端工具调用目前免费;官方写明从10月31日16:00(UTC),即北京时间11月1日零时,开
10月18日,Anthropic提出把公司5%的股份交给新设的Anthropic Public Benefit Fund,前提是获得股东批准。公司还设计了一道随估值增长的追加机制:相对一个既定基准,估值每上升50%,董事会可酌情再增加相当于公司股份2%的份额。公告没有公布这个基准,也没有列出第一批受助者。新闻标题里的5%足够醒目,判断这项安排是否有效,却要等股权交割、基金治理和实际支出逐一落地。[
GOSIM深圳2026大会10月17日的议程,把《State of Harness Engineering》和《Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses》排进智能体主题论坛。两个题目把注意力从“哪一个模型最强”拉回执行系统:模型得到什么上下文、能调用
2026年10月17日,《The Verge》集中报道了Yelp、达美航空与美国金融机构对第三方AI智能体访问的限制。几个案例看起来相似,落到产品上却各有分寸:商户信息可以通过许可接口供给,订票牵涉实际交易,证券账户又叠加了身份和反欺诈要求。把它们统称为“平台封杀AI”,会错过真正影响开发者的一条规则:用户让智能体帮忙,不会自动赋予智能体访问另一家公司系统的权利。 达美航空的网站使用条款把这件事
拍一条30秒广告,最花时间的往往不是生成第一个漂亮镜头,而是让同一个人在下一镜头里仍穿同一件衣服、拿同一件产品、按脚本说完同一句话。快手可灵Kling 4.0此次把单次生成时长拉到最长30秒,同时给出多参考素材和关键帧控制。我的判断是:新版本的价值要放在连续制作链里测,漂亮的单条演示视频还不足以证明它能直接交片。[1][2] 30秒解决了哪一段工作 快手10月16日发布的公司新闻稿明确Kling
Reflection AI的Beam此前已经有性能介绍,但企业技术负责人要部署它,首先得拿到权重。10月16日,模型卡和不同精度的文件进入公开下载阶段。两件事的差别很实际:介绍会上可以谈基准成绩,权重到手后才能把自己的代码库、工具权限、服务机器和故障记录接进去跑。本文的判断是:Beam最大的近期价值在于把一套声称擅长代码与智能体任务的大模型,变成企业可以独立验收的对象;是否划算,还得看完整服务成本
让智能体处理一份客户续约,事情很快会越过单个应用:查CRM里的合同和联系人,翻工单系统里的投诉,读代码仓库中的修复进度,最后拟一封邮件。每接入一个系统,平台就多出一批可调用动作。发送邮件、保存草稿、检索邮件是不同工具;能查阅客户资料的人,也未必有权修改报价。把这些动作一股脑交给模型,最先撑不住的可能是上下文预算,随后才是工具选择和权限管理。 Arcade在10月15日推出的Tool Recomme
客户给了一组尚未上市的产品照片,要把它放进三种不同的零售场景;创意团队已经做了第一版,市场部只要求换掉货架上的价格牌,其他像素最好别动。这样的任务听上去比“生成一张惊艳海报”简单,做起来却更接近企业日常:素材能否上传外部平台,修改后是否还是同一件产品,下一轮返工能否找回当时的输入? Black Forest Labs(BFL)10月15日发布的 FLUX 3 Image Klein,给这个问题增加
Liquid AI公布的LFM2.5-24B-A2B是一款总参数240亿的文本推理模型。公司在发布材料中将它概括为“每个token激活20亿参数”,模型卡给出的精确值是24.0B总参数、2.45B激活参数。苹果M5 Max上的184 tokens/s以及单张NVIDIA B300上超过2.1万输出tokens/s,也都来自厂商基准。[1][3] 这组数字说明它想做的生意:在自有设备上让智能体反复思
10月14日,技术学习平台Pluralsight在客户大会Shift推出Pluralsight AI MCP。公司的公告列出Claude Code、GitHub Copilot、Cursor、ChatGPT Enterprise、Google Gemini和Microsoft Copilot Studio六个受支持入口,并称现有客户当天即可使用,无额外收费。员工在这些工具里查找课程片段、实验及技能
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