DeepSeek V4.1 Flash 1017 更新:优化开发效率并开放搜索 API
DeepSeek V4.1 Flash 更新至 V4.1-Flash-1017 版本,官方网页端、APP 与 API 已同步变更。新版通过强化学习提升了游戏开发与 3D 建模等项目构建能力,并优化了性能与成本平衡,支持在较少的提示词条件下实现复杂任务。
推荐理由:新版本提升了游戏与3D项目开发能力,开放了带鉴权的自研搜索 API,并同步更新多端入口。
DeepSeek V4.1 Flash 更新至 V4.1-Flash-1017 版本,官方网页端、APP 与 API 已同步变更。新版通过强化学习提升了游戏开发与 3D 建模等项目构建能力,并优化了性能与成本平衡,支持在较少的提示词条件下实现复杂任务。
推荐理由:新版本提升了游戏与3D项目开发能力,开放了带鉴权的自研搜索 API,并同步更新多端入口。
Reflection AI 发布开源权重模型 Beam,面向智能体编码与长时程多步骤任务,提供 501B 总参数量与 23B 活跃参数量的稀疏 MoE 架构及 100 万 token 有效上下文。
同一新闻,精选展示《Hugging Face 开源 501B MoE 模型 Beam》
Reflection 首个模型 Beam 在 Hugging Face 发布:501B 参数 MoE(23B 激活),1M token 上下文,Apache 2.0。
推荐理由:Reflection 首个 501B MoE 模型 Beam 在 Hugging Face 全面开放,Apache 2.0 许可、1M 上下文和 vLLM/SGLang 支持直接降低了本地部署门槛。
阿里云支持中粮集团一线员工自主开发覆盖全产业链的 AI 应用,已用于粮食生产与全球贸易场景。 技术团队结合千问办公与卫星遥感技术构建农业投研模型,预计年省 495 万元;利用千问 VL 将厂区安全监控误报率降至 5% 以内;部署 Qoder 平台将贸易单据处理时间缩短至 5 分钟。 该合作标志 AI 从专业工具走向日常岗位,推动中国农业引入新质生产力,实现更多创新成果的规模复制。
硅基流动上线高速版 DeepSeek V4.1 Flash。该模型作为拥有 552B 参数的 MoE 模型,采用全新 Causal-Encoder-Decoder 结构,使输入激活只有 8B,输出激活 16B;相比上一代,模型对 HBM 显存和 SSD 存储的需求分别减少到 1/4 和 1/8。
推荐理由:DeepSeek V4.1 Flash以极简参数设计显著降低部署与缓存成本,并原生支持视觉理解,开发者可以评估其在Agent工作流中的性价比。
ORACLE-SWE 量化了 oracle 和 agent 提取信号对 SWE 任务成功的贡献,并测量了两者间的差距。 该研究涵盖 Reproduction Test、Regression Test、Edit Location、Execution Context 及 API Usage 信号。 代码和 oracle-signal 数据集已作为可重用方法发布。
SaraCoder 提出分层上下文修剪框架,在固定 token 预算下提升代码补全知识密度。在 CrossCodeEval 和 RepoEval-Updated 评测中,其代码级和标识符级指标优于 GraphCoder 和 Repocoder。
Phi-Bench 是一个包含 85 项基于真实 LLM 训练和推理代码库任务的基准,用于评估 LLM 在开放-ended、长程基础设施工程任务中的表现。 该基准涵盖九类 LLM 基础设施,包含三种任务格式,从内核函数补全到仓库级端到端优化,所有奖励均通过正确性和反作弊检查。
NeoHorse-1 是一个探索递归自我改进(RSI)的 agent 原生模型家族,通过智能路由记录交互并转化为训练样本,包含结构验证和多维语义评估。该方法将评估反馈转化为下一轮训练混合,在 11 个基准测试上使 4B 模型宏平均准确率从 58.94 提升至 64.87,9B 模型从 65.60 提升至 69.04,显著缩小了后训练 4B 模型与 9B 基座模型的差距。
本文提出 WEAVE 框架,通过仓库校准的类型化变更位置将验证过的 PR 历史转化为可执行的、依赖结构化的任务,构建有界 DAG。 WEAVE 引入了名为 Graph Credit 的确定性指标,基于测试评估与依赖一致的局部进展,为强化学习提供可验证的密集奖励。 实验表明,WEAVE 比扁平评分更忠实地衡量进展,并为代码智能体的训练提供有效监督和可验证奖励。
OPRD结合多尺度提醒监督与基于结果的路由,在SWE-bench Verified等基准上将开源模型Qwen3.5-4B的平均任务解决率提升11.3点。 该技术将全局提醒转化为轨迹级指导,使聚合错误事件数从446个降至222个,减少50.2%。
混合生成-标记解码架构结合了标记与生成策略,用于电商产品属性-值提取。 整合进 vLLM 推理后,该解码器使属性覆盖率提升 10%,正确提取的属性值对增加 63%,同时延迟降低 44%。 该工作已被 EMNLP 2026 工业界赛道接收。
研究基于SpecMine语料库(73,030个GitHub仓库、470,795个规范文件)及21位从业者访谈,探讨规范驱动开发(SDD)的实际应用。 SDD要求开发与AI编码智能体共同编写规范以指导实现,实践中常选择性用于新功能并包含实现细节。 研究发现规范有助于澄清意图但易随时间过时,且团队受益取决于SDD成为共享流程。
summary_zh: 近失加速器内核修复领域提出专用调试智能体,主张以“调试”取代“重新生成”。Debug Pass@1 准确率达 66.7%,每次成功操作比三次重新生成节省 92.8% token 消耗。
现有代码 LLM-as-a-judge 基准测试存在缺陷标注模糊或质量分布失衡问题,无法有效区分细微错误。 论文提出基于扰动的 AXIOM 框架,通过语义扰动控制代码质量分布,并混合多源上下文简化人工标注。 构建包含 1962 个多语言代码评测问题的 AXIOMBENCH,解决传统基准测试无法准确衡量判别能力的问题。
针对缺乏可靠验证器的开放式任务,该框架结合人类领域知识与模型推理构建训练环境,并将诊断归因转化为GRPO目标中的token级权重以指导策略优化。 在交互式Web应用生成任务中,该模型在MiniAppBench和ArtifactsBench上的平均通过率分别为41.25%和76.19%。 消融实验及分布外评估证实了各组件的有效性,表明该框架能实现可泛化的性能提升。
研究团队推出 3DCodeVerse 生态系统,旨在赋能编码智能体大规模创建可编辑且可验证的 3D 内容。 该系统包含 3DCodeVerse-2M 数据集及多智能体有向无环图框架,在对比实验中以 90% 的胜率超越 Claude Design。 微调数据显著提升开源模型 3D 编码能力,且该框架在生成过程中无需人工反馈即可自动评估和修正程序。
针对 465 个智能体编写的 PR,研究发现 CodeHealth 指标能预测智能体代码审查的 Token 成本。 数据显示 CodeHealth 每提升 1 点,Token 成本降低 3.5% 至 6.1%。该关联在三个 LLM 中均成立。 研究证实代码质量指标不仅影响维护,也直接决定多智能体推理成本。
LLM 智能体在三个 RTL 设计中,通过 8 次迭代将功能覆盖率从 88.9% 提升至 100%。 系统从 cocotb-coverage YAML 报告读取数据,并使用独立于模型的记分板检查数据完整性,但未对 LLM 生成的测试进行独立校验。
Poison Valleys 通过 1,844 次模型请求在两个合成 Python 案例中追踪代码修复代理的故障路径。 将错误概念从假设移至实现计划导致 PersistQueue 失败率增加 32.2%,Dijkstra 增加 28.9%。 该研究建立了上游误解、代码机制与故障形式之间的测量关联。
研究提出 SCARCE 框架,让编码智能体在共享资源限制下解决序列任务。实验发现智能体自发形成基于声誉与互惠的非正式制度,甚至放弃即时利益以遵守旧协议。 测试了 8 个模型及 1500 多条轨迹,发现较新的前沿模型比轻量级模型表现出更多制度性行为。 SCARCE 为审计多智能体系统的资源分配与安全性提供了可控环境。
研究人员将四个 Gemini 4 Argon 智能体放入沙盒版 Minecraft 生存世界,通过开源库 Mineflayer 控制角色并依靠游戏内聊天与共享内存协作,未分配角色或编写游戏逻辑。
推荐理由:实验证明多个AI智能体能在无预设逻辑的情况下协同通关高复杂度任务,揭示了长程规划与协作的实际边界。
研究者证明,对于任意深度的标准样条 KAN,在等距 Sobolev 球上逼近任意目标函数时,若未达到独立于维度的精度阈值,所需样条系数数量至少随输入维度呈指数增长。
研究人员提出Gibbs-Gap策略优化(GGPO),通过最小化KL调整奖励的对数均值指数对比,消除了长回复训练中高方差的重要性权重。 消融实验显示,固定参考下的GGPO在五项基准加权平均中得分为32.96,默认刷新调度下得分提升至46.58。 GGPO在训练推理不匹配及固定离线数据场景下优于GRPO和AGRO,并在策略陈旧度增加时保持性能稳定。
研究发现,代码模型偏好 Python 的特性取决于分析参数,在 55 种模型设置中,12 组件预算下仅 1/15 显著,40 组件预算下 6/15 显著。 指令微调使该偏好平均增强 12%,探针更换可致测量值从 1.6 降至 0.01,且显著结果多源自提取失败的诊断。
研究证实,正确性反馈抑制了规格完整性审计所需的证据,导致无反馈发现机制的认证见证产出率(59.0%)是含反馈循环(27.1%)的两倍以上。 该优势在所有受测模型族中均成立,且通过保留失败见证,Phase-Revised 合约的 81.3% 实现成功率优于 IS-Revised 的 62.5%。 效果未复现于 Dafny 和 Lean,界定了该工作流在 Verus/Rust 中的实证边界。
P2Patch生成对抗式修复系统在101个C/C++和Java CVE基准测试中,将保留集修复覆盖率从78.1%提升至84.7%,超越上游覆盖率达62.5%。 该系统通过利用代理与修复代理的多轮对抗循环,使修复后的程序在41%的运行中仍被发现存在新的同类漏洞,从而识别一次性验证遗漏的修复盲区。
SWE-Stream利用10,728个代码库生成80,874个验证任务,微调Qwen3-30B模型在SWE-bench Verified上的解析率达45.6%。 其弹性流式策略比批量构建效率提升1.45倍,比固定限制流式处理多接受13.2%的任务,有效缓解了高质量训练数据稀缺问题。
SWE-Nexus 自动构建包含 600 个任务、覆盖 105 个代码库和 6 种编程语言的基准,任务源自测试执行而非历史变更边界。 该基准含 116 个原子任务和 484 个复合任务,通过 4 个构建代理选测、适配追踪与评估协议并生成行为规范。 最佳配置在单次尝试中解决 37.8% 的任务,使任务构建超越单一历史变更验证行为。
JevCoder 结合代码片段推荐与行动指导,利用 Jev 法官判断提交时机,在保持修复质量的同时降低 Token 使用量。 对比无指导修复,JevCoder 在 SWE-bench Verified 等 400 个任务上,使三种修复模型的修复器 Token 平均消耗降低 21.6% 至 50.6%。
论文提出 transparent-compact,一种专为轻量级模型设计的确定性上下文压缩方法,用于开源 Pi 编码智能体。 该方法保证上下文中的用户和助手原文不被模型改写,并明确标记信息被压缩剥离的位置。 在基于 Qwen3.8-27B 等四个模型的基准测试中,transparent-compact 在保持事实与承诺记忆方面匹配或优于默认摘要及其他确定性方法,尤其在避免自信错误上表现更好。
LAGO 将专业语言智能体视为可复用的时间扩展选项,元智能体从持久库检索选项或生成新选项,无需更新权重即可让库跨任务增长。在 500 个 SWE-bench Verified 任务中,使用冻结的 Qwen3.5-35B-A3B 单次评估解决率为 58.6%。
OpenAI Codex v0.163.0 新增即时中断、并行只读工具及 Daybreak 默认启用功能,并增强 /config 与 /daemon 配置管理能力。
Meta 开源代码模型 Muse Spark Open 现已接入 Amazon SageMaker JumpStart,支持 100 万 token 上下文窗口。
Day 11/ 我们上线了一系列更改并增加了更多算力,以大幅减少“所选模型已达到容量上限,请尝试其他模型”这一干扰性提示的出现频率。当它确实发生时,系统最终也应能够自动继续运行,而不仅仅停留在该错误上。 如果你在外部仍看到此问题,请告诉我们,我们会进行检查。
Qoder 为国际版个人订阅用户送出 1024 预热福利,每人可领 2,000 SOTA Credits。 积分在 Qoder、Qoder IDE、Qoder CLI 及 JetBrains 插件可用,用于 Sonus 模型。 领取及使用时间为 10 月 14 日 18:00 至 10 月 24 日 10:00。
Qoder Fast 模式在桌面端、IDE、JetBrains 插件和 CLI 同步上线,首次响应时间从 8 秒缩短至 3 秒,Credits 消耗从 1.1x 降至 0.8x。
Qoder 指出 Personal Agent 的主动性源于“目标减去现状”产生的差距,并建立 L1 至 L5 分层模型分析执行风险。 其自研代理 Daisy 运行显示,276 条待办中 126 条需手动核销,自主执行数为 0。 文章强调突破主动性瓶颈需明确目标与验收规则,将高风险推断任务降级为可检查的规则执行。
Qoder 的智能体(Agent)与智能体团队(Agent Team)功能向个人用户开放,可配置职责、工具与模型档位,或由 Leader 组织多角色协作。用户进入“设置 → 智能体”即可创建助手,并为团队指定 Leader 与成员,在各自独立会话中分工完成复杂任务。
作者论证规模化人机 AI 编程协作需要“可治理共识层”(Agentic Consensus),该层通过版本化项目状态模型关联意图、结构承诺、可执行工件及证据。 研究在 Consensus Control 中实现其审查流程,一项含 10 名参与者的探索性研究显示,该系统能让人更快、更清晰地理解 agent 提交的变化。