CloudOpsBench评测显示顶级AI Agent在真实AWS运维任务中失败率超40%
密歇根大学研究人员发布开源基准测试CloudOpsBench,包含45项基于AWS的真实DevOps任务。Claude Fable 5.1的解决率为60%,GPT-6 Astra为53%。约80%的失败源于推理缺陷(如任务范围误判、遗漏相关服务或提前终止),剩余20%为错误操作(部分不可逆),GCP、Azure和OCI支持计划中。
密歇根大学研究人员发布开源基准测试CloudOpsBench,包含45项基于AWS的真实DevOps任务。Claude Fable 5.1的解决率为60%,GPT-6 Astra为53%。约80%的失败源于推理缺陷(如任务范围误判、遗漏相关服务或提前终止),剩余20%为错误操作(部分不可逆),GCP、Azure和OCI支持计划中。
腾讯发布旗舰开源大语言模型 Hy4,增强了面向企业软件的智能体(Agent)能力,并首次引入视觉理解,可处理图像、分析复杂图表并进行视觉数学推理。腾讯称 Hy4 首次进入中国顶级开源系统梯队,与 DeepSeek、Z.ai 和阿里巴巴直接竞争。
百度于11月5日正式开源基座模型文心5.5 Flash Base(ERNIE 5.5 Flash Base)。该模型采用 MoE 架构,总参数量 2800 亿,每个 Token 激活 140 亿参数,使用 33.5 万亿个 Token 完成预训练。
同一新闻,精选展示《百度开源文心 5.5 Flash Base 基模,主打效率与创新架构》
summary_zh: AXI 是一个主机层,通过确定性门控检查每次 AI 回复,确保 AI 任务状态精确。 预注册测试显示,在 Gemini 3.8 Flash 等模型上,1,500 步状态全部精确,提示词平均缩小 169 倍,单步成本降低 4.5 至 9.3 倍。
百度文心大模型开源发布 ERNIE 5.5 Flash Base,总参数 280B,采用稀疏 MoE 架构,每 token 激活 14B,在 33.5T tokens 上完成预训练,最长训练上下文为 128K,微调与推理支持 1M tokens 上下文。
voiceprint 是一款 Claude Code 插件,通过对比用户在 AI 普及前的 3,068 份基线文本(涵盖 2006 年至 2022 年的邮件、文档等),在每次发送 PR、代码提交或聊天消息前检查并优化 AI 生成内容的风格一致性。 它利用自定义词表和句长指标替代传统模型调用,将 AI 特征词转化为分数以识别并修正“通用平均”语病,确保输出符合个人特定习惯而非泛化特征。
OpenClaw 2026.11.1 版本发布,修复了 Mac 设置中配置保存失败导致密钥覆盖的安全缺陷,并优化了更新恢复机制。 该版本提升了 Claude CLI 的订阅账户可用性,支持通过插件管理原生 Agent 编排,同时修复了 Telegram 和 Discord 频道回复可靠性问题。
X 平台重构网页应用,Slow 4G 环境下账号主页首条推文加载时间从 22 秒降至 2.7 秒,性能提升 87.73%。 新版合并三套服务器为统一架构,采用 Vite、React 等技术及流式渲染,登录前启动文件由 582 个减至 10 个,目前正分阶段灰度迁移给用户。
Walrus 物理基础模型经少量 DNS 微调后,零样本预测实验室 RTI 数据时进入观测增长率区间(~0.06-0.07),解决了仿真值(~0.02)与实验值长期存在的差距。 该模型未接触任何实验样本,且能零样本泛化至训练数据中不存在的稳定分层流动,正确减缓混合层生长。 结果为基础模型泛化到实验室行为和未见物理机制提供了数据驱动的独立证据,为探索仿真-实验差距开辟了新途径。
MONET 发布了一个包含 1.038 亿图像-文本对的 Apache 2.0 开放数据集,源于 29 亿原始数据,经过安全过滤、去重及多视觉语言模型重描述增强。 每张图片附带预计算嵌入与标注。研究人员仅用该数据集训练 4B 参数潜扩散模型,取得了具有竞争力的 GenEval 和 DPG 分数,证明了其降低大规模可复现研究门槛的作用。
NeurIPS 2026 论文发布 GraphIP-Bench,统一评估 12 种攻击与 12 种防御。 该基准涵盖 10 个公共图、3 类 GNN 骨干及 3 项任务。研究显示中等查询预算下窃取 GNN 较容易,多数防御未能改变此现状,且异质图更难被窃取。
EgoGen 是一款专为第一人称视角(egocentric)感知任务设计的合成数据生成器,已被 CVPR 2024 接收为 Oral 论文。 其核心是结合碰撞避免运动基元与两阶段强化学习的新颖人体运动合成模型,虚拟人可基于第一人称视觉输入感知 3D 环境,无需预定义全局路径即可适用于动态环境。 EgoGen 将完全开源,为构建真实的第一人称训练数据提供实用方案。
针对 LLM 优化建模中数据缺乏结构多样性及生成管道静态的痛点,提出 EvoOptiGraph 框架。 该框架将 MILP 表示为带属性二部图,通过 SFT 与基于可验证奖励的 RLVR 进行训练,利用图衍生的弱点信号指导新实例生成。 在六个公开数据集上,EvoOptiGraph 在准确率、可执行性及泛化性上显著优于通用大模型及专用基线。
开源权重智能体 SARBLOH 证明在 ARC-AGI-3 中,空间感知而非规划能力主导交互推理。其零参数感知引擎将单帧处理时间压缩至 35ms,通过生成对象库存与几何简报,将评分从 3/28 提升至 25/28,同时降低 89.4% 的 token 使用量。
SysPilot 是一款开源的跨库性能自动调优系统,旨在解决共享资源争用导致的性能瓶颈。该系统基于库性能合同(LPC),能比 OpenTuner 和 SMAC3 提升高达 38% 的性能指标,同时将运行次数减少 3 倍。
预注册测试表明,JEPA 未能使潜空间更好地组织流体力学量,其表现与未训练网络相当。 自编码器使涡动能在慢速无监督潜空间中显著(r 0.80-0.86 vs 0.38),但添加 VICReg 会降低该显著性。 研究揭示潜空间内容可读性与其可控性相分离,监督方向在受控时几乎无法改变输出。
研究发现对比视觉-语言模型在左右关系评分上接近随机,归因于嵌入不可达或池化丢弃。 针对两种失败模式,提出零参数查询条件空间矩方法,在11.8万图像索引上显著提升左右成对准确率与召回率。
提出 CoCo 框架,利用 LLM 将文本推理蒸馏为数值协变量引导 TSFM 预测。 采用 GRPO 微调 LLM 并同步微调 TSFM,使用 Qwen3-4B-Instruct-2507 与 Chronos2 实现最高 12% 的 MAE 改进。 在金融、气象等真实基准上超越 GPT-4o 等 SOTA 模型,相关代码与检查点已公开。
VenusGenome 是一款结合可见编码与基因组感知注意力的基因分辨率掩码自编码器,用于学习微生物基因组表征。 模型在超过 170 万个微生物基因组组装语料上预训练,使用冻结的蛋白质嵌入作为基因级输入。在 11 项主要指标中的 9 项上取得最高平均表现。
针对 NVARC Qwen3-4B、Qwen3.8-27B 及 Qwen3.8-Flash-Next 模型,利用规则、推理轨迹及路由统计数据优化 ARC-AGI-2 求解性能。
FlyHash 首次在 LLM Agent 记忆检索中应用,质量优势在 10 个随机种子和 4 个跨模态数据集上稳健存在。 在等量 bits 条件下,FlyHash 的编码比 SimHash 更大且比较更慢,常规规模下 HNSW 表现优于两者。 该研究证实 FlyHash 能在非循环相关标签下保持优势,优于传统的最近邻嵌入代理。
提出前缀感知非自回归框架 MIS,在 KuaiRand-1K 数据集上 CPU 解码速度较自回归基线快 4.07 倍,生成质量接近 CGA 基线。 该框架整合全局候选交互与局部前缀条件,通过计算可复用表示减少重复全模型推理,实现高效排序。 在大规模社交视频平台随机评估中,MIS 使实现指标提升 0.104%,观看时间增加 0.058%,并将排序服务 CPU 消耗降低 9.73%。
该研究将Epiplexity转化为在线训练信号,用于指导数据选择(EpiSelect)与合成数据生成(EpiGen)。 具体而言,EpiSelect通过拟合自然数据域的缩放律自适应调整采样权重;EpiGen利用REINFORCE策略梯度引导生成器优化分布。 结果表明,高Epiplexity数据显著提升了零样本及微调任务的性能,验证了结构丰富数据更易跨域迁移的假设。
研究人员提出RADIUS套件,用于评估大语言模型在模拟调查时的对齐度,涵盖排名、分布及统计显著性三个维度。 该套件通过实验揭示了单一指标的局限,能发现分布改进但错误识别人类首选选项的情况。 RADIUS已开源,旨在支持调查模拟器的可复现和可比性评估。
研究发现大语言模型普遍存在“上下文牵引”现象,模型会对输入提示词中曾出现过的任意 Token 赋予显著更高的 logit 概率,即使这些 Token 是随机的且与问题无关。
前沿 LLM 通过 PAYWORTHY 数据集预测 AI Agent 接受任务的概率,结果取决于 Agent 能力描述的详尽程度。 数据集包含 1,494 个真实自由职业帖子,当模型获知 Agent 无法做的事情时预测 AUC 为 0.66–0.86,仅获知通用能力时接近随机排序。
研究提出 LExMem 图引导基准和 LExGraph 图记忆框架,用于评估模型在长期探索任务中的记忆能力。 LExMem 生成 224 段对话和 2,018 个问答实例,通过演化机制增加图结构复杂度。 LExGraph 采用增量组织和混合检索,在现有系统上表现更优,并有效泛化到外部基准。
AssameseLM-E2B 是一款 20 亿参数的开源阿萨姆语模型,基于 Gemma-4 架构构建。 采用 Hybrid LoRA 持续预训练和 SFT 微调,词汇扩展使 token 化开销降低近 500%。 在 FLORES-200 上 BPB 达 0.7488,RAG 准确率 96.7%,可在消费级硬件部署。
Confucius4-R2T2 基于 Qwen3-ASR-1.7B 经 1500 小时中英文音频后训练,实现流式 ASR 输出永不修改前序 token,同时保持高精度与低延迟。 模型采用 Longest Stable Prefix(LSP)标签学习机制,无需架构改动即可将全上下文模型转化为稳定前缀流式模型,且泛化能力超出训练语言范围。 模型权重与代码已开源。
NeurIPS 2026录用论文提出Retention-aware Policy Optimization (RaPO)算法,解决强化微调在视觉持续学习中的灾难性遗忘问题。基于Qwen2-VL在ImageNet-R等基准上,RaPO将最终准确率提升至85.92%并将遗忘率压低至4.69%。该算法通过重塑奖励机制与跨任务优势归一化实现抗遗忘,代码已开源。
summary_zh: Rack Community 是一款自托管单节点 AI 实验室工具,核心特性是内置 admission control 的 job runner,确保机器不会因内存过载而崩溃。
网友利用 Claude Code 在一天半内完成 NordicTrack Commercial 2250 跑步机越狱,绕过 iFIT 强制订阅并开源至 GitHub。 改造后设备集成 Netflix 等流媒体自定义主屏幕,启动时间从近一分钟缩短至约 21 秒,但最高仅支持标清,恢复出厂可能清除修改。 对电动健身设备进行此类系统改动可能带来安全风险,并影响厂商保修。
DeepSeek 开源了名为 Super-Agent 的编码智能体,该工具通过监听仓库动态或团队聊天(支持 Feishu)触发任务,并生成 Pull Request。目前该原型仅限单个 GitHub 仓库使用,默认处于观察模式不自动执行,且因执行器拥有完全系统权限且缺乏安全审计,部署时需格外谨慎。
Bansat 是一个开源的蓝图优先框架与 Claude Agent Skill,要求 AI 在写任何生产代码前完成产品、架构、安全、隐私法与 UI 状态规划,并通过 G1 人工审批门禁。
开源项目 TVPort 利用 Claude Opus 5.5 重新编译代码,让《超级马力欧:奥德赛》在 Apple TV 4K 上实现 60FPS 原生运行。 该项目基于 nxnative 开发,需用户自行从正版卡带提取数据并配合改装版 Switch,暂不支持需自行携带游戏文件。 由于现款硬件易过热降频,第四代 Apple TV 4K 的 A19 芯片预计能承载更多大型游戏。
中国科大发布开源 RNA 序列基础模型 structRFM,相关成果发表于 Nature。该模型基于 2100 万条序列-二级结构配对数据预训练,在结构预测与功能推断任务中达到国际前沿水平。 目前实验室已开放完整配对数据、模型权重和源代码,为研究复现和相关模型开发提供可复用资源。
月之暗面在 Hugging Face 开放 Kimi K3.1 Pro 模型权重,该模型采用混合专家架构,总参数量 2.8 万亿。在 Agent Arena 智能体排行榜中,Kimi K3.1 Pro 位列开放权重模型第一,基于超 1.75 万次真实长周期会话的净改进率为 +5.1%。
推荐理由:月之暗面如期开放 2.8 万亿参数模型权重,给出了部署规模与核心智能体评测数据,读者可据此判断该模型的开源生态影响。
Amigent 利用 AI 智能体(如 Claude Code)通过 50 KB/s 链路控制 Commodore Amiga,支持软件安装、文件传输及远程桌面操作。 在 7 MHz 68000 处理器上,完整屏幕传输耗时 0.6–1.0 秒,静态占用 CPU 低于 10%;A1200 下完整屏幕仅需 0.1 秒。 采用 MIT 协议开源,仅支持本地网络访问,禁止直接暴露至互联网以确保安全。
OpenRing 是一款自托管语音 AI Agent 平台,支持 Vapi 兼容 API,用户无需支付平台费即可直接连接语音、模型和电话服务商。该平台基于 Pipecat 构建,支持 Whisper、Ollama 和 Kokoro 等本地免费组件实现零成本运行,并提供从 Vapi 导入账户的便捷功能。
Sentinel AI Gateway 是一款轻量级代理,在内部应用与外部 LLM 服务商之间运行,通过自动化可逆 Tokenization 将 PII 零泄露给第三方,并基于复杂度路由降低成本。