技术简报 · 第 2026-10-08 号
技术简报 - 2026-10-08
本页目录6 节
本期概览
#这一期的六条信号，都要分清两种数字：自己报的，和核验过的。ThinkingBox 按数据库最终状态给智能体评分，做错的任务里有三分之二没有报错就结束了。OpenAI 公开 719 篇数学结果，有 Lean 证明的只占四成，第二天就撤回了三篇。Nemotron 的两枚金牌，IMO 由官方评分，IOI 是自测。Claude Haiku 5.5 的标价降到十分之一，新分词器又多用两成五 token。另有两个开放模型：把文字、图片、音频放进同一向量空间的 EmbeddingGemma 2，以及与 Jev 互有胜负的决策模型 Clef。
本期立即关注
#精选评级最高的已发布技术信号，编辑置顶的条目优先展示。
智能体做错的任务，三分之二没有报错
Microsoft 发布 ThinkingBox-Bench：507 个有状态的业务流程，按后端最终状态评分，而不是看智能体怎么说。12 个模型的 121,680 次运行里有 79,853 次没通过，其中 67.24% 正常结束、调用过改写状态的工具、也没有报错。Kimi-K3 有 93.89% 的任务至少做对一次，但 20 次全对的只有 13.41%。代码与数据均已开源。
适合 让智能体直接改写业务数据的工程团队、负责智能体上线验收和监控的平台与运维团队、在多个模型之间选型、需要看可靠性而不只是平均分的决策者
Claude Haiku 5.5：标价降了九成，token 却多用两成五
Anthropic 10 月 7 日发布 Claude Haiku 5.5，10 万 token 以内每百万输入 0.10 美元、输出 0.50 美元，是 Haiku 4.5 的十分之一。它在 OSWorld 2.1 上从 15.7% 升到 72.4%，Terminal-Bench 4.0 从 0 升到 39.2%，但仍明显低于 Sonnet 5.5...
适合 用小模型做分类、摘要、子任务分发的工程团队、负责模型路由、在 Haiku 与 Sonnet 之间分配流量的平台团队、处理长文档、提示常超过 10 万 token 的应用
OpenAI 公开 719 篇数学结果：四成有 Lean 证明，第二天就撤回三篇
OpenAI 10 月 6 日在 GitHub 公开 openai/math：一个未发布的内部模型针对约 4000 个问题写出的 719 篇稿件，平均每个结果约 3 小时思考算力。其中 300 篇有 Lean 形式化证明，约占 42%；OpenAI 自己说其余的可能有问题。仓库记录显示，第二天就因符号错误撤回 3 篇、修订 14 篇。
适合 关注 AI 在科研中能做什么的研究者与技术决策者、做形式化验证、Lean 或定理证明相关工作的工程师、需要判断「AI 解决难题」类报道可信度的读者
值得跟踪
#值得跟进的信号，但在成为立即优先项之前仍需更多背景或验证。
Nemotron 竞赛模型：IMO 金牌官方评定，IOI 金牌自测
NVIDIA 用同一模型家族的微调版参加 2026 年 IMO 与 IOI。IMO 拿到 30 分（金牌线 29），由 IMO 官方评分员打分，纯自然语言、不用证明器与工具。IOI 自测 535.4 分（金牌线 361.12），按比赛限制自己跑，不进官方排名...
适合 做模型后训练、数学或代码推理的研究与工程团队、想在自己任务上加验证循环的应用团队、需要判断竞赛类成绩可信度的读者
谷歌开放新嵌入模型：图片音频文字同一个空间
Google 10 月 6 日发布开放权重的 EmbeddingGemma 2：基于 Gemma 4，共 740M 参数，文字、图片、音频、视频与代码嵌入同一个空间，视觉与音频编码器可选，只处理文字时只需 270M。上下文 8K，是上一代的 4 倍...
适合 搭检索增强生成或语义搜索的工程团队、做代码检索、代码库问答的开发工具团队、需要在设备上做多模态检索的移动与端侧应用
Cloudflare 开放 Clef：意图分类胜过 Jev，推理判断落后
Ollama v0.35.1 支持 Cloudflare 的开放决策模型 Clef（27B，Apache 2.0）与 Clef Flash（9B），并新增 /v1/systemone 接口：输入状态与带类型的问题，一次前向返回概率，不生成文字。与 9 月的 Jev 相比...
适合 在智能体里做路由、意图识别或审核的工程团队、本地部署模型、用 Ollama 做推理的开发者、需要低延迟分类与打分的端侧应用
来源参考
#本期简报中已发布技术信号所代表的公开来源。
订阅简报
稳定的公开订阅源仅包含已发布的技术简报，草稿和已归档简报不在其中。