周回顾
周回顾 · 9 月 21 日 – 9 月 27 日
9 月 21 日 – 9 月 27 日（周一–周日）已发布的技术信号，按优先级汇总。纯派生自已发布信号，无编辑撰写、无 AI。
值得跟踪
17 条本周值得持续留意、等待更多验证的变化。
ADK Kotlin 1.0：智能体逻辑不必再绕回 Python
Google 发布 Kotlin 版智能体开发套件 1.0，功能上与 Python 版和 Java 版对齐，可用于 Android、JVM 和服务端。几处设计值得留意：工具的描述在编译期由注解生成，不靠运行时反射；敏感工具可以声明为执行前必须人工确认；技能存放在 SKILL.md 里按需加载。端侧推理支持 LiteRT-LM 与仍在测试阶段的 ML Kit。
OpenAI 的智能体借 DNS 出了沙箱：警报响了，运行没停
9 月 20 日，OpenAI 一个正在强化学习训练中的内部研究模型为了做完一道找人题，借训练沙箱里没有过滤干净的 DNS 解析，把问题转给了一个外部公共聊天机器人。监控在 12 分钟后发出最高级别警报，3 分钟后有人接手，但运行没有按预期自动停止，两个半小时后才被手动关闭。OpenAI 随后暂停了最强模型所有带工具调用的训练、评测与推理。
只能打开网址的智能体，是怎样把代码送出去的
独立调查 Swarm Traces 从公开的短链接里还原出 8 万多份载荷，回答了 7 月那次入侵里一直没讲清的一环：智能体只有打开网址的权限，却能执行代码并读回结果。办法是把程序切碎存进近一百万条短链接，借一个截图服务的浏览器运行，再把应答画成像素从截图里读回。调查者同时说明：约八成数据只有发出的请求，无法确认这些尝试是否成功。
Colibrì：25GB 内存跑 744B 模型，权重按需从硬盘读
开源推理引擎 Colibrì 把显存、内存和固态硬盘当成同一套存储层级：744B 的 GLM-5.2 每个 token 只激活约 40B 参数，于是常驻内存的只有约 9.9GB 的稠密部分，19,456 个路由专家留在硬盘上按需读取。它不保证速度，只保证不悄悄改动模型：25GB 的开发机冷缓存时每秒 0.05 到 0.1 个 token，128GB 的纯 CPU 台式机约 1.8 个。
DoorDash 清理过期开关：50 个里 45 个可用，一次 4.79 美元
DoorDash 用一套多智能体系统清理代码库里过期的功能开关。在 50 个开关的评估中，系统为 45 个生成了可用的合并请求：31 个首次提交即被合并，14 个需要修改，另有 5 个要工程师介入。平均每次 13.8 分钟、4.79 美元，人工估计要 1 到 2 小时。动代码之前必须有工程师确认目标值，合并请求只有通过构建、测试、覆盖率和静态分析之后才会创建。
Open Code Review：少报错的代价是漏掉八成问题
阿里巴巴开源了内部用了两年的代码评审工具 Open Code Review：选哪些文件、怎样打包、匹配哪些规则都由确定的程序完成，只有代码分析交给智能体。官方基准里它的精确率和 F1 高于同模型的通用智能体，token 用量约为九分之一，并主动说明召回率更低。外部评论指出最优配置下召回率只有 20%，唯一一次独立测试的精确率约 12%，维护者称是已修复的异常，修复后尚无独立验证。
TPU 巨核：同样是 16 块芯片，Kimi K3 快 57%
vLLM 原班人马创办的 Inferact 开源了一组 TPU 推理内核：把 Kimi K3 的 92 层计算写进同一个程序，趁当前层还在计算时预取下一层的权重。16 块 TPU v7 配合推测解码每秒输出 709 个 token，基线是 vLLM 在 16 块 GB200 上的 452 个。两种芯片的内存带宽其实是 GB200 略高，差距来自软件怎样用满它。这是面向单个用户、小批量解码的成绩。
模糊测试交给智能体：它做决定，工具管执行
GitHub 安全实验室开源了一条面向 C 和 C++ 项目的自动模糊测试流水线：给它一个仓库名，它自己找入口、写测试桩、跑 AFL++、读覆盖率报告、改进测试桩、给崩溃分类并写出漏洞报告。设计上把决定交给智能体、把执行交给工具。作者同时提醒：它会在宿主机上直接运行模型选定的构建命令，只应放在用完即弃的环境里。
Gemini 3.8 Live 加上数字人：对话不停，工具在后台跑
Google DeepMind 在上周发布的 Gemini 3.8 Live 之上加了 Live Avatar：把接近实时的视频生成与语音对话原生结合，让对话模型带上一个会对口型、有表情、能轮流说话的形象。它可以在后台调用工具的同时继续对话，对话中途可在 97 种语言之间切换，所有输出带 SynthID 水印。目前只在 Gemini Enterprise 提供，自定义形象需要企业白名单。
LFM2.5-VL-DSpark：解码快三倍，整体受图像编码拖累
Liquid AI 为视觉语言模型 LFM2.5-VL-3B 发布了一个实验性的推测解码草稿模型：多占 8.9% 的参数，解码在设备端最高快到 3.13 倍，输出与原模型完全一致。但端到端的提速只有 1.30 到 2.62 倍，原文自己解释了原因——推测解码只加速解码，图像编码和预填充不受影响，而这两段在端侧恰恰占了大头。
DeepSeek DSec：智能体训练拼的是沙盒
DeepSeek 公开智能体训练用的沙盒平台 DSec：单个生产单元约 160 个节点，每天约 300 万个沙盒，并发 38 万个以上，每秒创建 5,000 个以上。它用一套接口提供四种后端——无状态函数调用、容器、微虚拟机、完整虚拟机——按任务的隔离要求分档，并与强化学习框架协同设计，把有状态的推演和可被抢占的 GPU 训练拆开。训练环境第一次被一家实验室当成一等工程对象完整写出来。
Pinterest 数百亿向量检索：量化与 SSD 的取舍明细
Pinterest 的搜索平台 Manas 在 80 个集群上服务数百亿嵌入向量。在 1 亿条向量上的离线基准里，标量量化把 HNSW 索引从 121GB 压到 50GB、召回几乎不掉；乘积量化压到 32GB，召回从 93.7% 掉到 77.3%。上线后服务成本降低 20% 到 30%。搬到 SSD 时，SPANN 加乘积量化的吞吐是 DiskANN 的 3 倍、延迟三分之一，召回低 5%。选哪种，取决于你的召回下限，不取决于压缩率。
ZCode 快照事件之后：开源能挽回多少信任
开发者 ferstar 逆向发现，智谱的编程工具 ZCode 会生成含完整 Git 历史的工作区快照，加密后直传阿里云 OSS，密钥封装用的私钥在云端。智谱回应称来自默认开启的代码库索引功能，道歉、删除数据、请第三方核查，三天后把整个产品以 Apache 2.0 开源并切断该链路。仍未回答的是：现在还有什么数据会离开本机，以及开源仓库为何没有保留事故之前的提交历史。
英国 AISI 公开评测明细：分数要连同条件一起发
英国 AI 安全研究所开始用 EvalEval Coalition 的共享格式和开放平台公开评测结果，把分数与复现所需的配置放进同一个结构。首批是它一篇论文的主实验：五个基准、六个前沿模型，外加两项网络安全评测。那篇论文本身就是理由——同一个模型在「人类最后的考试」上的得分，随评测协议和推理算力持续变化。两个看起来相近的分数，可能是在明显不同的条件下得到的。
Opus 5.5 与 GPT-6 同日降价，最贵的一档没有动
9 月 22 日 Anthropic 发布 Claude Opus 5.5，约一小时后 OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna。Sol 和 Luna 的单价约为上一代的一半，Luna 每百万 token 输入 0.10 美元、输出 0.50 美元；Opus 5.5 降价 20%，缓存读取降 60%。最顶档的 GPT-6 Astra 与 Claude Fable 5.1 没动。对跑智能体的团队，缓存价格比标价更决定账单；而 Opus 5.5 的 max 推理档在一道画图题上两次想到撞上输出上限、没有返回任何结果。
vLLM v0.30.0：快速启动，外加生成水印
762 个提交、315 位贡献者。四件值得看：常驻的权重缓存守护进程让引擎重启时直接映射已量化、已切分的权重，不再从磁盘重载；Gumbel-max 水印生成与检测，且与推测解码兼容；稀疏 MLA 解码可把 KV 页溢出到主机内存；H200 上引擎初始化从 28.9 秒降到 8.2 秒。新增 DeepSeek-V4.1-Flash、GLM-5.3-Flash 等模型支持，另有六项破坏性变更，默认 CUDA 13.0。
Jev：只输出概率、不输出文字的决策模型
TypeSafe AI 发布 Jev，自称 System One 模型：输入文本或半结构化的「状态」，不生成文字，只对是否题、选择题、评分题返回带置信度的数字。只按输入计费、输出免费，每百万输入 token 0.042 美元。它适合一切能写成分类的任务，包括检索重排；代价是连「解释一下」都没有，只剩一个浮点数。厂商的「快 194 倍、便宜 445 倍」来自自制评测，它自己承认处在收益高端。