周回顾
周回顾 · 9 月 28 日 – 10 月 4 日
9 月 28 日 – 10 月 4 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
10 条本周值得持续留意、等待更多验证的变化。
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。
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，Clef 在 BANKING77 与 CLINC150 上领先，在 ANLI 上落后，中位延迟 209 毫秒对 524 毫秒。同周 Liquid AI 也开放了 d1 决策模型。
Gemini 4 Argon：DeepSWE 等多项领先，先只给网络安全团队用
Google 10 月 1 日发布 Gemini 4 Argon，在 DeepSWE（77.9%）、AutomationBench、法律与金融智能体评测上领先 GPT-6 Astra 与 Opus 5.5，输出上限从 6.4 万 token 提到 100 万。但它在 Terminal-bench 4.0 上只有 57.4%，低于 Opus 5.5 的 66.4% 和 Sonnet 5.5 的 70.6%，在 FrontierSWE 和 Terminal-Bench Science 上也落后于 Astra。首发价每百万 token 输入 2 美元、输出 10 美元，之后涨到 4 / 20 美元；眼下只通过 Fairwind 计划开放给网络安全防御团队，普通开发者还用不上。
Olmo-core 3：开源 MoE 训练框架，吞吐提升到原来的 2.7 倍
Allen AI 10 月 1 日发布 Olmo-core 3，开源的大规模 MoE 训练框架。它从全分片数据并行（FSDP）改为数据并行加专家并行、流水线并行与分布式优化器，在 8 块 B300 上把吞吐从每卡每秒 1.94 万 token 提到 5.2 万 token，约 2.7 倍；MXFP8 比 BF16 再快 21%。在 512 块 GPU 上把模型扩到 1.2 万亿总参数（每 token 激活 584 亿），实验最高到 2.38 万亿。Allen AI 自己说明，万亿参数那次测试证明的是能扩到多大，不是持续训练的性能。
DeepSeek 开源昇腾版 DeepGEMM 等组件：接口与 NVIDIA 版相同
DeepSeek 9 月 30 日开源了一组跑在华为昇腾上的基础组件：算子编译工具 TileLang 的昇腾支持、矩阵乘法库 DeepGEMM-Ascend、专家并行通信库 DeepEP-Ascend，以及 TileKernels、FlashMLA、DeepSelect 等算子。DeepGEMM-Ascend 按 MIT 许可发布，与原版 DeepGEMM 接口完全兼容，在昇腾 950DT 上实测 BF16 达到 431 TFLOPS（硬件利用率 99.8%），FP4 达到 1701 TFLOPS。目前只在 950 系列上开发和验证，没有提到 910B / 910C。
Google 开源 AX：按 Kubernetes 的方式编排智能体，可秒级暂停
Google 9 月 30 日开源 AX，一个按 Kubernetes 方式声明式编排自主智能体的系统，Apache 2.0 许可。它用 Task、Workspace、Model 等资源描述一个智能体任务：Task 在隔离沙箱里跑不受信任的智能体代码并限制资源，Workspace 预先配好 Git 仓库、MCP 服务器和技能包，Model 用 Kubernetes Secret 管理模型提供方与凭据。任务可以在亚秒级暂停和恢复，多个任务复用同一组工作进程。仓库说明写明仍在重度开发中，稳定版之前会有大的不兼容改动。
GPT-6.1 Sol：标价没变，缓存减半，号称逼近 Astra
9 月 29 日的 OpenAI DevDay 发布了 GPT-6.1 Sol，官方说法是以 Astra 五分之一的价格接近 Astra 的能力。但每百万 token 输入 2 美元、输出 10 美元，与一周前的 GPT-6 Sol 完全相同，降价的只有缓存输入，从 0.20 美元降到 0.10 美元。OpenAI 自己的对照里，它在 OSWorld 2.0 上与 Astra 相差不到 2.1 个百分点，单任务成本约为七分之一。同场还发布了最高 8 倍速的 Ultrafast 版本、预览版 Decisions API，以及能在 Slack 和邮件里主动接手任务的 dots 代理。
NVIDIA 开放表格模型 Kumo Tabular：无需训练，一次前向出预测
NVIDIA 9 月 29 日开放 Kumo Tabular，一个面向表格数据的基础模型：给它一张带标签行的表，它在一次前向计算里完成分类或回归，不需要训练、调参或特征工程。模型有 2800 万到 2.15 亿参数三种尺寸，只用合成数据预训练，按允许商用的 OpenMDW-1.1 许可发布权重。它在 TabArena 排名第一（ELO 1950），速度是 LimiX-2 的 17 倍；但博客没有给出与 XGBoost 等传统方法的直接对比。
开源电脑操作模型 Holo4：最强款不能商用
法国 H 公司发布 Holo4 系列电脑操作智能体模型，权重公开：稠密的 27B 在 OSWorld 2.0 上拿到 61.7%，离 GPT-5.6 Sol 的 66.2% 只差 4.5 个点。但开源这件事要分开看——分数高的 27B 是 CC BY-NC 4.0（不可商用），Apache 2.0 的 35B-A3B 只有 30.9%。
Claude Sonnet 5.5：终端任务从 10% 到 71%，按任务算未必更便宜
Anthropic 9 月 28 日发布 Claude Sonnet 5.5，每百万 token 输入 2 美元、输出 10 美元，是 Opus 5.5 的一半，也与 GPT-6 Sol 同价。它在 Terminal-Bench 4.0 上从 Sonnet 5 的 10.3% 升到 70.6%，超过 Opus 5.5 的 66.4%，但在 FrontierCode 与 OSWorld 上仍略低于 Opus 5.5。Anthropic 称单任务成本最多低 30%；而 Artificial Analysis 在最高推理档测得单任务 7.60 美元，比 Sonnet 5 高约 50%。