Briefing · 2026-10-21
技术简报 - 2026-10-21
On this page6 sections
The briefing's title, the editors' summary and their notes are written in Chinese, as are skill and knowledge entries.
Overview
#这一期的五条信号都在把能力挪到更便宜、更本地的地方。先看 MiniMax M3.1 Flash：输入每百万 token 0.15 美元，Agent 任务成本较上一代降 70%，OSWorld V2 得 61.7。本地推理有三条：PyTorch 2.15 让 MPS 支持 FP8，MoE 解码在 M3 Ultra 上从 9.4 提到 61.3 tokens/s；AnyLanguageModel 1.0 让 Apple 应用换模型只改一行 import；TorchNeuron 把 Trainium 变成普通的 PyTorch 设备。MemT 1.0 则把记忆做成 Transformer 里的并行分支，288B 型号已开源。
Immediate attention
#The highest-rated published signals; the editors' pinned items come first.
MiniMax M3.1 Flash：成本降七成，Agent 国模第一
MiniMax 于 10 月 19 日发布 M3.1 Flash，输入每百万 token 0.15 美元、输出 0.60 美元、缓存输入 0.015 美元，官方称 Agent 任务使用成本较上一代降低 70%。模型在 OSWorld V2 得 61.7、Agents' Last Exam 得 29.6，文章称后者位列中国模型第一...
For 正在为编码或电脑操作类 Agent 选型的工程团队、需要控制大规模模型调用成本的平台与基础设施负责人、关注国产开放模型在 Agent 赛道进展的技术决策者
Worth tracking
#Worth following, but each needs more context or confirmation before it becomes a priority.
MPS in PyTorch 2.15
MPS in PyTorch 2.15
For 在 Mac 上本地运行 LLM 或 MoE 模型的开发者、用 ComfyUI、diffusers 做本地图像与视频生成的用户、维护 PyTorch 跨平台兼容层的工程团队
AnyLanguageModel 1.0: One Year of Local Models on Apple Platforms
AnyLanguageModel 1.0: One Year of Local Models on Apple Platforms
For 正在用 Foundation Models 框架开发 iOS/macOS 应用的 Swift 开发者、需要在端侧运行开放权重模型并评估机型可行性的移动团队、希望同一套代码同时覆盖设备端与服务器端推理的工程团队
记忆张量开源 MemT 1.0：把记忆原生写进 Transformer
记忆张量开源记忆原生模型 MemT 1.0，含 36B 总参数、激活 3B 的 Nano 与 288B 总参数、激活 17B 的 Flash 两个型号，在 Transformer 模块中加入与注意力并行的记忆分支，把经验编码为可读写的内部状态...
For 做长时程智能体、需要跨会话复用经验的工程团队、自托管开放权重模型、关心长上下文显存与延迟的推理运维人员、评估企业 AI 方案、关心重复工作流能否沉淀经验的选型负责人
TorchNeuron: running HF models on AWS Trainium is easier than ever
TorchNeuron: running HF models on AWS Trainium is easier than ever
For 在 AWS 上做训练或推理、想把 GPU 之外的算力纳入对比的平台团队、维护 Transformers、TRL 微调脚本、关心跨硬件可移植性的工程师、正在用 Optimum Neuron、需要决定是否迁移的团队
Sources
#The public sources behind the published signals in this briefing.
Subscribe
The public feeds carry published briefings only, never drafts or archived ones. They are in Chinese.