Weekly review
Weekly review · Sep 21 – Sep 27
Signals published Sep 21 – Sep 27 (Monday to Sunday), by priority. Derived entirely from published signals: no editor's text, no AI.
Signal titles are in English where the source is; the editors' weekly summary is written in Chinese.
Worth tracking
17 signalsThis week's changes worth keeping an eye on while they are confirmed.
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。
AI-powered fuzzing with the GitHub Security Lab Taskflow Agent
In this blog post, I explain how to use the new fuzzing taskflow based on the GitHub Security Lab Taskflow Agent AI framework.
Introducing Gemini 3.8 Live with Live Avatar
Introducing Gemini 3.8 Live with Live Avatar
Accelerating vision-language models with LFM2.5-VL-DSpark
Accelerating vision-language models with LFM2.5-VL-DSpark
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。
How UK AISI and EvalEval Are Making Benchmark Results Reproducible
How UK AISI and EvalEval Are Making Benchmark Results Reproducible
Claude Opus 5.5, GPT-6 Sol, GPT-6 Luna, and a new price war
Yesterday was Grok 4.7 (pelicans) and MiMo v2.6 Flash/Pro (…
v0.30.0
v0.30.0 Highlights This release features 762 commits from 315 contributors (104 new)! New models : DeepSeek-V4.1-Flash ( #56214 , #56228 , #56208 ) with the whole KV stored in MXFP8 through the FlashMLA V4.1 record on SM100 ( #56893 ), DeepGEMM Mega-mHC ( #56…
Jev introduces a new shape of LLM - System One, aka Decision Models
Last week TypeSafe AI unveiled Jev, their first example of a new category of model that they are calling "System One models" (I'm with Maggie Ap…