我們之前曾興奮地報導 GLM 5.2，以及唐傑教授關於年底前將出現開源 Fable 級模型的預測。目前距離年底還有 134 天，已有兩款 2-3 兆參數模型（Qwen 3.8 Max 和 Kimi K3）問世，而 Fable 預計為 3-7 兆參數，且在 AA 指數上僅高出 2 分。

唐傑教授在 X 上再次表示，我們衡量模型大小的簡稱已不再足夠。他指出：「參數數量只有與其他三個因素結合時才有意義，你擁有的資料量、你打算投入多少運算資源，以及誰將在什麼條件下運行該模型。」

縮放法則不再僅限於參數。現在每次模型發布，最後總會問到：「有多少參數？」然而，這個問題本身已無法獨立回答。

參數數量只有與資料量、運算資源以及模型運行條件這三個因素結合時，才具有真正的意義。

我們在過去的 Latent Space 報導中曾探討過 Chinchilla（及後 Chinchilla）縮放法則，因此在此省略歷史回顧。然而，釐清為何 Chinchilla 的假設在「推論拐點」世界中不再適用，仍是重要的（例如，每參數的 token 數量並非固定，而是介於 200-900 之間，且依任務而異）。

簡而言之：記憶化傾向於更多參數，而推理則偏好更多的後訓練資料和有效的深度。GLM-5.3 的巨大進步完全來自於在長期環境中的強化學習（RL）。

現在的環境涵蓋了更廣泛的生產工作流程，任務設計模擬了工程師和研究人員實際工作的執行方式。其中一些任務甚至需要經驗豐富的工程師花費數天才能完成。

例如，在機器學習基礎設施任務中，模型可能被賦予與工程師相同的操作環境，可存取運算叢集、儲存系統、內部文件、程式碼庫和實驗結果。它必須診斷訓練堆疊中的瓶頸、實施優化、運行實驗，並在保持正確性的同時，實現可衡量的端到端加速。

在這種層級的環境中進行訓練，促使模型能夠端到端地承擔大量工作，而不是依賴使用者分解問題並監督每個步驟。

對於那些關注遞迴自我改進故事的人來說，他們的整個環境、評估和驗證過程都是完全合成的。隨著代理能力提升，後訓練擴展的許多難點從模型本身轉移到了環境設計上。

一個有用的任務環境必須是可執行、可驗證且接近真實專業工作的，而且我們需要大量的這類環境，而非少數手工建構的。為了擴展這個過程，他們建立了端到端合成環境的管道，對於部分任務，也合成強化學習的獎勵訊號。

研究代理從實際工作中收集任務模式，將其轉化為具有多步驟依賴和隱藏狀態的可運行長期環境；然後，一個評估代理會嘗試每個任務，以驗證其是否確實可解。驗證器在沒有參考解決方案的情況下合成，而求解器軌跡則用於發現並消除獎勵捷徑。

通過預言機、無操作和未解決狀態檢查的驗證器，能夠產生足夠可靠的二元獎勵，可以直接用於訓練。

為了終結對參數數量的執著，唐傑教授提出了五個縮放控制點，其中包括使用新的 XA-YB 符號表示的 MoE 稀疏性。他指出，進階技能（例如，發現軟體漏洞）並非檢索或記憶問題。

這些技能需要模型能夠維持長因果鏈（超過 20 個推論步驟）而不中斷。一旦達到一定的知識儲存閾值，這種能力就不再單純取決於總參數數量。

這是 2026 年 8 月 18 日至 19 日的 AI 新聞。我們檢查了 12 個 Reddit 子版塊、544 個 Twitter 帳號，但沒有進一步的 Discord 資訊。

AINews 網站允許您搜尋所有過往的報導。提醒您，AINews 現已成為 Latent Space 的一個專區，您可以選擇訂閱或取消電子郵件頻率。

開源模型、壓縮與基準測試動態

Ornith-1.5 作為一個重要的全新開源模型系列登場：@ornith_ 在 MIT 授權下發布了 Ornith-1.5，提供 9B 密集型、35B MoE 和 397B MoE 等多種變體，並支援 FP8、GGUF、MLX 和 NVFP4 等量化格式。

其主要亮點是端到端的自我改進能力：模型能夠提出任務、生成框架，並產生強化學習的運行結果以創造新的訓練經驗。在代理和程式碼相關工作負載的評估中，其表現強勁，包括 Terminal-Bench 2.1 達到 86.1 分、SWE-Bench Verified 達到 86 分等。vLLM 和 Ollama 迅速將其整合到服務堆疊中。

模型壓縮技術持續進步，同時仍能保持實用性：@UnslothAI 和 @danielhanchen 發布了使用 Dynamic V3 技術的新版 Qwen3.8-27B GGUF 模型，聲稱在相同大小下準確度提高了約 10%。

他們還推出了 1-bit 量化版本，在 8GB 記憶體下運行時仍能保留約 77% 的 BF16 準確度。他們新的 Divergence-300 指標，透過 Terminal Bench、DeepSWE 和相關任務中未曾見過的範例，擴展了在更長生成序列中的前 1% 貪婪準確度。

代理和法律評估排行榜持續洗牌：@arena 發布了 Agent Arena 的 Pareto 視圖，顯示 Claude Opus 5 (High) 在品質上領先。然而，Kimi K3、GLM 5.2、Grok 4.5 和 GPT-5.6 Luna 等成本較低的模型，則定義了大部分的價值前沿。

另外，@ValsAI 報告指出 Grok 4.6 在 Legal Research Bench 上排名第 3/49，得分 48.1%，支援 50 萬上下文、工具/圖像/檔案，且價格相對較低。對於開源模型，@ValsAI 也強調 GLM 5.3 在 Terminal Bench 上排名第 2、Legal Bench 排名第 3，以及 Skills Bench 排名第 6。

代理框架成為新的競爭層

DeepSeek Harness 的簡約設計是刻意為之，而非不完整：@ZhihuFrontier 擴大報導並由 @TheTuringPost 總結的一篇詳細文章指出，DeepSeek Harness (DSH) 是一個基於名為 Cordis 的插件架構，刻意設計的輕薄外殼。其關鍵設計選擇是將所有功能都視為插件，包括代理循環本身。

據報導，早期測試用戶在一週內發布了 100 多個插件並提交了 400 多個問題；範例從五子棋模型測試平台到透過連接模型與即時查詢執行來關閉 SQL 回饋循環的資料庫代理。最強烈的啟示在於其架構：DSH 更像是一個開放的代理運行時，而非「產品化助理」，它針對使用者可擴展的工具、可替換的控制循環和業務規則注入進行了優化。

TrueFoundry 開源 TrueForge 並明確提出框架成本論點：@truefoundry、@omarsar0 和 @kimmonismus 都報導了 TrueForge 的發布。這是一個 MIT 授權、可自行託管、供應商中立的生產代理框架。

該堆疊包含工具編排、上下文管理、子代理、程式碼沙盒、人工審批和追蹤功能，並支援本地和託管部署模式。其技術主張引起了廣泛共鳴：在 14 項企業基準測試中，TrueForge 在 Opus 4.8 上與 Claude Managed Agents 表現相當，同時使用的 token 減少約 30%；若路由至 GLM-5.2，則在保持準確性的前提下，成本可降低約 75%。

更廣泛的行業主題，也由 @bradenjhancock 和 @dbreunig 透過 @rseroter 呼應，是會話/環境/記憶體/工具層正成為差異化和節省成本的主要來源。

託管框架也獲得了更精準的可觀察性和控制功能：@ClaudeDevs 為自行託管的沙盒增加了記憶體支援、針對網路工具的網域允許/封鎖控制，以及重新設計的多代理會話檢視器，包含迷你地圖、分組對話記錄和每個執行緒/會話的成本顯示。

與此同時，OpenAI 則持續推動相反的方向：為團隊提供框架原語，讓他們將其嵌入到自己的產品中。@OpenAIDevs 強調開源的 Codex 框架是內部工具、營運儀表板和自訂應用程式的運行時，而 @cursor_ai 則推出了圍繞持久目標和長期會話的雲端代理使用者體驗改進。

後訓練、中訓練與強化學習系統工作

更多證據顯示，縮放的重點正從參數轉向訓練配方的品質：@kimmonismus 揭示了 zAI/GLM 創辦人的一項重要主張：進步仍在持續縮放，但過多的討論卻只關注參數數量，而非資料品質、推論運算和後訓練。

所引用的例子是 GLM-5.3，據報導它與 GLM-5.2 採用相同的核心基礎模型/架構，但透過大約一個月的額外強化學習，性能得到了顯著提升。

微軟的 Agent Lightning 指出透過框架進行強化學習是一種實用的方法：@omarsar0 強調了 Agent Lightning v1.0，它透過端點代理將任意框架連接到強化學習。

該系統處理了重新分詞、樣本合併、優勢計算、正規化以及排程器/後端協調等問題。據報導，僅用約 6,000 個訓練範例和適度的運算資源，它就能將 Qwen3.5-9B 在 SWE-Bench Verified 上的表現從 41.8% 提升至 56.4%。

中訓練（mid-training）正被更明確地視為一個優化表面：@cwolferesearch 闡述了當前從業者對 CPT/中訓練的看法：優化資料混合、訓練時長、階段順序、序列長度，甚至後訓練能力，而不僅僅是「繼續用更好的資料進行預訓練」。

這篇文章之所以有用，正是因為它將這些視為相互作用的控制點，而非獨立的技巧。

強化學習基礎設施在研究的底層持續改進：@SergioPaniego 重新提及了一項研究，顯示 TRL 中的在線策略蒸餾透過生成緩衝區、批次教師呼叫和二元對數機率編碼，速度提升了 40 倍。

@mikasenghaas 則宣布 prl 中實現了自適應並行性，能夠在強化學習運行過程中動態調整進行中的運行次數。

基準測試、檢索與生產中重要的基礎設施細節

Qdrant 的可過濾 HNSW 與 ACORN 的比較，是檢索系統的一項實質性更新：@qdrant_engine 認為，過濾後的 ANN 應該在索引中處理，而不僅僅是在查詢時。

他們的可過濾 HNSW 在共享索引酬載值的點之間添加邊緣，保持過濾後的子圖連接。在針對 100 萬個向量進行 1% 過濾的基準測試中，他們報告在 1.0 毫秒內達到 99.8% 的召回率，而 ACORN 在 4.7 毫秒內為 67.7%。他們也指出，ACORN 對於廣泛值和 AND 過濾器仍然有幫助，特別是在已經針對過濾器優化的圖形之上。

Sentence Transformers v6.0 反映了從單向量到多向量檢索的實際轉變：@tomaarsen 清晰地總結了兩者的區別。

密集檢索將每個文本壓縮成一個向量，而多向量檢索則保留 token 級別的向量，並在聚合最佳匹配之前，將查詢 token 與文件 token 進行評分。這很重要，因為對於對品質敏感的搜尋系統而言，後期互動檢索正日益成為預設的權衡選擇。

生產環境中代理的延遲往往與模型本身關係不大：@dair_ai 總結了一篇論文，該論文對十個代理應用程式進行了檢測，發現其中一半的延遲主要由非大型語言模型（LLM）組件造成。

沙盒記憶體峰值達到每個會話 28GB，子系統之間的延遲差異高達 32 倍，並且步驟之間存在長時間的閒置狀態保留。這些優化措施雖然不令人意外，但卻很重要：任務感知服務可將延遲降低 29-40%，狀態卸載可減少記憶體 4.6 倍，而工具結果快取則可消除 35.2% 的冗餘搜尋呼叫。

Linear 和 turbopuffer 顯示向量基礎設施正滲透到非搜尋熱門路徑：@turbopuffer 表示，Linear 已將其增量同步讀取路徑從 Postgres 轉移到 turbopuffer。

透過使用屬性索引進行權限過濾，這項轉變將最大同步時間減少了約 8 秒。

Google、OpenAI、Anthropic 與產品化競賽

Gemini 3.7 Flash 在評估和產品整合方面表現強勁：_philschmid 和 @NewsFromGoogle 強調 Gemini 3.7 Flash 在 Artificial Analysis 的 AA-AnalystAgent 上排名第一。

它在 80 項涉及大量試算表/文件處理的量化任務中，達到 60.0% 的 pass^5、70.5% 的 pass@1、77.5% 的 pass@5，平均每任務耗時 1.32 秒，成本為 0.54 美元。Google 也將其更深入地整合到產品介面中，例如 Gemini 聊天和 Spark，以及基於搜尋的互動式模擬。