AI 新聞速覽：決策模型成新戰場，多代理協作與編碼工具大躍進

正如您在下方 AINews X 總結部分所見，全球各地都在複製 Jev 的 API，但只有一家公司能開創這個類別。TypeSafe 宣布了他們的「Series AI」融資，而 Sequoia 則「洩露」他們在推出第一週就達到了 1 億美元的年化經常性收入（ARR）。

Diogo Almeida (@CompleteSkeptic) 推出了一個模型，意外地每天處理數兆個權杖，吸引了財富美國 500 強中 29.4% 的公司參與。該公司從 a16z 獲得了巨額 A 輪融資，而這一切僅僅發生在三週內，令人驚嘆。

儘管存在一些質疑和假草根行銷的指控，我們希望我們的 Jev 播客是 100% 真實的。以下是 2026 年 10 月 8 日至 10 月 9 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 的網站讓您可以搜尋所有過往的議題，提醒您，AINews 現在是 Latent Space 的一個專區，您可以選擇是否接收電子郵件通知。

決策模型成為產品類別

模式：多家供應商在同一天推出了「決策」模型。這些模型在單次前向傳播中返回類型化答案（機率、從列表中選擇、分數），而不是自由文本。Jev 是所有公司進行基準測試的參考點，@scaling01 評論了這種格式傳播的速度之快。

OpenAI Decisions API：提供三種請求類型：條件為真的機率、從列表中選擇或依據等級評分。它接受文本和圖像輸入，運行在 GPT-6 Luna 上，每百萬輸入權杖費用為 0.10 美元，不收取輸出費用，OpenAI 自己表示其速度「快達 10 倍」(@LearnOpenCV)。

Microsoft-Decision-1：定位於大型語言模型判斷器和篩選科學假設。一位早期評估者表示，決策模型在一致性和複雜決策方面仍有困難 (@omarsar0)。Perplexity 的 pplx-decider-v1.1-27b 聲稱在 Decision Bench 上達到 94.5% 的最高準確度，涵蓋 1,071 個案例，每千次決策費用為 0.017 美元 (@perplexitydevs)。

Cloudflare clef：新的 clef-omni 接受音訊、視訊、圖像和文本輸入。clef-flash 現在比 Jev 更便宜，clef 整體速度約快 2 倍 (@michellechen)，其權重已發布在 Hugging Face 上。Liquid d1：現已在 Vercel AI Gateway 上線，支援視覺功能，用於分類、路由和評分任務 (@vercel_dev)。

服務與路由：vLLM Semantic Router 的 Decision 2.0 可以在一次傳播中回答關於一個輸入的多個問題，並提供各選項的機率 (@vllm_project)。LangSmith 使用 Jev 作為判斷器，為每次追蹤的難度和正確性返回獨立的類型化答案 (@hwchase17)。

自行訓練：Unsloth 發布了一個免費筆記本，可以在 8GB 視訊記憶體上將 Qwen3.5-4B 轉換為決策模型 (@UnslothAI)。一份關於 Qwen3.5-0.8B 的逐步教學報告顯示，在 60 個步驟中，準確度從 37% 提升到 65%，在 4GB 記憶體上約需 10 分鐘 (@akshay_pachaar)。

為何應用程式需要這個：許多代理步驟是「是/否」判斷，而非生成。LangChain 表示，將每個任務路由到最經濟且適合的模型，可將每個任務的平均 Open SWE 成本降低 64% (@hwchase17)。

相關研究：Apple/CMU 的基於選擇的結構化推理（SSR）將相同的概念應用於代理內部 (@ZhihuFrontier)。方法：六種自然語言策略在一次共享鍵值快取的批次前向傳播中，透過長度正規化對數似然進行評分。

結果：每回合推理延遲降低超過 90%，但每個問題的端到端延遲僅降低 28-54%。在 Qwen3-VL-4B 搭配 GRPO 的情況下，平均成功率為 61.37%，而 TAPO+GSPO 基準線為 61.25%。

多代理編排與編碼工具

Claude Managed Agents 動態工作流程（公開測試版）：一個主代理編寫分階段計畫，將其分派給每次運行最多 1,000 個代理，然後合併結果。此功能已透過 multiagent_20261001 啟用 (@ClaudeDevs, config)。

成本警告：Anthropic 建議從範圍明確的任務開始，因為權杖使用量可能很高 (guidance)。Claude Code Projects：所有等待名單上的 Pro 和 Max 用戶均已獲准。每個專案都以平行執行緒運行任務 (@ClaudeDevs)，且工作階段現在可以在本地運行 (@gem_ray)。

Opus 5.5 快速模式：已推出，但會計入使用額度，不包含在訂閱中 (@theo)。代理團隊是否有效益？Vals AI 在 Vibe Code Bench 上測試了 GPT-6 Sol 和 Opus 5.5，包括單獨運行和以團隊形式運行 (@ValsAI)。

結果：團隊運行成本高出 1.8-5.1 倍。只有 Sol 在中等努力下顯著提升了 7.3 分。行為：Sol 沿著架構線路平行委派任務。Opus 則運行循序波次，在最大努力下，每個應用程式達到約 6.8 個子代理和約 1,140 次子代理工具呼叫，但沒有顯著提升 (details)。

Prime Agent 以 Rust 重寫自身：在兩週內，超過 2,000 個代理組成的群體使用了 1 萬多個沙盒和 2,000 億多個 GLM-5.3 權杖。結果是可用輸入速度快了約 13 倍，啟動記憶體使用量減少了 83% (@PrimeIntellect)。一篇隨附的文章認為，上下文限制不可避免地導致群體模式 (essay)。

Codex 更新：Windows 沙盒：基於 Microsoft 執行容器（MXC）的新模式提供更快的設定、網路強制執行和細緻的檔案控制 (@OpenAIDevs)。Composer 預測：Codex 現在會建議您的下一則訊息，此功能為 Pro 用戶的測試版 (announcement)。

一些用戶批評這種僅限 Pro 用戶的限制 (@Angaisb_)。可靠性：曾有用戶抱怨長達一天的中斷 (@dzhng)。

情感：DHH 表示 GPT-6.1 Sol 使 Codex 成為他取代 Claude 的主要工具 (@dhh)。Devin 和 Grok Bot：Devin 現在可以生成受管理的 Devin 樹狀結構，因此實際運行時間追蹤最慢的分支而非總和 (@devindevelopers)。

Devin 也接受個人 ChatGPT 方案用於 GPT 使用 (@cognition)。另外，Grok Bot 獲得了自己的電子郵件地址用於註冊和排程 (@bot)。

模型發布與獨立評估

Qwen-Image-2.1-Turbo（開源權重）：7B Qwen-Image-2.1 的加速檢查點。它支援 8 步驟 2K 生成和自然語言編輯，透過 Diffusers QwenImage21Pipeline 載入，並與專業版和 Turbo API 同步發布 (@Alibaba_Qwen)。

StepFun Step 5 Preview：一個總計 6,000 億參數、270 億活躍參數的稀疏 MoE 模型，具有 100 萬上下文和視覺功能 (@omarsar0)。結果：它在 Hermes 指數上得分 33.89，與 GPT-6 Luna 相當，並在 Nous Portal 免費使用一週 (@NousResearch)。

可用性：它在 OpenRouter Trending 上排名第一，該榜單衡量使用量而非品質 (@kimmonismus)。開源權重預計 10 月 15 日發布，最大輸出已修正為 64K 權杖 (correction)。

Upstage Solar Mini 4：一個 350 億參數的 MoE 模型，具有 30 億活躍參數、524K 上下文和 208 權杖/秒的速度。其 AAII 分數為 24，是 30 億活躍參數模型中最好的，與 Nemotron 3 Ultra 相差不到一分。它在 Cline 免費使用 (@cline)。

Gemini 4 Argon：據報導在 DeepSWE v1.1 上達到 77.9%，而 Opus 5.5 為 74.2%。它首先提供給 650 多名 Fairwind 計畫的防禦者，每百萬權杖費用為 2/10 美元 (@dl_weekly)。

訊號：推理努力選擇器已出現在 Antigravity 中 (@testingcatalog)，Logan Kilpatrick 表示「Argon 即將推出」(@OfficialLoganK)。

未經證實：Business Insider 報導稱，一個內部「Carbon」檢查點在程式碼編寫方面接近 Opus 5.5。語音模型：HeyGen Voice 在 Artificial Analysis Controlled Voice TTS 競技場中名列前茅，Elo 分數為 1,201，每百萬字元費用 30 美元，速度 40 字元/秒 (@ArtificialAnlys)。

Whistle 是一個 16.9MB 的裝置端語音轉文字模型，據稱可媲美 Whisper base (@victormustar)。

多輪圖像編輯：Artificial Analysis 串聯了 30 次連續編輯 (@ArtificialAnlys)。結果：Ideogram 4.5 和 FLUX 3 支援本地編輯，在小幅編輯時保留 95% 以上的圖像未動。GPT Image 2.5 Sunburst 每回合重新渲染大部分畫面，僅保留約 20% 未變，因此會產生漂移。Nano Banana 2.1 則會逐漸變暗。

光學字元辨識（OCR）基準測試：Roboflow 的新基準測試涵蓋 48 個模型，GPT-6 Astra 在文字定位方面領先 (@skalskip92)。Datalab 的 OmniParseBench 包含 90 種語言的 1.6 萬個測試，其自己的模型並未排名第一 (@VikParuchuri)。

競技場總結：Claude Haiku 5.5 在 WebDev 上排名第 30，費用為 0.10/0.50 美元，價格與 GPT-6 Luna 相同，但分數高出 6 分。Mistral Large 4 在 Agent Arena 上排名第 43 (@arena)。在 ARC-AGI-3 上，新的最高分數為 59.17% (@arcprize)。

研究、訓練與推論系統

vLLM 和 SGLang 在 Vera Rubin 上：vLLM 報告在 MiniMax M3 上，GB200 吞吐量提高了 7.8 倍以上，同時保持了 AgentX 上的互動性。這些是初期結果 (@vllm_project)。

技術：局部性感知 MoE 使用 CUDA 13.4 局部性域，使每個 SM 僅讀取本地 HBM，可將 MoE 解碼速度提高高達 1.2 倍 (details)。SGLang：在 128K 上下文下，FP8 MLA 速度提高高達 20%，MoE 尾部融合帶來 5.9% 的端到端增益，每個解碼步驟減少 276 次啟動 (@sgl_project)。

SemiAnalysis 聲稱：一份預覽 InferenceX 提交顯示，每吉瓦利潤提高 3.2 倍，每美元性能比 GB300 高達 10 倍 (@SemiAnalysis_)。TRL v1.15：融合式語言模型頭現在預設啟用，避免具體化完整的 logits 張量 (@LysandreJik)。

結果：在 Gemma 3 1B 上，GRPO 序列長度從 28K 增加到 114K，DPO 從 10K 增加到 59K。8K 時的峰值記憶體減少 52-82%，訓練速度提高約 11%。

資料與後訓練服務

Datology Curation Studio：聲稱在 39 個開源資料集上，為 30B MoE 提供了 6 倍的運算乘數 (@pratyushmaini)。它還引用了 Thomson-1，訓練成本 45 萬美元，在正面對決中擊敗了 GPT-5.6 Sol (@arimorcos)。

Tinker：降價高達 70%，長上下文與短上下文定價相同，並新增了 GLM-5.3-Flash 和 DeepSeek-v4.1-Flash (@tinkerapi)。DeepSeek 週期性弱點：ByteDance Seed 發現，檢索取決於權杖相對於壓縮步幅的位置 (@ZhihuFrontier)。

證據：這種模式在沒有 RoPE 或學習閘門的情況下依然存在，並追蹤步幅長度。解釋：V4.1 的步幅為 2，減少但未消除這種影響。

代理研究

代理可塑性 (Meta)：衡量每個學習美元的保留增益。表現最好的並非最有效率的學習者 (@omarsar0)。MIMESIS：一個 90 億參數的用戶模擬器，在行為保真度上以 13.4 分擊敗 Opus 5 (@dair_ai)。

基礎模型選擇 (NVIDIA)：根據基礎模型是否能重現「決定性編輯」來對檢查點進行排名，這是一個追蹤後訓練 SWE-bench Verified 分數的訊號 (@dair_ai)。