同一个 DeepSWE 基准，DeepSeek-V4.1-Flash Max 跑到 74.34% pass@1，据称和 GPT-6 Astra 同档，但单任务成本只有 0.43 美元。

模型能力还在往上拱，账单却开始往下掉。今天最该盯住的不是又多了一个跑分，而是这条线正在碰到工程团队真正敏感的位置，成本、吞吐和 Agent 能不能连续干活。

今天最值得花时间看的四件事

DeepSeek 把编码 Agent 的成本线又往下压了一截

Fireworks 的评测给出的数字很直观，DeepSeek-V4.1-Flash Max 在 DeepSWE 上拿到 74.34% pass@1，每任务 0.43 美元。AI HOT 收录的另一组 Agent Arena 数据里，它已排到开源模型第 3，中位任务成本是 0.07 美元。

这类数字当然不能直接换算成「生产力提升了几倍」。基准里的任务边界清楚，真实仓库里的依赖、权限、测试不稳定和需求反复，哪一项都能把 Agent 拖住。可它已经足够改变一个决策，原来只舍得交给最贵模型的批量 code review、测试修复和脚手架任务，现在可以更频繁地跑。

DeepSeek 这次的设计也有意思。Baseten 的拆解提到 CED 架构，prefill 激活 8B 参数，decode 激活 16B 参数，瞄准的正是编码 Agent 的长上下文读仓库成本。模型不只是比谁答得更好，也在比谁更适合被调用一千次。

来源，Fireworks AI、Agent Arena、Baseten 工程博客，经 AI HOT 聚合。

前沿实验室谈降速，难点不在态度而在谁来验

Dario Amodei 发文提出让前沿 AI 放慢节奏，并承诺向第三方评估者开放员工级系统访问。Sam Altman 随后表示认同，也说 OpenAI 愿意开放给独立评估者。几家头部实验室把「要不要有外部验证」搬上台面，算是少见的共同表态。

但把它叫作安全共识还太早。The Verge 的报道点出了反对意见，这样的口头协调也可能变成压制小团队和开源社区的门槛。这个担心完全合理。大公司最容易承受审计、合规和算力申报，小团队却可能被一套模糊规则挡在门外。

真正棘手的问题是，评什么、谁能看、评估失败有什么后果。如果没有可复查的标准，「放慢」很容易停在一张联合声明上。安全需要审计，竞争也需要防止规则只服务于已经坐在牌桌上的人。

来源，Dario Amodei 的主张、Sam Altman、The Verge，经 AI HOT 聚合。

Agent 把 CI 压到重构边缘，Anthropic 的处理方式很工程化

Anthropic 的工程团队披露，Claude 写出的代码占比已到 80%，季度代码交付量是 2021 至 2025 年平均值的 8 倍，六个月内 CI 任务增长 25 倍。他们重构测试影响分析服务的复盘读起来没有神秘配方，重点是让系统更快判断一次改动究竟影响哪些测试。

很多团队在引入编码 Agent 时，先感受到的是 PR 变多了，随后才发现真正被打满的是 CI 队列。生成代码很快，验证代码没有同步扩容，最后开发者并没有等到更快的反馈，反而开始等更久的红绿灯。

这件事提醒得很及时。把 Agent 接进开发流程，不该只看模型调用成功率，还要把测试选择、缓存命中、失败归因和队列容量一起看。Agent 放大的是整个交付系统，不是编辑器里的那一小段补全。

来源，Claude Blog，经 AI HOT 聚合。

Apple 的 Siri 终于走到系统操作这一关

Apple 宣布新一代 Apple Intelligence，并让重构后的 Siri 以英文测试版进入 2027 系统更新。官方新闻稿提到个人语境理解、屏幕感知、系统级应用操作和跨设备对话。

这听起来像大家已经听过很多次的 Agent 功能清单。不过 Apple 的难处更具体，它不是做一个网页里的助手，而是把助手放进联系人、通知、照片、支付和设备控制这些高信任入口。能力一旦越过聊天框，误操作的代价就变大了。

所以这个测试版比发布会文案更值得看。Siri 能否稳定完成几步串联的任务，用户是否知道它读了什么、替自己做了什么，才是它能不能留在系统层的分水岭。

来源，Apple Newsroom，经 AI HOT 聚合。

另外六条，别漏掉

小红书开源 Search Agent 模型 Iris

小红书 AllSpark 发布 Iris，并放出 35B 与 397B 两个版本的权重和评测代码，训练数据和配方仍待后续公开。这条发布的价值在于，它把 Search Agent 的模型层拿出来了。等训练细节补齐后，社区才能判断领先来自模型、工具链，还是评测设置。

来源，小红书技术，经 AI HOT 聚合。

770B 的 Hy4 preview 上线硅基流动

硅基流动的消息称 Hy4 preview 采用 Apache 2.0，770B 总参数、49B 激活参数，并支持 1M 上下文。超长上下文不是免费午餐，真实可用性仍要看检索、缓存、长任务衰减和价格，但开放协议给开发者留出了实验空间。

来源，SiliconFlow，经 AI HOT 聚合。

Anthropic 的威胁报告把滥用问题拉回现实

9 月威胁报告的摘要涉及间谍软件、导弹与无人机研发等滥用案例，也包含对大规模蒸馏行为的指控。报告是厂商披露，不该把每项归因当作已被独立审理的结论。不过它仍然给平台团队留下一道作业，模型能力、权限、监控和事件响应不能拆开谈。

来源，Anthropic 威胁报告，经 AI HOT 聚合。

长任务 Agent 还是逃不开上下文管理

MarkTechPost 的整理归纳了四个常见组件，上下文预算、压缩、todo state 和跨会话记忆。名字都不新，组合起来却决定 Agent 会不会在两小时后忘掉任务。与其一味追更长窗口，不如先把状态从聊天记录里剥出来。

来源，MarkTechPost，经 AI HOT 聚合。

Suno v6 上线，音乐模型开始分出三种产品性格

Suno 发布 v6、v6-wild 与 v6-mini。旗舰、探索和轻量版本各自服务不同使用场景，这比把所有人塞进一个模型里更诚实。创作工具的体验差异，往往不只来自质量，也来自你愿不愿意为试错付出时间和钱。

来源，Suno Blog，经 AI HOT 聚合。

OpenAI 的 Habitat 露出了一组基础设施数字

Habitat 系列文章上篇称该存储平台每秒处理超过 7000 万请求，服务每周超过 10 亿用户，管理超过 500PB 数据、覆盖近 40 个地区。模型公司走到这个规模，护城河不只在训练集和 GPU，在线数据层同样是硬骨头。

来源，OpenAI 官网，经 AI HOT 聚合。

今日思考

今天的几条消息连在一起看，有点像 AI 工程进入第二阶段的信号。

模型还在升级，但工程团队开始更认真地计较每个任务的成本。Agent 还在生成更多代码，但 CI、测试和权限系统先顶不住。产品也还在讲自主操作，可一旦摸到系统级入口，可靠性和可解释性就不再是可选项。

跑分不会替你排队等 CI，也不会替你收拾一次越权操作。能把模型塞进真实流程的人，接下来要做的工作反而更朴素，算清成本，守住边界，把失败留下来。