今天的 AI 新闻里，有两组数字很扎眼。

一边是 DeepSeek-V4.1-Flash-1017 在 Agent Arena 的真实会话榜上升到开源第一，中位任务成本报到 0.20 美元。另一边，医疗 Agent 在严肃基准上仍只完成了不到一半的任务。模型在变快、变便宜，离可以少看一眼还很远。

这不是坏消息。它把今天真正该讨论的东西摆在了桌上，能力、编排、评测与边界，缺哪一块都不行。

今日重点

1. DeepSeek Flash 把开源 Agent 的价格线又往下拉了一截

DeepSeek 更新了 V4.1 Flash 1017，网页端、App 与 API 均已切换，调用名和价格保持不变。Arena 的数据更有意思，它在超过 7.5K 条真实会话上成为 Agent Arena 开源第一，总榜第 11，中位任务成本 0.20 美元。Code Arena 的 WebDev 榜上，它也拿到了开源第一。

模型榜单当然不能替你做技术选型。真实业务里，工具调用失败、长任务跑偏、权限误用，往往比模型答错一道题更贵。但低成本模型变强，确实会改变 Agent 系统的设计。以前只能拿小模型做分类和路由的环节，现在可以把更完整的子任务交出去，再用评测和回退兜底。

我自己的感受是，省下来的 token 预算不要急着变成更多轮对话。把一部分花在 trace、回放和失败样本上，通常更值。

来源，DeepSeek API 更新日志 · Agent Arena · Code Arena

2. Meta 讲清了一个容易被忽略的原则，编排器别抢着当专家

Meta 工程团队披露了数据管道 Agent 的 thin orchestrator 做法。大约 1300 行的编排器只做路由、状态和可靠性检查，20 多条工作流交给 14 个上下文隔离的专项子 Agent。它自己不做领域推理。

这套做法听起来不炫，但很对工程胃口。一个既要理解业务、又要判断工具、还要恢复故障的总控 Agent，最后往往会胖成不可测的黑箱。把领域判断放回专职 worker，编排器只守住流程，失败时你才知道该查路由、提示词还是具体工具。

不是所有团队都需要 14 个子 Agent。小系统硬拆只会增加通信税。但只要任务开始跨工具、跨权限、跨上下文，瘦编排器值得优先考虑。

来源，Meta Engineering Blog

3. 医疗基准泼了一盆冷水，任务完成率还不能让人放心

斯坦福 HAI 汇总了 MedHELM、PhysicianBench 和 HealthAdminBench 等医疗 AI 基准。其披露的数据里，PhysicianBench 上最好的 GPT-5.5 单次任务完成率为 46%，HealthAdminBench 上 Claude Opus 4.6 为 36.3%。

这组数的价值，不在于判定某个模型行或不行，而在于提醒大家别只盯对话体验。医疗任务经常牵涉信息采集、规则判断、文档与行动，每一步都可能把前一步的一个小偏差放大。回答看起来像专家，和把任务安全做完，是两回事。

对做高风险 Agent 的团队，这也算一条朴素的验收标准，少问一点「回答是否漂亮」，多问一点「它是否完成了规定动作，错误时是否停止并交给人」。

来源，Stanford HAI

4. OpenAI 把注意力放到 COBOL 等低资源语言上

OpenAI 公布 GPT-6 系列针对 COBOL、Fortran、Visual Basic 等低资源编程语言的改进，并发布两项自建评测。新语言功能的看点不只是维护老系统的情怀。

大量企业核心流程仍跑在这些语言上，代码少、文档旧、能读的人更少。若模型能稳住这类迁移、解释和测试任务，AI 编程的战场就不只在新项目里拼生成速度，而会走进最难动的遗留系统。

不过自建评测天然要留一分谨慎。真正的分水岭仍是，生成的改动能否通过企业自己的编译、测试、审计和回滚链路。

来源，OpenAI

值得跟进

5. DeepSeek 开放自研搜索 API

DeepSeek 开放搜索 API，称其搜索引擎日处理数亿次请求，并对 SEO 作弊、GEO 操纵和低质 AIGC 做了过滤。对 Agent 来说，搜索不再只是一个普通工具，它正在变成事实检索与证据引用的底层入口。接入前仍要自己做来源白名单和结果复核。

来源，DeepSeek API 更新日志

6. AWS 发布 Trainium 的原生 PyTorch 后端 TorchNeuron

AWS 发布开源的 TorchNeuron，计划以 Apache 2.0 协议提供 Trainium 的原生 PyTorch 后端。训练硬件要形成真实选择，开发者迁移成本比峰值指标重要得多。原生框架支持是绕不开的一步。

来源，PyTorch Blog

7. FLUX 3 Max 把短视频生成推到更快的等待时间

fal 与 bfl_ai 发布后训练视频模型 FLUX 3 Max，宣称 10 秒 720p 或 768p 视频生成约需 12 秒，并在第三方 image-to-video 评测中并列第一。速度会让视频试错从排队任务变成编辑动作，但画面好看不等于可控，角色一致性和镜头可复现性还得用项目实测说话。

来源，fal

8. MiniMax M3.1 Flash 主打更快推理与更低成本

MiniMax 发布 M3.1 Flash，称推理速度接近前代三倍，用量成本下降 70%，早期版本曾处理超过 200 万亿 token。价格战没有结束，应用团队要抓住窗口，但别把供应商公布的速度直接当成端到端延迟，工具、网络和队列一样会拖慢体验。

来源，MiniMax Blog

9. 蚂蚁开源 Ming-3.0-tts

inclusionAI 在 GitHub 发布 Ming-3.0-tts，包含 0.5B dense 版本和基于 Ling V3 的 tiny 版本，采用 MIT 协议。语音模型越来越像基础组件，开源许可、推理显存、商用音色权利，最好在 PoC 的第一天就逐项确认。

来源，inclusionAI GitHub

10. Google ADK 讨论语音 Agent 如何避免冷场

Google Developers Blog 给出一个流式工具调用与响应调度的语音 Agent 教程，关键是不要让工具执行阻塞对话。语音场景对等待极其敏感，一次两三秒的空白，比文字界面里一次慢响应更像系统坏了。这个体验问题，最终还是回到并发、打断和状态管理。

来源，Google Developers Blog

今日观察

今天的新闻可以拼成一条很实在的工程线。

更便宜的模型，让 Agent 有余裕多做一步。更瘦的编排器，让那一步出了问题还能看懂。更严格的评测，则提醒我们别把一次顺畅演示当成上线许可。

模型不会替你补上系统的验收链。

明天如果要动手，不妨挑一个高频 Agent 任务，记录它从输入到工具结果的完整轨迹，再单独统计成功、失败、人工接管三种结局。那份数据，比又一张模型排行榜更接近你真正要做的判断。