早上刷到 GitHub 的一个数字，我停了一下。2026 年 8 月，GitHub 一个月处理了 4733 亿次 Git 事件；到了 9 月，开发者和 Agent 一共创建了 73.8 亿个仓库对象。

代码没有突然变得更有趣，写代码的人和机器却都在加速。今天这组消息里，模型更便宜、Agent 更靠近本地电脑，基础设施也开始为它们重新铺路。

GitHub 开始按 Agent 的规模重做 Git

GitHub 宣布重建 Git 基础设施，以承受 Agent 开发带来的高并发读写。官方给出的数据相当直观，2026 年 8 月月度 Git 事件量达到 4733 亿次，较一年前翻倍以上；9 月，Agent 和开发者产生了 73.8 亿个仓库对象。

这不是把 Git 服务扩几台机器就能解决的事。传统协作里，一个人改代码、提交、推送，节奏再快也有人的停顿。Agent 不会喝咖啡，也不会在提交前盯着 diff 发呆。它会并行读取、创建分支、跑任务、写回结果，Git 后端看到的是另一种流量形态。

开发团队真正该留意的不是数字本身，而是工程流程能不能接住这种密度。权限、分支保护、CI 配额、代码审查，过去是协作规范，现在逐渐成了系统容量的一部分。

来源，GitHub Blog

DeepSeek 融资传闻很大，确定的部分还不多

Bloomberg 援引知情人士称，DeepSeek 接近完成至少 800 亿元融资，腾讯和宁德时代可能参与其中，金额高于此前约 500 亿元的目标。

这条消息的体量足够让人侧目，但它仍是报道，不是公司公告。把它当成确定事实去推演估值、产品路线，未免太早。

不过，传闻背后有一个方向很清楚。基础模型的竞争已经不只是参数、榜单和 API 价格。算力供给、训练与推理成本、产业方能否提供真实场景，都会直接影响一家模型公司的下一步。宁德时代这样的产业资本出现在报道里，也说明市场期待 AI 能进入更具体的工业环节，而不只停在聊天框里。

来源，X.PIN

微软亚洲研究院把训练环境搬回真实 Agent

Microsoft Research Asia 开源了 Agent Lightning v1.0。它的核心想法是 Harnessed Agentic RL，也就是让部署时真实使用的 agent harness 直接参与强化学习，而不是在训练里另造一套简化环境。项目代码约 3500 行。

这个方向比听起来更务实。很多 Agent 训练效果不错，一接到真实工具、长链路状态和失败重试，表现就开始打折。训练时把 harness 排除在外，等于让运动员一直在室内跑步机上训练，再让他去跑山路。

当然，3500 行代码不等于 3500 行就能解决 Agent 可靠性。奖励设计、任务覆盖度、工具副作用仍然很难。但这至少是一次很诚实的尝试，训练和部署终于开始用同一套现实。

来源，Microsoft Research 博客

DeepSeek 的推理服务，vLLM 把吞吐又往前推了一截

vLLM 复盘 DeepSeek-V4.1-Flash 的优化过程。官方数据称，低并发场景的速度提升了 1.9 倍；在 150 TPS 的约束下，吞吐提升 5.3 倍。

不少人看到模型发布，会先问效果有没有超过谁。真正准备把模型塞进产品里的团队，通常先问另一个问题，排队时延和账单能不能接受。

推理优化就是这类不够热闹、却很关键的工作。它不改变模型回答什么，却决定用户会不会等到答案，决定一个 Agent 能不能同时服务更多任务。模型能力往前走，工程也不能总在后面喘气。

来源，vLLM 官方博客

Qwen 0.8B 也能做决策模型，但别只盯着 74.3%

Unsloth 发布了一份本地训练决策模型的教程。以 Qwen3.5 0.8B 为例，模型在三个决策基准上的合计准确率从 20.7% 提升到 74.3%，训练只需 4GB 显存。

这个结果很诱人。小模型、低显存、本地可跑，正好戳中许多团队做分类、路由和工作流选择的需求。

但我会把 74.3% 先放在一边。决策模型最怕的是离开基准题后仍然自信地选错。它适合做候选模型选择、工具路由、规则补位，尤其适合把昂贵模型留给更难的任务。把它直接当作业务里的最终裁决者，风险就高了。

小模型不是大模型的缩水版。用对位置，它反而更像一个稳定的齿轮。

来源，Unsloth

Windows PC 上的 Agent，开始有了软硬件的合谋

NVIDIA 与 Microsoft 发布 RTX Spark 平台，并表示会借助 MXC 把 AI Agent 带到 Windows PC。信息不多，但方向已经很明确，本地 Agent 不再只是开发者把模型下载到电脑里跑一跑，而是开始进入平台能力的讨论。

本地运行有它的吸引力，数据不必离开设备，延迟更可控，断网时也不至于完全失能。可现实一点看，显存、功耗、模型更新和跨设备协作，都不会因为平台发布而自动消失。

不是说云端不行，而是很多任务确实不该把每一次点击都送去远端。端侧和云端如何分工，可能比单纯争论谁替代谁更值得看。

来源，NVIDIA Blog

文档终于有机会不靠爬网页喂给 Agent

Google 发布 Developer Knowledge API，为 Google Cloud、Firebase、Android 等开发者文档提供结构化 API 和 Markdown 格式的程序化来源，目标是替代脆弱的网页抓取。

这块非常值得国内开发者工具团队借鉴。今天不少 Agent 的文档检索，表面上接了 RAG，底层却还在抓 HTML、切片、猜导航结构。文档改版一次，索引就可能悄悄坏掉，回答却还会一本正经。

官方文档如果从一开始就能被程序读取，模型拿到的上下文会更干净，更新也能追踪版本。对用户而言，这种改进往往没有炫目的 Demo，但它会少制造很多看似合理的错误。

来源，Google Developers Blog

Claude Haiku 5.5 降价，子 Agent 的账本要重算了

Anthropic 发布 Claude Haiku 5.5，定位为高吞吐场景的小模型，并称平均运行成本可降低约 75%。Claude Code v2.1.293 也已加入该模型，支持 1M 上下文；Cursor 同步公布了相应价格。

这类变化未必会让单次对话立刻更惊艳，却会改变产品架构的算盘。摘要、分类、数据库查询、代码检索和子 Agent 协作，原来舍不得多跑几步的任务，现在可能可以拆得更细。

便宜不是没有代价。任务切得太碎，调度、观察和错误恢复反而会变复杂。价格下降真正带来的不是无限调用，而是重新设计工作流的空间。

来源，Anthropic Newsroom ｜ Claude Code Releases

今天的线索，不是又来了一个模型

从 GitHub 的 4733 亿次 Git 事件，到 4GB 显存训练 Qwen 决策模型，再到 Windows PC 上准备接住 Agent，变化正在落到更琐碎也更硬的地方。

模型发布会当然还会继续热闹。但真正决定 AI 能不能进入日常工作的，往往是这些看着不够酷的细节，文档能否被读懂，推理能否扛住并发，权限能否管住自动化，成本能否算得过来。

那串夸张的 Git 数字还在增长。接下来被重写的，可能不只是基础设施，也包括团队写软件的习惯。