晨启Tech

一张图能不能把字写对，一台桌面机器能不能塞下千亿参数模型，一个 Agent 到底该不该聪明到会钻工具漏洞。今天的新闻看起来散，其实都在追问同一件事，AI 从演示台走进真实环境后，谁来为它的输出、成本和边界买单？ 这不是一场单纯的模型参数赛。 Qwen-Image-2.1 把开源图像模型推到了榜首Artificial Analysis 的本地部署评测里，Qwen-Image-2.1 在 AA-Image-T2I v2.0 和 AA-Image-Editing v2.0 两项榜单都排到开源权重模型第一。对国内开发者而言，重点不只是一张榜单。图像生成正在从「出一张好看图」变成可反复修改、可接进业务流程的能力，文字渲染、局部改图和一致性，往往比第一眼的惊艳更难啃。 很多朋友可能已经被各种图片模型绕晕了。我的判断是，开源模型若能稳定守住编辑能力，才真的有机会进入电商物料、设计协作和内容生产的日常流水线。只会抽一次盲盒，离生产工具还远。 查看原始信息 来源，Artificial Analysis 小米 MiMo 两个版本进了 Agent ArenaXiaomi MiMo-V2.6-Pro 与...

同一批 Agent 新闻里，出现了三个很难忽略的数字，90%、64% 和 0.56 美元。 90% 来自一位工程师让 Claude Code 自动写推理引擎后的性能差距。64% 是 LangChain 在真实编码线程里做模型路由拿到的成本降幅。0.56 美元，则是 GPT-6.1 Sol (Max) 在 Agent Arena 中位任务成本。 它们并不在讲同一件事，却都在逼着 AI 工程从「选一个最强模型」走向更麻烦、也更真实的阶段，推理栈怎么做，模型怎么派活，成本和质量如何一起验收。 今日重点VibeQwen 的 90%，不是一句 Vibe Coding 口号Baseten 工程师参考 MetaInfer 的思路，让 Claude Code 为 Qwen-3.6-35B-A3B 自动构建推理引擎 VibeQwen。按其公开实测，在单张 B200、NVFP4 配置下，单流解码相对 vLLM 0.25.1 最多快 90%。 这个故事最容易被读成「AI 写系统代码比人快」。我觉得别急着下这个结论。性能工程里，环境、模型格式、batch、并发和测量方式都会改变结果。真正有价值的部分...

973 个真实编码 Agent 线程，一半永远调用最强模型，另一半交给路由器挑模型。 结果有点反直觉。路由组的中位成本从 2.61 美元降到 0.94 美元，少了 64%。PR 合并率没有掉，反而是 29.2%，对照组是 27.3%。统计上没有显著差异，但至少没有出现质量塌陷。 更有意思的是另一组实验。LangChain 让一半线程永远走最快、最便宜的模型，试验不到一天就停了。工程师几乎立刻反馈产出质量不够，工作被打断了。 这两件事放在一起，才是模型路由最该被理解的样子。 它不是把贵模型换成便宜模型的开关。它是在每个任务开始前，替团队判断一件不舒服但躲不开的事，什么质量算够，谁来为不够负责。 一张榜单，解决不了一张账单最近看 Coding Agent 的榜单，很容易被一种叙事带着走。谁分数最高，谁就是默认答案。 但实际做 Agent 的人都知道，默认答案往往最贵。Artificial Analysis 的数据里，Claude Sonnet 5.5 max 在 Claude Code 的测试中位列前列，单任务成本最高可以到 14.19 美元。这个数字并不荒唐。遇到复杂重构、跨仓库排...

今天的信号有点集中。 一边是 Qwen-Image-2.1、MiMo-V2.6 这类中国团队的模型在公开榜单上继续往前挤。另一边，开发者工具开始把注意力从「模型够不够强」挪到「一件任务到底花多少钱」。Agent 真正进入工程现场后，账单不会因为模型聪明就自动消失。 这份简报挑了 7 件值得看一眼的事。 Qwen-Image-2.1 在两张图像榜单拿到开源权重第一Artificial Analysis 的本地部署评测显示，阿里在 9 月以开源权重发布的 Qwen-Image-2.1，在 AA-Image-T2I v2.0 与 AA-Image-Editing v2.0 两个榜单均排在开源权重模型第一。 图像模型的竞争已经不只是「生成得像不像」。编辑能力、文字渲染、局部控制和可复现工作流，才是团队把模型放进设计链路时绕不过去的东西。开源权重能把这些能力留在自己的基础设施里，这个吸引力很实际。 来源，Artificial Analysis 小米 MiMo-V2.6 两个版本进入 Agent Arena小米 MiMo-V2.6-Pro 与 MiMo-V2.6-Flash 已进入 Agen...

一边是单个编码任务 14.19 美元，一边是 0.62 美元。 今天这批新闻里，模型榜单、路由框架、真实 A/B 测试和新模型发布挤在了一起。它们指向同一个很现实的问题，做 Agent 的人开始没法只盯着「谁最强」，还得把每一次调用的成本、失败率和任务边界算进来。 今日重点编码 Agent 的胜负，开始要同时看分数和账单Artificial Analysis 的 Coding Agent Index 里，Claude Sonnet 5.5 max 以 68 分排在 Claude Code 测试的首位，但单任务成本最高达到 14.19 美元。另一侧，GPT-6.1 Sol 的 Cost per Task 约为 0.72 美元，比 GPT-6 Sol 低约 30%。 数字摆在一起有点刺眼。以前挑模型，很多团队会把排行榜当采购单。现在更像是在选一支工程队，前沿模型可以处理最棘手的活，但你不会让它去做每一件重复劳动。不是模型能力不重要，而是当调用规模拉起来，成本本身会反过来塑造产品形态。 来源，Artificial Analysis 编码 Agent 指数 来源，Artif...

一个 Agent 的 system prompt 只改了一行，CI 全绿，PR 也顺利合并。第二天，它把退款期限从 14 天答成了 30 天。 这不是段子。OpenRouter 今天发布了一份把 LLM eval 接入 CI 的教程，拿的正是客服 Agent 的例子。普通测试没有发现问题很正常，它们测的是代码有没有报错，没人在构建阶段问模型一句，你刚才是不是把业务规则讲错了。 我一直觉得，Agent 工程里最危险的错觉，是把提示词当作文案，把模型切换当成配置。它们其实都在改程序行为，只是改动没有类型检查，也没有传统意义上的确定性输出。 如果你的团队已经在 Java 或 Spring 项目里给接口、数据库迁移、权限判断设了 CI 门禁，却允许 Agent 的 prompt、工具 schema 和检索参数随手进主干，这套工程纪律中间缺了一块。 这篇不聊泛泛的「怎么做评测」。我想把今天几篇官方教程拼成一条更实用的线，为什么 Agent 需要自己的回归测试，什么该拦 PR，什么不该拦，以及一个小团队如何从 20 个案例起步，而不是先造一座没人维护的评测平台。 先承认一个事实，Agent ...

今天的科技新闻里，有两条来自国内团队的消息格外扎眼。 一条是蚂蚁百灵把 1M 上下文和长任务搬进了 Ling-3.1-flash。另一条是 DeepSeek 把面向华为昇腾的一组基础设施组件开源。它们指向的是同一个更朴素的问题，模型能力继续往前冲时，国内团队能不能把推理、编译、通信这些脏活累活一起接住。 模型发布很热闹，工程底座才决定它能不能真正跑进业务。 蚂蚁百灵推 Ling-3.1-flash，长任务开始看工程账据蚂蚁百灵公众号消息，Ling-3.1-flash 总参数约 560B，每个 Token 激活约 25B，上下文窗口最高 1M。它延续混合线性架构，并提高了线性 Attention 层比例，目标明确指向真实世界里的长任务。 1M 不是一张适合放在发布会 PPT 上的数字而已。对 Agent 来说，长上下文常常会把成本、检索噪声和工具调用失败一起带进来。窗口更大只能让任务装得更多，不能自动让任务做得更稳。后面的评测、记忆裁剪和失败恢复，才是团队真正要补的课。 来源，蚂蚁百灵 DeepSeek 为昇腾补齐一批基础设施组件DeepSeek 开源了面向华为昇腾平台的 Tile...

同一天里，一边是每任务成本降到 0.72 美元的模型，一边是要拿到 845 亿美元算力合同的实验室。 模型能力还在涨，但今天更扎眼的不是某个单点榜单，而是 AI 正在同时把三件事推到台前，便宜的推理、可托付的执行，以及越来越昂贵的安全与算力。 今日重点1. GPT-6.1 Sol 把性价比战推到了任务层OpenAI 发布 GPT-6.1 Sol，AI HOT 收录的信息显示，它的输入、输出和缓存输入价格分别为每百万 token 2 美元、10 美元和 0.10 美元，约为 GPT-6 Astra 标准价格的五分之一。Artificial Analysis 的另一组数据更直观，Sol 的每任务成本约 0.72 美元，较 GPT-6 Sol 的 1.05 美元低约三成。 这不是单纯的 token 降价。开发团队最终买单的是一个可完成的任务，例如跑通一次代码修改、做完一轮网页操作，或者处理一张工单。Code Arena 的 WebDev 榜上，GPT-6.1 Sol Max 以 1759 分排到第三，混合价格仍是 8 美元每百万 token。性能抬升、任务成本下降，两条线开始往同一...

上周还能正常退款的客服 Agent，今天换了一版 Prompt，开始先查知识库再调订单接口。结果不一定错，用户甚至可能觉得回答更完整。可对工程团队来说，事情已经变了。 它多走了一步，带来了额外延迟和成本。更麻烦的是，这一步可能越过了原本不该碰的数据边界。要是知识库返回了过期的退款规则，Agent 还会很自信地把错话说得像对话。 这就是 Agent 上线后最别扭的一件事。你很难拿一段「标准答案」去判定它退化了没有，因为两段都通顺、都礼貌、也都可能把事办成。但一次工具调用的选择、参数和先后顺序，才是线上系统真正付费、真正碰权限的地方。 9 月 30 日，OpenRouter 连发两篇关于 Agent 工具调用与回归测试的实践文章。它给出的提醒很朴素，Prompt、模型、工具定义或检索设置只要变了，就该重跑一组固定用例。可我更在意另一层，Agent 的测试对象，正在从「它说了什么」移到「它做了什么」。 这不是给测试团队加一道作业，而是 Agent 工程开始像工程的信号。 代码测试的直觉，在 Agent 身上失灵了传统回归测试很舒服。给定输入，得到预期输出。断言失败，diff 一眼就能看...

今天的科技新闻有点像两张账单同时递到桌上。 一张写着 Agent 正在从聊天框走进持续运行的云端环境。另一张写着，想让它们稳定跑起来，GPU、内存、存储和评测，一个都躲不开。 下面是值得花几分钟看完的 7 条。 1. OpenAI 把 DevDay 的重心押在「常驻 Agent」据 OpenAI 官方动态及多家跟进报道，DevDay 2026 一口气抛出了 GPT-6.1 Sol、常驻智能体 dots、Codex Cloud、插件扩展、Space 与 Pages 等更新。其中 dots 拥有独立云计算机，可持续运行，并通过插件连接数千款应用。 产品名字很多，但真正的变化不在某个模型分数，而在运行方式。过去的 AI 工具更像一次性对话，提问、得到答案、窗口关闭。常驻 Agent 则把「任务还没做完」变成正常状态，用户离开后，它仍在云端执行。 这很诱人，也更难做。权限、成本、失败恢复和可追踪性，不会因为 Agent 更聪明就自动消失。对国内团队而言，真正值得盯住的是这套运行时能力，而不只是新模型的发布节奏。 来源，OpenAI 官网动态 2. Codex Cloud 的信号，比「云端...