NVIDIA Mid-Harness 将 TerminalBench-Lite 的 Pass@1 从 50.0% 提升至 68.0%
一篇关于终端智能体测试时计算的 NVIDIA 论文称，GPT-5.6 Sol 验证器在八条采样 shell 命令中选择，可将 TerminalBench-Lite 的 Pass@1 从 50.0% 提升至 68.0%。验证器较弱时，增加样本几乎没有作用。
AI快讯
ActiveSaddler 在优化智能体运行框架的同时调整场景
DAIR.AI 介绍了来自 Microsoft 及合作者的论文 ActiveSaddler，该论文改变用于优化智能体运行框架的场景。在相同优化器下，与固定场景顺序相比，测试 Pass@1 在 GAIA2 上提高 4.4 分，在 Terminal-Bench 2.0 上提高 7.5 分。
GLM-5.3 在 ExploitBench 得分为 12%，接近 Claude Mythos 的 14%
DeepLearning.AI 的每周通讯援引 Anthropic 的数据称，GLM-5.3 解决了 ExploitBench 漏洞利用任务的 12%，Claude Mythos 为 14%。通讯还称，价值 20.40 美元的 token 发现了 Google Chrome 中一项近期安全漏洞利用。
Command Code 列出 Ling 3.1 Flash：每天 300 次免费请求
Command Code 表示，Space Bunny Alpha 搭配 Max 推理免费，Ling 3.1 Flash 的免费额度增加至每天 300 次请求。Ling 3.0 Flash Sante 和 Laguna S 2.1 也被列为免费。
DAIR.AI 重点介绍 Meta 的 RankEvolve，它将 Claude Code 和 Codex 搭配使用
DAIR.AI 将 Meta 一篇论文中的 RankEvolve 描述为一种协议，它把 Claude Code 和 Codex 作为独立节点运行，相互审查并修复对方的更改。在同等预算下，执行准确率从 45.8% 升至 62.5%；十二轮迭代使 HSTU 在 MovieLens-20M 上的 NDCG@10 提升 4.48%。
CMU 论文训练 4B 提议模型编辑智能体 harness，不改动求解器
这篇 harness 学习论文用强化学习让提议模型根据任务、当前 harness 和执行报告修改 harness 代码。训练后的 4B 提议模型在 Reasoning Gym 的单步修订上超过其 35B 教师模型，且 HotpotQA 上的训练可迁移到 MuSiQue 和 2WikiMultihopQA。
Step 5 Preview 在 Vals 开放权重模型榜单中排名第 7
Vals AI 表示，StepFun 的 Step 5 Preview 首次登上 Vals 排行榜，在开放权重模型中排名第 7，略领先于 Qwen 3.8 Max，每项任务 2.54 美元。
Tavus 推出可打断、大笑并作出反应的 AI 视频模型
Polymarket 报道，Tavus 已推出一款能像真人一样打断、大笑并作出反应的 AI 视频模型。在“视频图灵测试”中，48% 的参与者认为自己正在与真人交谈。
Ling 3.1 Flash 在 Cline 中免费开放至 10 月 13 日
Cline 已新增 Ling 3.1 Flash，并免费提供至 10 月 13 日。该混合专家模型总参数为 5600 亿，活跃参数为 250 亿，Cline 表示它与 Kimi K3、DeepSeek V4 Pro 等开放权重模型相当。
Cloudflare AI Gateway 新增测试版 Machine Payments
Cloudflare AI Gateway 现已提供测试版 Machine Payments，推理费用可通过 x402 协议从稳定币钱包支付，而非使用预付余额。
GitHub Copilot 应用将 diff、终端和浏览器并排显示
在 GitHub Copilot 应用中，diff、终端和浏览器并排放在一起，审查者无需切换标签页就能检查、运行和预览智能体代码。一份入门指南介绍了这种布局的用法。
Databricks 更新 Genie One，默认启用本体并加入文件上传与定时任务
Genie Ontology 现已默认启用。此次更新还加入工作区指令、文档与数据文件的直接上传、在 Genie 内查询 Unity Catalog，以及可引用过往运行的定时任务。
Cohere 以模型创建后发布的 WMT26 评测 North Small Translate
Cohere 表示，用于 North Small Translate 的 WMT26 基准测试是在模型创建之后发布的，因此无法针对这些测定结果训练该模型。
Cohere 推出开放机器翻译模型 North Small Translate
Cohere 表示，公司近期推出了 North Small Translate，并称其为新的最先进开放机器翻译模型，在参数少于 1 万亿的模型中全球最佳。公司还表示，希望公开该模型的权重和流程。
Meta Superintelligence Labs 论文描述 RL 后训练中的 Sharpening Tax（锐化税）
在 42 对基础模型与后训练模型中，使用轻量测试框架的基础模型在样本数很大时，往往比它们的 RL 后训练版本解决更多智能体任务，而后者仍在 pass@1 上占优。作者的 PTGS 方法在 RL 期间根据估计难度为每个提示设置采样温度，从而缴纳更小的税，并同时提高 pass@1。
AutoCompact 训练编程智能体决定何时压缩上下文
AutoCompact 使用评判器修正压缩决策，然后应用监督微调和带任务成功奖励的强化学习。报告的通过率在 SWE-bench Verified 上提高 9.2 点，在 SWE-PolyBench Verified 上提高 5.0 点，包括在 256K 窗口从未溢出的情况下。
Workers AI 新增开源决策模型 Clef
Clef 返回结构化概率，而不是文本。Cloudflare 表示，Clef-flash 比 Jev 快 13 倍，可用于路由和分流。
Cloudflare workers-oauth-provider 达到 v1，采用拆分 API
版本 1 将身份验证与令牌检查分开：一个 Worker 负责身份验证，另一个通过 Service Bindings 为 MCP 服务器校验令牌。该版本支持 MCP 2026-07-28 规范。
elvis 用 Cartesia Sonic 3.6 克隆自己的声音，并让它说日语
elvis 表示，用一段约 15 秒的片段在 Cartesia playground 克隆出的声音，几秒内就绪，随后用日语说话。他说，该演示使用 Cartesia 最新的语音模型 Sonic 3.6，该模型支持 44 种语言。
Polymarket puts the chance of a U.S. AI safety bill at 15%
Polymarket says there is a 15% chance the United States enacts an AI safety bill. The figure is tied to its market at https://poly.market/iYP6GOD.