LLM 能否自行设计 Agent Harness？ByteDance Seed 的 HarnessDev 称 64 次改动中仅 34 次可泛化
ByteDance Seed 联合新加坡科技设计大学、佐治亚理工等提出 HarnessDev，把评测对象从模型给出的答案换成模型自己编写的可运行 agent harness。
MarkTechPost
网站与博客 · 历史来源 · 当前未持续收录
切换来源
全部网站与博客新闻IT Home8569 条Simon Willison344 条OpenAI News317 条TechCrunch · AI258 条The Decoder229 条Hugging Face Blog150 条Claude Blog135 条The Verge · AI135 条elsewhere articles108 条Google Research108 条OpenRouter Announcements103 条Mistral AI88 条Tomer Tunguz81 条Databricks Blog76 条Sierra Blog67 条Anthropic Newsroom65 条Claude Platform release notes62 条Gary Marcus62 条Runway News62 条LMSYS Blog60 条Google DeepMind58 条a16z News49 条LangChain Blog48 条Suno Blog48 条ByteByteGo46 条NVIDIA Blog46 条Apple Machine Learning Research43 条Google Blog: AI41 条Google Developers Blog35 条Cursor Blog33 条Microsoft AI News32 条Linear Now30 条AWS Machine Learning Blog29 条Google Cloud: Databases28 条Dwarkesh Patel27 条Ars Technica · AI26 条Nathan Lambert: Interconnects25 条DeepSeek API updates23 条Latent Space23 条Sakana AI Blog23 条Anthropic Research21 条Import AI21 条AI as Normal Technology20 条MIT Technology Review · AI16 条GitHub Blog · AI & ML12 条Meta Engineering11 条Berkeley AI Research10 条Microsoft Research10 条Every latest articles6 条CMU Machine Learning Blog1 条MarkTechPost · 历史来源99 条xAI News · 历史来源73 条Artificial Intelligence News · 历史来源44 条Claude YouTube · 历史来源41 条Ars Technica: AI · 历史来源18 条GitHub Blog · 历史来源17 条Lilian Weng's Log · 历史来源2 条
99 条AI 相关新闻 · 最新在前
MarkTechPostAI 评分5858 MarkTechPostAI 评分6565 Anthropic 为 Claude Code 推出插件评测，含 6 种评分器和无插件基线
Anthropic 为 Claude Code 发布插件评测工作流，用真实提示词运行插件，并与不加载插件的运行结果对比，两者差值 Δ 即插件的贡献。
MarkTechPostAI 评分5959 Cohere 发布 North Small Translate：218B MoE 翻译模型，WMT26 全语言均分 83.6
Cohere 发布开放权重翻译模型 North Small Translate，采用 218B 总参数、25B 激活参数的稀疏 MoE 架构，覆盖 50 种语言，在 Cohere 自测的 WMT26 上全语言均分 83.6。
MarkTechPostAI 评分5151 Sakana AI 发布 Fugu Max 与 Fugu Ultra v2，主打更低成本的多智能体编排
Sakana AI 发布 Fugu Max 与 Fugu Ultra v2 两款模型，它们不是单一基座模型，而是通过一个 API 在多个模型池之间路由任务的编排器，以兼容 OpenAI 的托管 API 提供，没有开放权重，且不在 EU/EEA 提供服务。
MarkTechPostAI 评分4141 Google Research 发布 ToolGrad：答案优先框架实现 99.8% 工具调用数据生成通过率
Google Research 联合东京大学、RIKEN AIP 和东北大学发布 ToolGrad，一种先构建已验证工具调用链、再反向生成用户查询的数据生成框架，通过率达 99.8%。
MarkTechPostAI 评分5757 Redis 上线 LangCache 公开预览，称语义缓存最高省 90% LLM API 成本
Redis 在 Redis Cloud 上推出全托管的语义缓存服务 LangCache，目前处于公开预览，通过 REST API 与 Python、JavaScript SDK 调用，官方称最高可降低 90% 的 LLM API 成本、缓存命中响应最高快 15 倍。
MarkTechPostAI 评分4646 NVIDIA 详解 BioNeMo Inference Runtime（BioIR）：8xH100 上 Boltz-2 折叠吞吐提升 2.90 倍，达 58.5K 残基/GPU-小时
NVIDIA 详解 BioNeMo Inference Runtime（BioIR），一个在 NVIDIA GPU 上加速结构预测模型的 Python 库，保持标准 PyTorch 工作流。
MarkTechPostAI 评分7070 OpenAI 公测 Agents API，把 Codex harness 封装成一次 API 调用
OpenAI 发布 Agents API 公测，把驱动 Codex 的 harness 与基础设施开放给开发者，智能体算力可跑在 OpenAI 托管沙箱、自有基础设施或合作方沙箱中。
MarkTechPost精选AI 评分8080 DeepSeek 发布 DeepSeek-V4.1-Flash，支持 1M 上下文与 FP4 KV 缓存
DeepSeek 发布多模态 MoE 模型 DeepSeek-V4.1-Flash，具备 1M token 上下文窗口，全局 KV 缓存占用约 890 字节每 token，约为 DeepSeek-V4-Flash 的 1/4。
推荐理由：DeepSeek-V4.1-Flash 把全局 KV 缓存压到 890 字节每 token，长上下文推理的部署成本变化构成主要看点。
MarkTechPostAI 评分5858 LandingAI 发布 ADE Gen2，推出 DPT-3 Pro 与 DPT-3 Verity 两个文档解析模型
LandingAI 发布 Agentic Document Extraction（ADE）Gen2，基于新的 DPT-3 模型族将文档按树结构解析，并改为按页加输出字符计费，现已正式可用。
MarkTechPostAI 评分6868 Google 开源 Mantis 安全技能工具包，让编码 Agent 完成漏洞发现、复现与修补
Google 开源了 Mantis，一套与技术栈无关的安全审查技能工具包，让编码 Agent 完成漏洞发现、去误报、沙箱复现、编写最小补丁和再攻击验证的完整流程。
MarkTechPostAI 评分6161 NVIDIA 发布 CUDA Rust，开源 cuda-oxide（SIMT）与 cutile-rs（Tile）两个项目
NVIDIA 发布 CUDA Rust，推动 Rust 成为编写 GPU kernel 的一等语言，并开源 NVlabs 的两个项目 cuda-oxide（SIMT 模型）与 cutile-rs（Tile 模型），二者都能原生编译 Rust kernel，并用 Rust 所有权规则在编译期拒绝别名错误。
MarkTechPostAI 评分5555 Google DeepMind 发布 AlphaGenome Atlas，预计算 90 亿人类 DNA 变异的分子效应与 AVI 分数
Google DeepMind 发布 AlphaGenome Atlas，对人类基因组约 90 亿个单核苷酸变异预计算分子效应预测，形成约 1PB 数据集，并推出把变异按预测影响排序的 AVI 分数。
MarkTechPostAI 评分4747 Reducto 发布 r-1：单次全页解析模型，错误率降低 20%、每页 1 美分
Reducto 发布文档解析模型 r-1，用单次全页解析取代多阶段 agentic OCR，官方称错误率较自家旧版 agentic 流程降低 20%，速度更快且成本最高降低 6 倍。
MarkTechPostAI 评分6363 OpenBMB 发布 MiniCPM5-2B：2.52B 稠密模型，34 项基准平均 53.9，面向端侧运行
OpenBMB 发布 MiniCPM5-2B，是 MiniCPM5 系列第二个 checkpoint，参数量 2,516,756,480（其中嵌入层外 1,981。
MarkTechPostAI 评分5252 Axis Robotics 发布 AXIS 浏览器数据引擎，含 207 个机器人操作任务与 50,129 条轨迹
Axis Robotics 联合 UC Berkeley、Georgia Tech、NTU 等团队发布 AXIS，一套把遥操作采集搬进浏览器、由后端 GPU 负责渲染与训练的机器人操作数据引擎。
MarkTechPost精选AI 评分7777 MBZUAI 旗下 IFM 发布 K2 Horizon 六款 Apache 2.0 开源模型，参数覆盖 0.9B 至 375B
IFM 发布 K2 Horizon 系列六款 Apache 2.0 模型，参数从 0.9B 到 375B，并同步开源预训练语料、中间 checkpoint、训练代码、配置和细粒度日志。
推荐理由：六款模型共享架构、词表和部署工具，团队可在 3.7B 上原型验证后不换推理栈扩到 375B-A23B。
MarkTechPostAI 评分5353 H Company 发布 NeoMME：260M 与 800M 单塔多模态编码器
H Company 发布 NeoMME 系列 260M 与 800M 双向编码器，去掉单独预训练的视觉塔和从不生成 token 的因果解码器，由同一个 Transformer 处理多语言文本 token 与 32×32 原始 RGB 图像 patch，并从随机初始化开始训练。
MarkTechPostAI 评分4949 Meta FAIR 推出 AI Research Preference Models（RPMs）：在消耗 GPU 时长前对 ML 实验排序
Meta FAIR 联合牛津大学和伦敦大学学院提出 AI Research Preference Models（RPMs），在实验执行前对未运行的候选方案排序并只执行胜出者，不做绝对分数预测。
MarkTechPostAI 评分7070 UC Berkeley 发布 CUA-Lite 开源平台，统一计算机使用智能体的沙箱、数据、评测与 RL
UC Berkeley 研究团队发布开源平台 CUA-Lite，把计算机使用智能体的智能体、环境、轨迹与训练评测框架统一到一套动作空间和数据 schema，覆盖桌面、浏览器和移动端。
MarkTechPostAI 评分3434 Perplexity 详解 pplx-embed 的 GPU 嵌入推理栈：Ivy、Tulip 与 ROSE 如何协同
Perplexity 工程团队发布《Fast Embeddings on GPUs》，详解支撑 pplx-embed 及搜索、Computer 与 API 平台排序模型的 GPU 服务栈。
MarkTechPostAI 评分5555 GitHub 发布 Project HydraFusion，在 Copilot CLI 中按任务编排多模型
GitHub 发布 Project HydraFusion，一个在 GitHub Copilot CLI 内提供的研究预览，按每个请求构建执行计划，而不是把提示词路由到单一模型。
MarkTechPostAI 评分6060 Nous Research 为 Hermes Desktop 加入一键本地模型配置
Nous Research 为 Hermes Desktop 加入一键本地模型配置流程，可读取硬件、挑选适配模型、下载权重并自动配置推理运行时。该流程首次启动时自动出现，之后可在 Settings → Providers → Local Models 进入，本地模型无需账号。
MarkTechPostAI 评分4949 Adaption Labs 推出 Invent a Dataset：从任务描述直接生成训练数据，无需种子语料
Adaption Labs 发布 Invent a Dataset，可从行为描述直接生成结构化训练数据集，无需种子语料、预定义 schema 或标注指南，现已在 Adaption 应用、Python SDK 和 REST API 上线，生成结果可下载为 JSONL、JSON、CSV 或 Parquet。
MarkTechPostAI 评分6868 Google 为 Gemini Flash 模型推出智能体视频理解，视频 token 最多减少 88%
Google 在 Gemini Flash 模型上线智能体视频理解，由模型自行决定观看哪些片段、以什么帧率和模态加载，官方称视频 token 最多减少 88%、成本最多降低 66%、准确率最高提升 7%。
MarkTechPostAI 评分6666 NVIDIA 发布开源虚拟推理路由器 PAIR，可在 RTX、DGX Spark 与 Mac 间分发本地推理请求
NVIDIA 发布开源虚拟推理路由器 Personal AI Router（PAIR），本周以公测版 v0.1.1 上线，提供 Windows、macOS 与 Linux 签名安装包，源码在 GitHub 以 Apache 2.0 开放。
MarkTechPostAI 评分6262 Google DeepMind 发布 WeatherNext 3，输出 5 km 全球预报并每小时更新
Google DeepMind 与 Google Research 发布 WeatherNext 3，直接以实时地球静止卫星拼图为模型输入，每小时重新初始化，输出 0.05°（约 5 km）全球预报，并直接用原始气象站观测而非仅再分析网格进行训练。
MarkTechPost精选AI 评分7777 OpenAI 发布 GPT-6 Astra：105 万 token 上下文的计算机操作模型，受 Critical 网络安全阈值限制
OpenAI 发布 GPT-6 Astra，定位为计算机操作模型而非聊天模型，上下文窗口 1,050,000 token、最大输出 128,000 token，不开放权重，目前仅对 Trusted Access 和 Daybreak 项目的组织开放。
推荐理由：原文给出 Astra 的上下文处理改动与网络安全门槛，读者可据此判断它在智能体工作流中的可用边界。
MarkTechPostAI 评分6868 Anthropic 发布 Claude Commerce Agents，Apache 2.0 开源购物与商家智能体蓝图
Anthropic 本周发布 Apache 2.0 开源的 anthropics/commerce-agents 蓝图，包含购物智能体和商家智能体，覆盖零售、旅游。
MarkTechPostAI 评分6868 Meta AI 发布 Muse Spark 1.3 智能体编码模型，工具调用与 token 消耗低于 1.2
Meta Superintelligence Labs 发布 Muse Spark 1.3 智能体编码模型，今日已在 Muse Code 和 Meta Model API 上线。
MarkTechPostAI 评分5959 Perplexity 开源 Lily：面向 Apple Silicon 的 Qwen3.6-35B-A3B Rust + Metal 推理引擎
Perplexity 开源了 Perplexity Computer 中 Hybrid Compute 背后的本地推理引擎 Lily，这是一个 Rust 层加载 checkpoint 并驱动生成循环。
MarkTechPostAI 评分6565 Qwen Developers 开源 zg（zvec-grep）：统一 ripgrep、BM25 与向量搜索的本地优先搜索层
Qwen 开发者团队开源了本地优先搜索层 zg（zvec-grep），把语义搜索、BM25 和 ripgrep 统一到一个接口，代码以 Apache 2.0 许可发布在 zvec-ai GitHub 组织，可从 npm 安装 @zvec/zvec-grep，需要 Node.js 22 或更高版本，默认模型不需要 GPU。
MarkTechPostAI 评分5858 NVIDIA 发布 Switchyard：转换并路由 OpenAI 与 Anthropic API 的 Rust 代理与库
NVIDIA 以 Apache 2.0 发布 Switchyard，一个用 Rust 编写的 LLM 流量代理与库，可在 OpenAI Chat Completions、OpenAI Responses 和 Anthropic Messages 三种入站格式之间翻译，并把请求按路由算法转发到 vLLM、NVIDIA NIM 或 Ollama 等后端。
MarkTechPostAI 评分5858 Google DeepMind 发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber
Google DeepMind 发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber，两者共用同一底座，差别在安全边界和开放范围。
MarkTechPostAI 评分4343 Anthropic 推出 Enterprise Frontier Safeguards（EFS）：零数据留存隐私加跨会话滥用检测
Anthropic 发布 Enterprise Frontier Safeguards（EFS），将监控数据存放在客户自控的云基础设施中，检测仍由 Anthropic 负责，客户掌握数据保管权、密钥与人工审查。
MarkTechPostAI 评分6868 Meta Superintelligence Labs 发布 Muse Voice Transcribe，单模型完成流式 ASR、说话人分离与端点检测
Meta Superintelligence Labs 发布 Muse Voice Transcribe，用一个自回归模型在一次推理中同时完成流式 ASR、20+ 说话人分离与端点检测，无需额外后处理。
MarkTechPostAI 评分6868 Perplexity 为 Mac 推出 Hybrid Compute，云端智能体可下沉到本地模型
Perplexity 面向 Mac 推出 Hybrid Compute，把同一个 Computer 任务在云端前沿模型与本地模型之间拆分，由设备端隐私门控决定哪些内容可以离开本机。
MarkTechPostAI 评分7171 Anthropic 发布 Claude Fable 5.1 与 Claude Mythos 5.1，Terminal-Bench-Science 得 52.6%，缓存读取降价 75%
Anthropic 发布 Claude Fable 5.1 与 Claude Mythos 5.1，两者是同一底层模型、仅安全防护层不同。
MarkTechPostAI 评分4141 普林斯顿、蚂蚁集团与斯坦福推出 AQuA：面向量化金融自主因子发现与模型开发的两部分智能体框架
普林斯顿大学、蚂蚁集团与斯坦福大学的研究者提出 AQuA，一个由语言模型驱动的两部分智能体研究框架，分别用于加密货币符号化 alpha 因子发现和美国股票时序模型开发，两部分不共享智能体、记忆与候选空间。
MarkTechPostAI 评分4949 Gradium AI 发布新默认 TTS 模型：216 ms 首音频延迟下硬案例通过率 81.0%
Gradium AI 发布新的文本转语音模型并设为 API 与 Studio 默认模型，在 500 句五语言硬案例集上取得 81.0% 人工评分通过率，超过 Cartesia Sonic 3.6 的 75.1% 和 ElevenLabs v3 Conversational 的 65.4%。