AI 热点快报:FrontierHarness 把 Agent 选型从模型榜单改成组合验收(2026-11-18)
Runta 的 FrontierHarness Eval v1.1 报告显示,同一模型搭配不同执行框架,平均任务推理成本可相差 1.8—5.0 倍,工程选型应同时验证成功率与交付成本。
KNOWLEDGE OBSERVATORY / 个人知识观测台
这里记录我关于 AI、开发者工具、自动化与基础设施的实践与思考。
Runta 的 FrontierHarness Eval v1.1 报告显示,同一模型搭配不同执行框架,平均任务推理成本可相差 1.8—5.0 倍,工程选型应同时验证成功率与交付成本。
Qwen 发布 Qwen4-Max 与开源 Live Delivery 插件,后者首发支持 Codex CLI,以版本快照、执行中反馈和预算控制重构长任务验收。
Crissy Field 更新对 159041 个 Lovable 项目的分析,发现无需登录即可访问敏感数据的案例;AI 应用交付需要把数据库授权和跨账号隔离列为发布条件。
ggml 1.0.0 清理废弃 API、升级 RPC 协议并优化多硬件后端,本地 AI 产品需要把运行库、驱动和客户端纳入同一套升级验收。
Brave Search API 接入 x402,以 Base 链 USDC 按次结算,每次搜索 0.005 美元且无需账号或 API Key;工程重点转向支付授权、预算与失败重试。
Google 发布 Gemini 4 Hydrogen 与 Antigravity Orchestrator,在同一任务中动态切换规划与执行模型;工程团队需要重新评估成功率、配额和交接成本。
Pietro Miotti 更新 AI 分析激光雷达的案例:所谓未被绘制的玛雅遗址早已见于 2025 年研究,暴露多智能体工作流中文献查新与外部确认的验收缺口。
Google DeepMind 发布 AlphaProof Code:五人团队用四周生成约 650 万行 Lean 证明,验证 libsignal 编译后二进制的关键安全性质;工程重点从让 AI 写证明转向审查规格与信任边界。
Meta 11 月 9 日发布 Muse Ember,输入、输出每百万 token 分别定价 0.10、0.50 美元,主打可重复的 Agent 子任务;低价是否转化为产品收益,取决于重试、验收与升级强模型后的完整任务成本。
llama-modchip 宣称用 56.56 GiB 量化权重在 64GB 内存的 CPU 机器运行 DeepSeek-V4-Flash;其自报约 9 token/s 的基础解码让本地部署值得重测,但量化质量、冷启动与运行时兼容性仍是采购前提。
Anthropic 11 月 6 日公布 Agent 记忆实验:在企业文档问答中,搜索加持续整理的 wiki 得分从纯搜索的 53% 提至 61%,但部分法律任务没有收益;工程重点正从多存对话转向有来源、可纠错、按需加载的记忆维护。