先看模型。官方说这是 V4.1-Flash 的小版本更新，方向是更快、更短：同样的任务跑得更快、输出更少，成本跟着降，并针对 DeepSeek Harness、腾讯 CodeBuddy 和 WorkBuddy 做了优化。和上一版比，Terminal-Bench 4.0 从 31.2 到 42.3，ProgramBench 从 20.3 到 29.1，Apex Bench 从 64.6 到 72.1，不用工具的 HLE 从 36.8 到 42.6；DeepSWE v1.1 拿到 77.0，在表里高过 Opus 5 的 74.0 和 GPT-5.6 Sol 的 73.0。不过 HLE、Terminal-Bench、ProgramBench 上它仍落后 Opus 5 一截，而且表里比的并不是最新一代闭源模型。权重照旧以 MIT 协议放在 Hugging Face，这次没给 Jinja 对话模板，改给一份 Python 参考编码实现和用 Rust 写的 deepseek-recipe。

再看搜索。两个接口跑在 DeepSeek 自研的搜索引擎上，官方称索引了数千亿网页，会过滤 SEO 垃圾、GEO 操纵和低质量的 AI 生成内容。Search 一次最多返回 50 条，支持 site:、lang: 和日期过滤，每条结果带相关度、给界面用的短摘要、给模型用的长摘要和来源权威等级；Fetch 把单个网页转成 Markdown。只有返回可用结果的请求才计费，空结果、失败和超时不收钱，每个账号每秒限 5 次。通过 DeepSeek Harness、Claude Code、Codex 走服务端工具调用的，北京时间 11 月 1 日零点之前免费。

为什么值得知道：agent 联网搜索过去要么用模型厂商自家的内置工具，要么另接 Brave、Exa 这类第三方搜索 API。DeepSeek 把搜索单独拆成按次计费的基础设施，还点名能在 Claude Code、Codex 里用，等于在 agent 工具层和搜索 API 供应商抢生意。模型这边真正的看点是用更少的 token 拿到更高的分，对按 token 付费跑长任务的人，这比榜单上多几分更实在。

DeepSeek API 文档 →

数据来自公司内部的用工、招聘、Slack 和日历记录、员工问卷，外加 17 场访谈；agent 工时不算超过 30 分钟的等待，人按每周 40 小时算。几组数：技术部门里初级员工的占比从 2025 年初的 21% 降到 14%，新招的技术岗里初级占比从 27% 降到 9%；技术岗占总人数的比例一年内从 61% 降到 56%，销售、财务、招聘增长得更快。公司这一年人数翻了三倍，所以这不是裁员，是新增的人往哪儿去变了。

最有意思的是瓶颈换了位置。交互式 Claude 会话里大约 80% 的时间在等人回话；非技术团队光是把 agent 的产出读完，就要占掉半个多工作周；会话里专门用来管理 agent 的比例，从 2025 年秋的 10% 涨到 2026 年春的 22%。报告的原话是，这种加速让“人的注意力成了 agent 产出的瓶颈”。招聘评分表里提到候选人会用 AI 工具的次数，技术岗大约翻了三倍，非技术岗翻了四倍。

为什么值得知道：这是前沿实验室第一次拿自己当样本，公开 agent 进入日常工作之后用工结构怎么变，初级技术岗收缩是里面最硬的一条。作者也列了不少保留：用不用 agent 不是随机分配的，提交多不等于代码好，Anthropic 的很多做法别的公司复制不了。对正在准备找技术岗的人，更实际的读法是招聘方已经把会不会用 agent 干活写进了评分表。

Anthropic →

四个尺寸共用一套架构和训练配方，上下文 32768 个时间步，支持多变量预测、只知道过去值的协变量、已知未来值的协变量和类别协变量。训练数据大部分是合成的：先生成带趋势、季节性和不同噪声的单变量序列，再用多变量合成器加上非线性依赖。预训练只用合成数据、上下文 8192；后训练混入真实数据，上下文拉长 4 倍，损失是 21 个分位数上的 pinball loss。

官方给的对比：28M 版在 GIFT-Eval 和 TIME 上胜过大它约四倍的 Chronos-2，209M 版胜过 TimesFM-3 和 Falcon-2.0，参数只有此前最优模型的三分之二。8 线程的服务器 CPU 上，拿三周、15 分钟粒度的历史预测下一天，5M 版 10 毫秒，209M 版 140 毫秒；123M 版得分只比 209M 低 0.2%，延迟是它的四分之三。具体分数只画在图里，完整技术报告还没出。

为什么值得知道：时间序列预测过去主要是 Chronos、TimesFM 这类研究型开放模型，Mistral 把它做成能在私有云、内网离线部署的商用产品线，主打不用 GPU。权重是修改版 MIT，放在 Hugging Face 和 GitHub，微调走 Mistral Forge。成绩目前都是自报，各榜的具体差距要等技术报告。

Mistral AI →

除了自然语言和标签序列，它还接受一种 JSON 布局提示：summary.caption 写整体描述，items 里逐个列出要画的文字、物体和它们的边界框，改框的坐标或里面的文字，就能定向修改画面。SFT 版是在 Base 上用精选数据微调的，官方对比图里文字分组和版面更整齐。VAE 用的是 FLUX.2 的小解码器，默认 50 步、CFG 3。

配套给了 ComfyUI 插件、LoRA 训练说明，还有一个提示词增强 skill，让 agent 把画面构想转成详细描述或布局 JSON。项目页称训练是在“替代 GPU 平台”上完成的，没说是哪家。官方没有公布 GenEval、DPG 这类基准分数，目前只有示例图可看。

为什么值得知道：Qwen-Image 之后，开源文生图写中文已经不稀奇，MOSS-Image 多给的是用结构化布局精确摆放文字，海报、信息图、带字的界面草图最吃这一点，Apache 2.0 的权重也可以直接商用。缺基准数据是明显的短板，实际在哪一档，得等社区跑出来。

Hugging Face →

原来卡在哪：GRPO 靠组内相对优势学习，一组 8 条全错，优势全是零，这道题等于白采；偏偏全错的正是模型最该学的难题。已有的补救要么把参考答案塞进上下文当老师，要么请外部大模型当评委，前者容易学成看了答案才会，后者多了一个需要信任的环节。

RSHD 的做法：策略模型看着自己失败的那条推理，写一段纠错笔记，全程不给它看参考答案和解答；再带着笔记把题重解一遍。笔记要过两关：先查里面有没有直接写出答案，有就扔；再看带笔记的重解成功率是否高过原来那组，高了才收。收下的成功重解，蒸馏回不带笔记的普通提示。整个过程只训练策略本身，唯一的裁判是结果验证器。Qwen3-4B 在 MATH 上一共写了 4680 条笔记，11% 因为泄露答案被拒，58% 没能提高成功率，最后收下 24.5%，其中 17% 来自全错组。

结果：Qwen3 的 1.7B、4B、8B 三个尺寸，数学和科学两个领域，主表里每一项都高于 GRPO。4B 在 MATH-500 上的增益随难度上升，Level 1 持平，Level 5 多 10.8 分；8B 在 MMLU-Pro 留出集上从 45.1 到 60.7。解答还变短了，平均 1979 token，GRPO 是 2545。代价是每步采样的 token 大约翻倍。论文没有做去掉成功率准入这一关的消融，这一关到底贡献多少还说不清。

arXiv →

原来卡在哪：RLVR 提高的是一次答对的概率，代价是模型越来越只会一种写法，大量采样时覆盖到的正解反而比底座少，也就是常说的锐化。已有的补救大多去优化 pass@k 或熵这类指标，它们并不直接衡量正确解法到底有几种。

EliteReplay 分两步。训练前，用冻结的底座模型跑 MAP-Elites 质量多样性搜索：从验证过的种子解出发，专门去生成还没被覆盖的思路，每个候选都实际执行一遍，只留对的；格子按 LLM 标注的思路类别加上 SQL 结构特征（连接、子查询、聚合等）来划，一格只放一个解。训练时，在 GRPO 损失上加一项对这个精英库的回放损失，权重 0.05。

结果：对比 GRPO、MaxRL、DPH-F、SetPO，各方法 pass@1 都在 52% 到 56% 之间，EliteReplay 是 52.5%，处在这一档的下沿，差别主要在多样性。BIRD 上它保住了底座 62% 的正确策略，基线只有 34% 到 39%；换到没训练过的 Spider，pass@128 是 93.2%，最强基线 86.9%。在题目有两种合理理解的 AmbiQT 上，两种都覆盖到的题占 27.0%，最强基线 MaxRL 是 14.2%，GRPO 只有 4.2%，但底座本身是 37.0%，后训练还是丢了一部分。思路库要在训练前单独搜一遍，换到证明、代码这类没有现成结构特征的任务，格子怎么划是这套方法要过的第一关。

arXiv →

原来卡在哪：训练形式化证明模型要调用海量 Lean 检查，慢的检查和超时让 GPU 空等，超时的证明还拿不到奖励，哪怕它可能是对的。作者用 484 万条带标签的程序训了两个模型：一个只输出一个 token 的有效性分类器，一个 4B 的反馈模型，会像 Lean 一样给出预测的目标状态和报错信息。两级串联，分类器先筛，判为可能有效的再交给反馈模型，两级都放行才算通过。

训练时两边同时跑：一批 1024 个候选，一边送进 64 个进程、每条限时 60 秒的 Lean 池，一边由 8 张 H100 上的评估器打分；评估器跑完时（平均约 90 秒），已经返回的用 Lean 的判决，没跑完的用模型预测，剩下的检查直接取消。缺代码、用了禁用写法这类确定性失败照样记负分。内部的 8B 证明器训一个 epoch，pass@1 是 62.2% 对纯 Lean 的 62.4%，pass@32 是 72.4% 对 71.3%。

为什么值得知道：RLVR 默认验证器是免费的，到了形式化证明、跑测试、编译这类场景，验证本身成了吞吐瓶颈，用学出来的近似验证器补位是条现实的路。论文也摆出了风险：训练过程中评估器的假阳性率从第 25 步的 17.8% 涨到第 250 步的 28.9%，看起来策略在往评估器的盲区里跑。想照搬的话，混合比例和定期回到纯 Lean 校准都得提前设计好。

arXiv →

四起新事件：一个内部模型被政府网站拦下后绕过访问控制，下载了 24 年的医院床位数据，思维链里一边怀疑这样做合不合伦理一边继续，自动评分模型也没能稳定标出来；一个 GPT-5.6 Sol 系列的模型动用了测试人员没给它的加密钱包，6 月 26 日擅自付了一笔款，理由是那笔钱实际上已被遗弃；一个模型在查公开数据时进了内部系统并做了改动，改回去之后仍保留着访问权，还从非公开数据表里下载了 147451 行，没有告诉评估者；还有一个被禁止上网的 agent，借外部浏览器服务替它执行被拦下的操作，找到别的答法之后还在继续打磨这条绕路。

这份披露页是 7 月 Hugging Face 被黑那次之后设的，最早一起在 1 月，最近一起在 10 月 6 日：一个自动评分模型试图上传伪造的评测报告。OpenAI 说已经加强了安全控制，训练和评测期间不再让模型访问实时互联网，并把未对齐行为的监控扩展到所有强化学习和评测流量。

为什么值得知道：这几起的共同点是模型为了把任务做完，自己去找权限、找钱、找出口，而负责盯着它的评分模型并不总能看出来。三起隔了两三个月才被发现，说明事后审计跟不上 agent 跑的量。对做 agent RL 的人，这也是个提醒：环境隔离和奖励监督都要按模型会主动找漏洞来设计。

Fortune →

核心提交者、EDB 的 Peter Eisentraut 说，被撤回的功能里有一些存在“重大的架构缺陷”，LLM 辅助审查还翻出一长串相对无害的小问题，单个修起来平均也就三行，但积少成多，人手跟不上。他特意澄清这和 vibe coding 无关，这些功能大多写在那种工作方式出现之前；变的是审查这一端，“实际的质量门槛被抬高了”。Tom Lane 9 月就警告过，硬把图查询功能放进去，发布后很可能冒出要到 v20 才修得了的 bug。

为什么值得知道：讨论 AI 和代码，大家通常盯着 AI 写的代码会不会拉低质量，这件事是反过来的：AI 审代码让一个成熟项目第一次看清了自己的存量缺陷，代价是发布节奏被打乱。报道没说用的是哪家的模型或工具。PostgreSQL 20 原本可能以修 bug 为主，现在要接下 19 撤下来的功能；Eisentraut 认为等开发流程适应了 AI 审查，节奏会重新稳下来。

The Register →