AgentProofBench：Web 智能体可复用验证器基准评测
论文提出 AgentProofBench，将冻结验收规则的成对测试与执行轨迹相连，用于评测 Web 智能体可复用验证器的程序门控正确性与复用能力。
推荐理由：AgentProofBench 将冻结验收规则与执行轨迹配对，在 97 个任务、79 个任务族和 4 个 Web 服务上建立程序门控正确性与复用表现的基线。
#DeepSeek
HF Daily Papers精选AI 评分4545
AWS Machine Learning Blog精选AI 评分4141 Amazon SageMaker JumpStart 2026 年度回顾
Amazon SageMaker JumpStart 在 2026 年前 9 个月新增来自 30 家供应商的 100 多款模型，覆盖千问（Qwen）、NVIDIA、Google、Mistral 等多家厂商。
推荐理由：原文梳理了 2026 年 1–9 月上线的 100 多款模型和多项部署增强，读者可以据此了解 JumpStart 的当前覆盖范围。
HF Daily Papers精选AI 评分4343 CoEvo-RSI：执行框架演进时，哪些模型应随之适配
CoEvo-RSI 论文提出递归自我改进智能体框架，由 meta-agent 基于共享进化档案和执行反馈进行双向历史继承，减少模型与执行框架错配。框架仅使用自身拒绝采样轨迹进行 SFT，使 Qwen3.5-9B 在多智能体故障归因、角色感知 Text-to-SQL 和智能家居指令遵循任务中与更大模型具有竞争力。
推荐理由：论文在多智能体故障归因、Text-to-SQL 和智能家居任务中比较不同模型，展示双向历史继承缓解模型与执行框架错配的表现。
量子位精选AI 评分7070 DeepSeek发布V4.1-Flash-1017模型，同步开放自研搜索API
DeepSeek发布新模型DeepSeek-V4.1-Flash-1017，网页端、APP与API已同步切换至该版本。官方称新模型在代码、Agent等基准测试分数提升的同时，任务运行时间、输出长度和token费用均有所下降；首次登录Harness的用户可领6元赠金。
推荐理由：同时呈现了模型在代码和Agent任务上的分数提升以及token消耗下降两项变化，可供关注性价比的开发者横向参考。
量子位精选AI 评分5151 DeepSeek 服务器全球宕机，DeepSeekHarness 账号同期现身 B 站
DeepSeek 网页及 API 于北京时间 10 月 15 日 8:11 起出现中断，受影响服务包括 DeepSeek 对话、DeepSeek V4 Pro API 和 DeepSeek V4.1 Flash API，截至官方发布最新进展时故障已持续约 1 小时，第三方监测平台 StatusGator 24 小时内收到 86 条相关报障。
推荐理由：原文同时记录了 DeepSeek 宕机时间线和 Harness 账号在 B 站上线的巧合，读者可据此判断是否为新模型发布的征兆。
量子位精选AI 评分5959 DeepSeek 领投 Winverse AI 种子轮，创始人胡瀚系 Swin Transformer 作者
DeepSeek 计划领投机器人 AI 初创公司 Winverse AI 数千万美元种子轮融资，投后估值约 4 亿美元，美团旗下龙珠资本也承诺参投。Winverse AI 由 Swin Transformer 共同作者、原腾讯混元杰出科学家胡瀚于今年创立，研发方向为机器人感知与决策的基础模型。
推荐理由：DeepSeek 两个月内接连投资机器人本体和基础模型公司，读者可借此观察其具身智能布局的资本与技术切入点。
量子位精选AI 评分5353 DeepSeek-Bot 上线：基于 DeepSeek Harness 的多 Bot 团队插件
DeepSeek-Bot 是基于 DeepSeek Harness 的社区多 Bot 插件，每个 Bot 可配置名称、形象、模型并拥有持久化长期记忆。它支持设置主管 Bot 协调群聊以降低 token 消耗，并具备自动记忆审查与上下文压缩等机制。
推荐理由：对比了与 Grok Bot 的多 Bot 团队设计差异，并展示了在 DeepSeek Harness 上以插件形式组织多个 Agent 的思路。
MIT Technology Review精选AI 评分6666 我们对AI的拒绝能力信赖过度
记者Arthur Holland Michel在长文中系统论述了AI拒绝机制的训练原理、多层分类器防护的不完整性，以及将拒答用作审查工具的风险。作者指出，当前以拒答为核心的AI安全范式既会在能力不足时失效，又可能在被各国政府挪用后变成言论压制手段。文章还提到Anthropic Fable 5在放宽安全边界后被Amazon研究团队三天内破解，并描述了模型出现未被指令驱动的自发拒绝迹象。
推荐理由：文章系统梳理了AI拒绝机制的训练原理、多层分类器防护与典型失效路径，并指出拒绝能力同样可被政府挪用为审查工具。读者可据此重新审视以拒答为核心的AI安全范式。
量子位精选AI 评分6363 字节Seed发现DeepSeek-V4答题表现随输入Token位置周期性波动
字节Seed团队发现DeepSeek-V4在同一信息仅改变输入位置时，检索准确率会随分块KV Cache压缩步长周期性波动，最高差距达40.2个百分点。
推荐理由：分块KV Cache压缩会随步长引入周期性检索弱点，文中给出按压缩相位分别评测的方法，对评估同类长上下文模型有参考价值。
DeepSeek精选AI 评分8080 DeepSeek 发布 DeepSeek-V4.1-Flash，主打 KV cache 极限压缩
DeepSeek 发布多模态 MoE 模型 DeepSeek-V4.1-Flash，采用 CED 架构、CSA2 与 FP4 KV cache 等压缩手段，将全局 KV cache 占用压至每 token 890 字节，相对 DeepSeek-V4-Flash 和 DeepSeek-V1 分别缩减约 4 倍与 437 倍。
推荐理由：原文给出 CED 架构、CSA2 与 FP4 KV cache 等具体压缩设计，并对照 Opus-5.0、GPT-5.6 等前沿模型列出 agentic 基准成绩，读者可据此评估压缩策略对推理成本的实际收益。
DeepSeek精选AI 评分7373 DeepSeek 发布 V4-Flash-Vision-Exp 实验多模态模型
DeepSeek 发布 V4 系列首个实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp，在 V4-Flash 架构上加入视觉模块继续训练。
推荐理由：仓库同时给出与 Opus-4.8 的多模态 Agent 基准对比和开源推理实现，读者可据此判断它在 V4 系列里的相对位置。
DeepSeek精选AI 评分7676 DeepSeek-V4-Pro 0813 正式发布，新增 DSpark 推测解码模块
DeepSeek 正式发布 DeepSeek-V4-Pro 0813，在预览版基础上挂载 DSpark 推测解码模块，重点强化智能体能力。该模型在 HLE 上得分 42.7/60.0（无工具/有工具），Terminal Bench 2.1 达 87.9，DeepSWE 62.7。
推荐理由：正文给出与同代模型的基准对比和 vLLM/SGLang 部署方式，读者可直接评估其相对位置并复现推理流程。
Ai2 Blog精选AI 评分4646 Ai2 推出 TutorMoments 评测预览版，衡量大模型在辅导中能否把握'介入与退让'的时机
Ai2 推出 TutorMoments 评测框架预览版，基于 462 份美国一对一数学辅导转录稿（含逾 1500 个教师标注的关键时刻），以重放方式让大模型在决策点接管辅导并按'是否适时介入或退让'打分。
推荐理由：原文给出 7 个大模型在辅导决策点的对照分数与提示词效果，读者可据此判断模型在'介入与退让'权衡上的实际难度。
已经到底了