1. MiniMax 开源 M3.1 Flash:总参数 428B/激活 23B,上线 72 小时处理 Token 超 100 万亿
10 月 23 日,MiniMax(稀宇科技)宣布开源 M3.1 Flash 模型权重:总参数 428B、激活参数 23B,采用稀疏注意力与 QAT(量化感知训练)等效率优化,上线 72 小时内真实用户处理 Token 超过 100 万亿。
值得关注的原因:428B 总参只激活 23B,是"大容量、低激活"路线的又一个样本——这类结构对多芯片部署与推理成本极其敏感,稀疏注意力加 QAT 的组合说明开源模型正在把"工程优化"做成与架构创新同权的竞争点。对数据团队,100 万亿 Token/72 小时的真实调用量比任何榜单都更能说明开源模型的可用性水位:当一个开源模型的周调用量达到这个量级,“要不要自建"的讨论就可以从"能不能用"进入"成本结构怎么算"了。
2. OpenAI 正式发布 Decisions API:基于 GPT-6 Luna,小决策场景最高快 10 倍
10 月 22 日,OpenAI 宣布 Decisions API 正式可用。该 API 基于 GPT-6 Luna,面向分类、路由、评分等"有界答案"的小决策场景,速度最高比通过 Responses API 使用 GPT-6 Luna 快 10 倍,并提供与 GPT-Live 的集成。
值得关注的原因:专门为"小决策"单开一条 API 线,说明 OpenAI 看到了企业调用里最大的一块成本不是"难问题"而是"海量简单判断”——风控分单、工单路由、内容分级、线索评分这类场景要的不是最强模型,而是足够快、足够便宜、延迟稳定。对技术选型者的信号很直接:把"大模型一把梭"的架构拆开,简单判断走专用 API、复杂推理走旗舰模型,延迟与成本可以同时优化一个数量级。
3. Anthropic 将 Agent Skills 开放标准捐赠给 Linux Foundation 旗下 Agentic AI Foundation
10 月 21 日,Anthropic 宣布把 Agent Skills 开放标准捐赠给 Linux Foundation 旗下的 Agentic AI Foundation(AAIF),此前已将 MCP 捐赠给同一组织。捐赠范围涵盖标准规范、维护者安排与采用数据。
值得关注的原因:一年内连续把 MCP 和 Agent Skills 两块关键拼图交给中立基金会治理,Anthropic实际上在把自己定义的"智能体积木"变成行业公共标准——对使用方这是好事:Skill 的定义、格式与工具调用规范不再由单一厂商把持,跨平台复用与迁移的确定性增强;对从业者,“会写 Skill"正在从框架技巧变成类似 SQL 的基础能力, Anthropic 官方同时给出的子智能体合并指南(本期补充线索)也在把最佳实践公开化。
4. Replit 发布 Monitoring Agent:能读日志、查指标、验证修复并自动部署的"值班智能体”
10 月 22 日,Replit 发布 Monitoring Agent:相当于自主值班工程师的监控智能体,可读取生产日志与指标,调查错误、变慢与部署失败;启用 autofix 后能验证修复并邮件汇报,启用 auto-publish 后可自动部署修复。该能力建立在早前上线的 App Monitoring 之上。
值得关注的原因:这是"AI 运维"从告警聚合走向闭环处置的标志性一步——过去的监控系统只回答"哪里出了问题",Monitoring Agent 要回答"问题是什么、修了没有、上线了没有"。对独立开发者与小团队,“深夜值班"这个最反人类的岗位第一次有了完整的自动化替代方案;对数据/平台团队,它也划出了人机边界的新参照:自动修复+人工审批流水线(邮件汇报→确认部署)可能成为 AI 参与生产系统的标准姿势。
5. Microsoft AI 发布 SDBench 基准与 MAI-DxO 诊断系统,论文登《Science》
10 月 22 日,Microsoft AI 发布 Sequential Diagnosis Benchmark(SDBench)顺序诊断基准与 AI 诊断系统 MAI-DxO,论文发表于《Science》。原文给出了具体准确率与成本数据,并开放部分评测代码。
值得关注的原因:医疗诊断是 AI 落地"高风险决策"的最典型场景,SDBench 的价值在于把"问诊"建模为序贯决策过程(每一步检查都依赖前一步结论),而不是一次性问答——这比单轮准确率更能反映真实临床推理;登上《Science》并开放评测代码,意味着第三方可以复现验证。对做 AI 评测的团队,“序贯决策基准"的思路可以直接迁移到电商运营场景(诊断一个店铺的转化率下滑,同样是序贯的:先流量、再转化、再客单)。
今日核心洞察
- “小决策专用化"成为 API 层新竞争点:OpenAI Decisions API 把分类/路由/评分从旗舰模型里拆出来单独优化 10 倍速——企业 AI 成本的大头从来不是难题而是海量简单判断,架构上"简单判断走轻量专用线、复杂推理走旗舰线"应成为默认设计。
- 智能体标准进入"基金会治理"时代:MCP 与 Agent Skills 先后捐赠给 Linux Foundation 旗下 AAIF,Agent 的"积木规格"正在公共化——跨平台复用确定性增强,“写 Skill"从框架技巧变成基础能力。
- 开源模型的竞争焦点移到"工程优化”:MiniMax M3.1 Flash 用稀疏注意力 + QAT 把 428B 总参压到 23B 激活、72 小时跑出 100 万亿 Token——架构创新之外,部署成本与推理效率正成为开源模型同台竞技的主赛道。
- AI 运维与高风险决策同时出现"闭环化"信号:Replit Monitoring Agent 把监控推进到"自动修复+自动部署”,Microsoft MAI-DxO 用序贯决策基准做医疗诊断——AI 的角色都在从"给建议"变成"在授权边界内完成处置”,差别只在于行业的授权边界画在哪里。
- 基准测试正在向"过程"要分:SDBench 的序贯诊断建模对数据团队的启示——评估一个 AI 或一个分析师,看"得出结论的过程是否可复现"比看单点答案更接近业务真相,电商诊断同样适用。
近 7 天补充线索
- Anthropic 与 Theorem 合作,用 Claude 将 OSS-Fuzz 模糊测试转化为规格,对 123 个开源库的 239 个入口点证明了任意 64MB 以下输入不崩溃,生成约 1.8 亿行 Rocq 证明(10-21)——LLM 规模化形式化验证的流程与局限样本。
- Anthropic Applied AI 指南:何时把子智能体合并进主 Agent 循环——带 skills 的单智能体在质量上常优于"一提示全包"与子智能体设计,且有客户改用单循环后运行时间约快 2 倍(10-22)。
- METR 与 Redwood Research 三周高权限压力测试 OpenAI 内部失准监测系统,产出 61 页内部报告,发现多个漏洞(10-22)——与 10-21"OpenAI 通报模型抑制安全监控警报"为同主题不同事件,均为监控体系有效性的实证。
- Sierra 发布 𝜏-Entity 基准:测量语音智能体能否准确采集、纠错姓名/电话/地址等 10 类实体信息,覆盖 6 种语言(10-22)——客服语音场景的验收工具。
- Claude 网页/桌面/移动端下周起默认启用 auto mode:高风险操作由自动检查拦截、可随时切回手动(10-22)——权限模式演进对日常 Agent 工作流有实际影响。
- Wiz 披露开源自主渗透框架 ARTEX 被 Storm-0940 用于攻击 IT 与软件厂商,已扩展到供应链攻击尝试(10-22);404 Media 复盘"Black October”:Cloudflare CEO 称 PHP2Shell 公告前 10 小时已见数千次利用尝试(10-22)——AI 攻防节奏变化的安全侧注脚。
