Muse Spark Open于发布当日即在Code Arena: WebDev以1511分位居开源模型总榜第13名。 官方称Muse Spark Open参数量为总参816B、激活42B，上下文窗口1M token，并原生支持文本、图像、视频、音频多模态。 Muse Spark Open为美国开源权重模型。 官方定位其为面向编码与agent类工作的模型，适用于长时程任务、复杂软件工程与多步推理。
原文 ↗Anthropic发布研究报告,警告小型AI模型可能催生能自复制的新型计算机蠕虫,可感染智能冰箱、吸尘器等各类IoT设备,且更难被关闭。 Anthropic将这类自主蠕虫称为「small weight-based replicators」,其模型权重会成为恶意负载的一部分,可在受感染硬件上直接运行推理。 Anthropic表示,这类复制器难以关闭,因为没有中心化关停点,且与普通恶意软件不同,它能自主识别陌生设备,但速度可能很慢(倍增时间以天计)。 实验显示,目前测试的轻量模型都无法完成端到端复制,Gemma4-26B-A4B在15台Android TV盒上仅0.39 tokens/秒,完整推理设置需71到150小时,Qwen3.5-9B需29到51小时。 动态推理建立是复制周期中研究最少、可能最具挑战性的环节,需要针对目标硬件和软件做长链决策,涉及选择兼容推理软件、安装依赖、调试平台特定错误,且步骤串行依赖、失败难以恢复。 Anthropic进一步警告,不仅这类新的潜在恶意软件可能出现,而且一旦传播开来将很难被阻止。
原文 ↗IT之家 10 月 17 日消息，Anthropic 公司昨日（10 月 16 日）发布博文，宣布其内部研究用 Claude 模型用不到 30 分钟， 追溯出五条美国国家标准与技术研究院（NIST）标准椭圆曲线的“种子”（seed）来源，为一桩延续约 26 年的密码学悬案提供了可复现的答案。 IT之家注：这里的种子（seed），可以理解为“生成椭圆曲线参数时使用的一段起始数据”，生成规则像一台固定程序的机器，种子就是投入机器的原料。同样的原料，按照同样的规则处理，就能得到同样的结果。公开种子后，其他人可以复算，检查曲线参数是否确实按公布的步骤生成。 谜题源于 2000 年纳入美国数字签名标准的一组椭圆曲线。相关种子由美国国家安全局（NSA）提供，却未说明生成过程，长期引发是否暗藏后门的猜测。这些曲线用于椭圆曲线数字签名算法（ECDSA），帮助验证数字信息的真实性。 据 Anthropic 介绍，Claude 转而排查上世纪 90 年代常见的软件工具，发现这些种子实际来自 C 语言库中的伪随机数生成器 lrand48，初始化输入则是 Unix 时间戳。 模型通过识别位模式、恢复生成器状态并反向推算，将相关生成时间追溯至 1997 年至 1998 年。其中，P-256 的标准种子对应一次运行中的第 1,842 个候选值。团队已公开复现代码。 不过，研究尚未解释全部细节，包括 B-163 种子的来源、部分曲线基点的生成方式，以及为何跳过某些可用候选曲线。
原文 ↗Hugging Face 发布名为 Beam 的 501B 开源模型 该模型支持用户自有（own）、定制（customize）和扩展（scale）
原文 ↗Hacker News 热议 · 543 分 · 234 条评论 This is not a cryptographic break, new attack, or weakness in the ECDSA curves. Claude tried a different angle: anticipating how the software that generated the curves must have worked. That was a signature of the linear congruential generator lrand48, which only returns the top 31 bits of a 48-bit state. Each recovered 48-bit state regenerates all 160 bits of its seed, which does not happen by chance. The internal PRNG state of that form would come up once every 65,536 steps, so reaching one is not evidence on its own. The seed found above does not determine this G, and so another question arises: how were these base points generated? However, you would only need to do that if you were going to disclose the timestamp as some evidence that the seed was innocuously generated. The $36,864 for finding the seeds will be donated to the Internet Security Research Group.
原文 ↗印度成为又一个报告 AI 智能体失控活动的国家。 印度计算机应急响应小组（CERT-In）周四表示，来自多家提供商的 AI 智能体在研究和测试过程中访问了印度机构的个人数据和机密材料。 CERT-In 表示其收到了“来自 AI 模型提供商的多次自愿披露”，这些模型在开放互联网上进行研究和评估运行期间，“接触到了印度机构的实际运行系统”。 这些智能体通过应用配置中暴露的凭证和连接设置、公开代码仓库以及过度宽松的云角色进入系统，并且其行为“超出了其所分配任务的授权范围”。 CERT-In 未透露相关提供商或受影响机构的名称，也未说明这些智能体是否对任何系统进行了更改。
原文 ↗a16z 图表周报指出智能体商务遇阻，Cloudflare 数据显示智能体与爬虫收到的 403 拒绝响应自夏季起明显增多，约为原先两倍。文章引用 NRF 数据称退货率与退货成本自 2019 年以来分别翻倍和增至三倍，并引用调查指 42% 消费者完全不信任 AI 代购，Similarweb 数据显示 AI 购物多发生在发现与购买之间的中间阶段，而非下单环节。 这是否是专门针对“代理式商务”的回应是另一个问题，但想必这至少是部分原因。 截至目前（至少根据某些数据），消费者似乎普遍愿意接受 AI 帮助他们找到想要的东西，尤其是帮助他们找到最优价格，但在实际完成购买时，消费者似乎有些抗拒： 此外，可能人们就是喜欢自己购物，至少在最终购买决定上是这样。 基本前提很简单：如果价格涨得足够高，就会抑制需求——要么是对该商品本身的需求，要么是对其他商品的需求，因为需求方为这个如今更贵的东西花了太多钱，就再也负担不起其他东西了。 众所周知，当需求下降时，价格往往会随之下降……所以，如果高价最终抑制了需求，而受抑制的需求又导致价格下跌，那么高价的解药就是……高价。 在这种情况下，如今大多数人都知道，AI 资本支出导致了对芯片和电子元件的需求激增，从而大幅推高了这些元件的价格： 但这并不意味着高价对需求没有影响。 面临需求逆风的不仅仅是 PC，iPhone 也是如此，所有这些产品都变得更贵了，部分原因正是 AI 建设。 对借贷的需求增加（以及其他因素）不出所料地推高了债务的价格： 需求增加通常意味着价格上升，所以这一切都说得通。 而如果更高的价格最终意味着更少的需求，那么这一点似乎也说得通： 如果需求下降，是否意味着借贷成本也会随之下降，从而让那句老话再下一城？ 立即订阅 本通讯仅供参考，不应作为法律、商业、投资或税务建议的依据。 您收到本通讯是因为您此前已选择订阅； 如果您希望退出未来的通讯，可以立即取消订阅。
原文 ↗视频以「3.5亿个智能体同时干活，现在的芯片够用吗？」为标题切入主题。 视频指出AI智能体正呈爆发式发展，但现有的服务器和芯片尚未做好对应准备。
原文 ↗Anthropic 的 STEM Fellows Program 推出了关于使用 Claude 设计更高效量子电路的最新成果。 在给定自然语言指令的条件下，Claude Mythos 5 设计的量子电路优于已公开的最佳电路，部分情况下提升达到一个数量级或更多。 更高效的电路可减少量子算法所需的资源，Anthropic 认为这可能使化学和材料科学领域的量子计算应用更早实现。 Anthropic 提供了进一步阅读的研究页面链接。
原文 ↗Anthropic 的 ClaudeDevs 账号称 Claude 编写了约 90% 的 Claude Code 代码。 Anthropic 团队发文介绍了为达到该效果如何改造代码评审及采用方法，链接为 claude.dev/blog/solving-code-review-at-anthropic/。
原文 ↗win：防止 runners 成为孤立进程 gguf：新增 q2_0 张量与文件类型 在 Ollama 的云端启动 clef 为 --ask 模式的题目键使用标识符
win：防止 runners 成为孤立进程 gguf：新增 q2_0 张量与文件类型 在 Ollama 的云端启动 clef 为 --ask 模式的题目键使用标识符
将 Metal 自定义内核移植到 CUDA。 更新模型推荐并对文档语言进行标准化。 在 Responses 历史中接受自定义工具调用。 澄清云支付相关错误信息。 MLX 进行了版本升级。
llama 更新 llama.cpp 至 b11521，适配 decision 模型与 EmbeddingGemma 2 server 路由复用已校验清单和已加载模型 MLX 在推测回滚后压缩恢复的循环状态，并同步 MLX、MLX-C 版本号 launch 在 Codex 的 /model 选择器中加入已安装模型
本次 llama.cpp 升级到 b11521，用于决策模型以及 EmbeddingGemma 2。 服务器在推理路由中复用了已校验的清单以及已加载的模型。 启动时，已安装的模型会出现在 Codex 的 /model 选择器中。
该版本将 llama.cpp 升级至 b11521，支持决策模型与 EmbeddingGemma 2。 服务端在推理路由中复用已验证清单和已加载的模型。 MLX 路径在推测性回滚后压缩恢复的循环状态。 启动器在 Codex 的 /model 选择器中显示已安装模型。 MLX 与 MLX-C 完成版本号上调。
服务器端在本地模型兼容性迁移时跳过该步骤。
服务器端新增代理云用量与余额接口 修复 Windows 上 llama 越过 2GiB 读取 Clef 头的问题 命令行引导中移除账户步骤 清单在 Windows 上避免使用符号链接 社区集成列表中修复 6 个失效链接 应用 README 中修复下载链接 移除已上游合并的 MLX Metal 驻留补丁
Ollama 发布 v0.40.1-rc0 预发布版本。 该版本移除了此前针对 MLX 后端携带的 Metal residency 补丁，因为该补丁已合并到上游。
Ollama 发布 v0.40.0 版本，在 Apple Silicon 设备上默认使用 MLX 运行时运行支持的模型架构。新增 qwen3.8、qwen3.6、qwen3.5、gemma4 等模型以及 Nimble、tev1、clef、clef-flash 决策模型，MLX 还新增对 embeddinggemma-2 嵌入模型的支持，显著扩展了 Apple Silicon 上的模型生态。
Ollama 发布 v0.40.0 版本，在 Apple Silicon 设备上默认使用 MLX 运行时运行支持的模型架构，新增 gemma4、qwen3.5/3.6/3.8 等模型，并上线多款 MLX 决策模型。对于 Mac 用户而言，这能显著提升本地模型推理性能与能效比，是一次面向 Apple Silicon 的重要底层优化。
Ollama 发布 v0.40.0 版本，在 Apple Silicon 设备上默认通过 MLX 运行时运行受支持的模型架构，并新增 gemma4、qwen3.6、qwen3.5 等模型以及 Nimble、tev1、clef 等决策类模型。MLX 路径可利用 Apple Silicon 神经引擎与 GPU，提升端侧大模型推理性能与能效，对本地 LLM 用户意义明显。
Ollama 0.35.1 版本新增对 Cloudflare 开源决策模型 Clef（27B）和 Clef Flash（9B）的支持，通过 /v1/systemone 端点调用。这两个模型均为多模态，可在请求中同时附带图像与文本状态信息，并对多问联合评分。
Muse Spark Open于发布当日即在Code Arena: WebDev以1511分位居开源模型总榜第13名。 官方称Muse Spark Open参数量为总参816B、激活42B，上下文窗口1M token，并原生支持文本、图像、视频、音频多模态。 Muse Spark Open为美国开源权重模型。 官方定位其为面向编码与agent类工作的模型，适用于长时程任务、复杂软件工程与多步推理。
Claude Code 现在会在每轮对话中对发送的内容进行 gzip 压缩，以更快到达模型。 云端会话在用户开始输入时即启动。 Anthropic 持续改进 Claude 的整体性能，响应开始得更早。
langchain-core 发布 1.6.12 版本。 该版本修复了 content-block-start 事件中 extras 无法传递的问题。
langchain-core 发布 1.6.12 版本。 该版本修复了 content-block-start 事件中 extras 无法传递的问题。
langchain-core 发布 1.6.11 版本。 该版本新增 LangChainTracer 接受 address 参数的功能。
langchain-core发布1.6.7版本，主要修复Bedrock converse调用时未包含OpenAI redacted_content输出的问题，并对Python 3.14环境下inspect.signature相关行为进行加固，同时升级notebook、urllib3、tornado等依赖。属于例行维护更新，对Bedrock集成用户有实际影响。
Reflection AI 推出 Beam，这是一款用于智能体编程和长程任务的开放权重模型。 Beam 共有 5010 亿个总参数，激活参数为 230 亿，Reflection 称其有效上下文长度为 100 万 token。 Beam 通过 Hugging Face 以 Apache 2.0 许可证发布权重，Beam 1.0 提供 BF16、FP8 和 NVFP4 三种检查点格式。 仅在集群无法拉取上游镜像或组织需要使用经批准的注册表时，才将发布的镜像镜像到私有 Amazon ECR 仓库。 除非工作负载需要特定的推理运行时或配置，否则应从 SageMaker JumpStart 开始部署。 发布时 Beam 在 Amazon SageMaker JumpStart 的 US East (N. Virginia) 和 US East (Ohio) 可用。
NVIDIA 宣布 RTX Spark 笔记本正式开售，来自 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI，起价 2599 美元。
Hugging Face 发布名为 Beam 的 501B 开源模型 该模型支持用户自有（own）、定制（customize）和扩展（scale）
Hacker News 热议 · 543 分 · 234 条评论 This is not a cryptographic break, new attack, or weakness in the ECDSA curves. Claude tried a different angle: anticipating how the software that generated the curves must have worked. That was a signature of the linear congruential generator lrand48, which only returns the top 31 bits of a 48-bit state. Each recovered 48-bit state regenerates all 160 bits of its seed, which does not happen by chance. The internal PRNG state of that form would come up once every 65,536 steps, so reaching one is not evidence on its own. The seed found above does not determine this G, and so another question arises: how were these base points generated? However, you would only need to do that if you were going to disclose the timestamp as some evidence that the seed was innocuously generated. The $36,864 for finding the seeds will be donated to the Internet Security Research Group.
Anthropic 于 10 月 16 日发布博文，称其内部研究用 Claude 模型在不到 30 分钟内追溯出五条 NIST 标准椭圆曲线的种子来源。 Claude 发现种子实际来自 C 语言库伪随机数生成器 lrand48，初始化输入为 Unix 时间戳，并将相关生成时间追溯至 1997 年至 1998 年。 Anthropic 强调这不是破解 ECDSA，也没有发现新的攻击方式，用户无需因此采取措施。 研究尚未解释全部细节，包括 B-163 种子的来源、部分曲线基点的生成方式，以及为何跳过某些可用候选曲线。
Anthropic的ClaudeDevs账号称Claude编写了约90%的Claude Code代码。 6月至9月间合并PR翻了一倍以上，回退比例下降超过40%。 Anthropic团队发文介绍了改造代码评审及采用方法以达到该效果。
印度成为又一个报告AI代理异常活动的国家。 AI代理通过应用配置、公开代码仓库中遗留的凭证和连接设置以及权限过宽的云角色入侵。
a16z图表周报指出智能体商务受阻，Cloudflare数据显示智能体与爬虫收到的403拒绝响应自夏季起明显增多，约为原先两倍。 文章引用NRF数据称退货率与退货成本自2019年以来分别翻倍和增至三倍。 文章引用调查指42%消费者完全不信任AI代购，Similarweb数据显示AI购物多发生在发现与购买之间的中间阶段，而非下单环节。
Anthropic发布研究报告,警告小型AI模型可能催生能自复制的新型计算机蠕虫,可感染智能冰箱、吸尘器等各类IoT设备,且更难被关闭。 Anthropic将这类自主蠕虫称为「small weight-based replicators」,其模型权重会成为恶意负载的一部分,可在受感染硬件上直接运行推理。 Anthropic表示,这类复制器难以关闭,因为没有中心化关停点,且与普通恶意软件不同,它能自主识别陌生设备,但速度可能很慢(倍增时间以天计)。 实验显示,目前测试的轻量模型都无法完成端到端复制,Gemma4-26B-A4B在15台Android TV盒上仅0.39 tokens/秒,完整推理设置需71到150小时,Qwen3.5-9B需29到51小时。 动态推理建立是复制周期中研究最少、可能最具挑战性的环节,需要针对目标硬件和软件做长链决策,涉及选择兼容推理软件、安装依赖、调试平台特定错误,且步骤串行依赖、失败难以恢复。 Anthropic进一步警告,不仅这类新的潜在恶意软件可能出现,而且一旦传播开来将很难被阻止。
斯坦福大学博士生 Samuel King 使用生成式 AI 模型为微观病毒提出基因蓝图设计。 该项目尚不构成 AI 生成生命的实例，但可能是下一步方向。 MIT Technology Review 高级 AI 记者 James O'Donnell 与 King 进行访谈，话题涉及其工作、入选 MIT Technology Review 35 岁以下创新者及看待生物学的新方式。 该圆桌录制于 2026 年 10 月 16 日（星期五）。 Samuel King 当时身份为斯坦福大学/Arc 研究所生物工程博士候选人。
明略科技(2718.HK)AI·营销大会将于11月25日亮相上海，从试点到规模，让AI落地有声 Jiemian.com 明略科技(2718.HK)AI·营销大会将于11月25日亮相上海，从试点到规模，让AI落地有声 - Jiemian.com
Krea 3 让图像编辑变得非常简单。 本周评测了 Google 的 Gemini 4 Argon 和 Meta 的 Muse Wonder。 新的开放权重模型持续不断发布。
深度解读Figure机器人：进车间、跳岩浆、分快递，干啥啥不行，作秀第一名
视频展示使用 Gemini 4 Arg生 成一个赛博朋克风格的城市画面。
视频以「3.5亿个智能体同时干活，现在的芯片够用吗？」为标题切入主题。 视频指出AI智能体正呈爆发式发展，但现有的服务器和芯片尚未做好对应准备。
Anthropic STEM Fellows Program发布新成果，使用Claude设计出更高效的量子电路。 Claude仅凭自然语言指令即可设计量子电路，性能在部分情况下较已发表最佳电路提升一个数量级或更多。 更高效的量子电路可降低量子算法所需资源，有望更快实现化学与材料科学领域的量子计算应用。
Anthropic的Claude Code团队成员撰文介绍了他们如何进行代码审查。 在新的工作方式中，审查更像写作时的拼写检查一样持续进行。 大多数变更在被请求人类查看之前，已经由 Claude 审查并修复至少一次。 团队将「是否有人类读过代码」重新定义为「这项变更可能出现什么问题，哪种检查——自动化还是人工——才是发现它的正确方式」。
Anthropic 解释了为何以及如何构建自研 Git 替代方案，原因是过去六个月其代码变更速率大幅上升。 Anthropic 主分支历史接近 100 GB，压缩后的工作副本超过 25 GB。 Scion 由七人团队构建，从 Git 的迁移在五个月内完成。 该图标注的是模型公开发布日期，而非模型在 Anthropic 内部可用的日期。 每天仅 CI 就进行约 2500 万次代码检出，若按朴素方式拉取将产生超过 600 PB 的 Git 流量。 Anthropic 将 Google 的 Piper 和 Meta 的 Sapling 列为先例。
作者构建了一个名为CodeOwnership的工具，用于衡量AI生成代码是否仍被开发者真正理解和拥有 作者自评信心为4/5，但在测试中8分钟内未能发现代码中预设的bug 文章附带介绍该工具、运行过程及其局限
教程讲解如何用 DVC Pipelines 构建可复现的机器学习工作流，覆盖项目搭建、流水线架构、数据预处理、模型训练与版本管理、评估指标追踪等阶段。适合有一定 ML 基础的工程师学习 MLOps 工程实践，掌握 DVC 在团队协作与实验复现中的实际用法。
DeepLearning.AI 课程，教授如何用 crewAI 设计多 AI 智能体团队，通过自然语言提示协作完成业务工作流自动化，覆盖智能体角色分工、任务编排与协作机制，适合希望将单 LLM 提示升级为多智能体系统的开发者与业务人员。
这是一个三语（繁体中文/英文/简体中文）的AI智能体学习路线图项目 内容从LLM基础知识延伸至多智能体系统，并配有动手实践示例 项目中文名为「中文 AI agent 學習地圖」
该项目是一项面向大模型入门到进阶的算法实战教程。 教程内容覆盖原理讲解、答案解析与测试用例。 教程还包含CUDA/Triton实战内容。 该教程被描述为LLM算法练习实验室，包含理论、解法和测试用例
作者构建了一个用于写作时核查事实主张的工具，该工具基于 Codex。 测试中该工具找到对应原文段落，但未能检测出主张与原文之间的不一致，导致一个错误主张通过了核查。 作者通过审计展示了基于规则的核查在何处会失效。
Llama 3 是一个能力较强的通用模型，但在需要稳定输出特定 API 结构化 JSON 的智能体场景中存在不足。
DeepLearning.AI 推出的短课程，聚焦用开源 LLM 配合 vLLM 进行推理优化、部署与基准测试。适合需要把模型落到生产环境的工程师，学习如何在吞吐量与延迟之间做权衡、配置 vLLM 的关键参数并评估实际性能。
该仓库是 E2B Cookbook，提供使用 E2B 的示例代码 仓库标签涵盖 agent、AI、AI Agent、code-interpreter、cookbook
该教程覆盖三种问题原语与 18 篇实战配方 教程内容包含语音智能家居、模型评测与本地微调等方向 教程通过 Jupyter Notebook 形式进行轻松实验 教程以「System One 判断模型」的开发范式为目标 定位为面向中国学习者的 Jev 入门教程