2026年10月20日星期二
PERIOD HIGHLIGHTS
MODEL RADAR
DeepSeek 发布 DeepSeek V4.1 Flash 1017。据 AIHOT 精选的单一信源，该模型在 Artificial Analysis Intelligence Index 得分 45，比 DeepSeek V4.1 Flash 提高 6 分，与 GLM-5.3 并列开源权重模型第二，仅次于 MiMo-V2.6-Pro。
Arena 宣布，Meta 的 Muse Wonder Full (Max) 首次进入 Code Arena: WebDev 榜单，得分为 1726 分，排名第 6。这一结果使 Meta 成为在该榜单上排名进入前列的第 3 家实验室，此前这一位置由 Google 持有。证据来自单一信源，未披露榜单参评模型总数、评测时间窗口及与第 5 名的分差。
fal 宣布与 bfl_ai 合作发布后训练视频模型 FLUX 3 Max。该模型在第三方 image-to-video 质量评测中并列第一，生成 10 秒、720/768p 视频约需 12 秒。fal 表示未来三周对该模型提供 75% 折扣，并将其标注为同质量级别中价格最低的前沿视频模型。
PRODUCT
Inception 的扩散模型 Mercury 3 已在 OpenRouter 上线，生成速度超过 1,000 tok/s，支持 1M 上下文，速度是 Mercury 2.5 的 4 倍。Inception 称，该模型在 IFBench、GPQA Diamond 和 SWE-Bench Atlas 上超过 GPT-6 Luna 与 Haiku 5.5。上线期有五折优惠，价格为每百万输入 token $0.10、每百万输出 token $0.35。
Beam.win 在 Product Hunt 发布，核心能力是让用户在一台 Mac 上运行 AI agents，并在另一台设备上使用这些 agents 的窗口。它针对的是 AI agent 的运行环境与操作界面被绑定在同一台机器上的问题，使执行与查看、操作分离。
INDUSTRY
MiniMax 发布 M3.1 Flash，在 Artificial Analysis Intelligence Index 上比上一代提升 13 分至 42，成本降低一半；在 DeepSWE v1.1 编码基准上得分 73.7%，单任务成本低于 0.30 美元，在性能与价格上均与 Deepseek V4.1 Flash 1017 相当。
10 月 18 日，有开发者发现 OpenAI 的 API 模型列表中突然出现三个此前未公开的模型条目；同一信源还提到 DeepSeek 开放搜索与网页抓取 API、智界将获独立造车资格并计划上市。但证据仅提供标题和一句摘要，未说明三个模型的具体名称、能力与开放范围。
开源 AI 编码工具 OpenCode 的在线平台部分遭到入侵，攻击者窃取部分用户的 API key，并使用这些密钥在用户的 AI 账户上产生费用。报道同时指出，OpenCode 在事件中转而求助的 AI 工具拒绝查看相关恶意代码。
Hugging Face 政策负责人表示，在 AI 组织内部设置所谓“中立”第三方观察者的嵌入式评估员方案，并不是容易落地的解决办法。该构想在过去几个月因 AI 实验室接连出现安全事件、外界对技术潜在危害的担忧上升而受到关注。
Anthropic 披露 Claude Code 的代码审查流程：约 90% 的代码由 Claude 生成，大部分审查也由 AI 完成。6 月至 9 月，合并的 PR 数量翻了一倍多，回滚量下降四成多。审查分七层，包括提交前自证、多个 Agent 分头找 Bug 并投票、人工按风险分级签字；Agent 的 Approve 不计入人工审批。
RESEARCH
一项 arXiv 论文提出按六类风险语言及其严重程度评估面向患者的医疗问答模型，并用三个 LLM 组成的评审团打分。在 K-QA 的 200 条真实患者问题上测试六个 7-9B 模型后发现，风险语言与事实幻觉率在统计上相互独立，医疗微调没有降低总体风险，只是改变了风险类型分布。
论文针对企业零售工作流提出 RetailBridge，一个由 persona 驱动模拟生成的组合式零售基准，要求智能体在结构化产品与订单记录、非结构化咨询与评论等异构来源之间链接实体和中间答案。作者同时提出 RetailRAG 框架，包含自动 schema 简介、按来源路由的计划链和诊断式计划修订。实验显示 RetailRAG 在所有评估维度上持续优于现有 agentic RAG 基线；在 RetailBridge 上评估十个 LLM 骨干后，多源证据链被识别为跨提供方和模型规模的主要瓶颈。
arXiv 论文提出 BrandEval，一个面向产品危机沟通的双轨基准。BrandEval-Static 评估利益相关方感知的战略分析能力；BrandEval-Dynamic 则在名为 BrandPolis 的多智能体沙盒中，用消费者反馈、竞品回应和信任风险轨迹来压力测试响应策略。作者还构建了中文危机响应数据集 BrandSRD，并用 Strategic Rationale（SR）实现参考 Strategic Agent。测试发现，静态战略质量虽与部分终局结果相关，却无法可靠预测波动与延迟恢复，动态压力测试还暴露出策略在操纵性内容或依据薄弱时的尾部风险失败。
论文 FlowMaker 针对生成式 AI 工作流提出联合优化方法：用户提交任务后，系统同时选择工作流结构、模型分配和部署配置，并依据动态集群状态即时决定是否复用已部署的 LLM。作者称，与包括 Murakkab 在内的现有基线相比，FlowMaker 将 goodput 最多提升 10.14 倍，成本最多降低 2.77 倍。
论文提出 Wellocate 模拟实验基准，在生成景观与经过打乱的 GB1、PhoQ 蛋白数据集上，测试五个语言模型作为无工具、仅依赖提示历史的极简 agent，在固定预算下于探索新候选和复测确认之间做选择。结果显示模型在两个方向上误分配测量预算：三个模型过度确认、把多数预算用于复测；一个在生成景观上确认不足、过度信任单次读数，且所有模型最终选择都不如基础脚本策略。