OpenAI万级Agent实测：36小时吞吐1万亿Token【AI 早报 2026-10-16】
今日看点：OpenAI联手Third Moment Research完成万级Agent极限实测；阶跃星辰开源600B MoE模型Step 5 Preview；苹果智能确认十月底入华。
今日概览
要闻
- OpenAI万级Agent实测：36小时吞吐1万亿Token
模型发布
- 阶跃开源600B MoE模型Step 5 Preview 激活参数仅27B
- 小米开源首个端到端空间音频理解大模型MiDashengLM-Spatial
- Google Gemini 4 Argon进军机器人控制
- DMAD开源四步音视频生成模型 支持8GB显存
开发生态
- APUS开源Reflex Agent 用决策模型替代大模型调度
- GitHub代码扫描Agentic autofix正式可用
- 清华开源Agent工作台PilotDeck更新2.0
- Codex 0.163.0新增配置搜索与任务跟进
- Transformers v5.20.0新增Meta多模态MoE模型
产品应用
- 库克确认苹果智能十月底入华 iPhone Duo仅中国生产
- Amazon Bee推出两款AI可穿戴 售价74.99美元起
- OpenAI推出Rosalind学术计划
技术与洞察
- AA-Robotics首测通用大模型操控机械臂
- 清华等揭示LLM思维惯性
- SpecTr-GBV统一多草稿与块验证加速推测解码
- EinsiaAl发布自进化具身Coding Agent
行业动态
- Modal年化收入破10亿美元 估值达157.5亿
前瞻与传闻
- GitHub Copilot将于11月16日弃用三款模型
要闻
1. OpenAI万级Agent实测：36小时吞吐1万亿Token
OpenAI与初创公司Third Moment Research在量化金融场景完成了万级Agent极限实测，10,000个Agent同时运行36至48小时，每天消耗1万亿Token。测试中，单个任务轮次的工作量相当于人类工程师41年，且无人教导如何修改系统底层。Agent发现美股逐笔订单回测单次需等待3小时后，自主定位底层瓶颈，重写缓存优化与内存紧凑打包方案，将单次回测时间从3小时压缩至3至5分钟，提速97%，并清理了被轮询挤占的上下文窗口。在真实回测中，GPT-6.1 Sol顺数据追查到某交易所非公开展示交易占成交比例异常，识别出此前未被注意的“暗池”流动性对策略收益的影响。实验显示，GPT-5.5及更早版本只能按人类脚本执行，GPT-5.5与GPT-5.6可基于初步结果设计下一轮实验，而GPT-6 Astra、Sol及GPT-6.1 Sol已能在主Agent发现异常时拉起成百上千个子Agent并行跑对照实验。
来源：https://mp.weixin.qq.com/s/4-OWkn8GF1SvyLZ3pnKROA
模型发布
2. 阶跃开源600B MoE模型Step 5 Preview 激活参数仅27B
阶跃星辰正式开放Step 5 Preview权重，包括BF16与FP8模型权重、技术博客及配套开源开发工具。该模型面向长程Agent任务设计，采用稀疏MoE架构，总参数量600B，每token激活参数仅27B，支持100万token上下文窗口，原生支持文本与视觉输入，在AI编程、软件工程、专业知识工作和金融场景表现突出。Step 5 Preview近期在OpenRouter周调用量、日调用量榜单均位居全球第二。权重已上线Hugging Face和ModelScope，提供面向多种芯片平台和推理框架的适配，开发者可通过vLLM或SGLang部署兼容OpenAI接口的API服务，也可用Transformers离线推理。技术博客披露，模型采用92层窄深架构为隐式多跳推理提供更深计算路径；Sparse GQA通过块级索引与稀疏计算合并降低百万token上下文开销，其中8 token块级索引可将索引与top-k选择开销降至原来的1/8；训练在关键状态与参数上保留FP32精度并结合细粒度梯度裁剪，缓解深层网络的激活异常与梯度尖峰；并构建覆盖软件工程、科学推理、机器学习研发和专业知识工作的百万级可验证环境，将上下文压缩纳入端到端策略训练。
3. 小米开源首个端到端空间音频理解大模型MiDashengLM-Spatial
小米发布并开源Dasheng系列新成员MiDashengLM-Spatial，据称为业界首个开源的端到端空间音频理解大模型。该模型以MiDashengLM-7B为基座，采用双分支音频编码器：Dasheng Semantic Encoder完整继承原有音频编码器（骨干基于Dasheng-Huge 0.6B），Dasheng Spatial Encoder采用轻量化的Dasheng-Base（86M）架构，两条分支通过跨层语义到空间特征注入连接，分别提取语义与空间信息并统一融合为音频Token。团队使用规模远小于原始数据（>100万小时）的约1万小时双耳音频数据扩展空间理解能力，同时保持通用音频理解性能。数据层面，小米基于头相关传递函数（HRTF）与虚源法（ISM）模拟不同室内声学环境，合成时长约1分钟的双耳音频场景，包含多个静态或动态声源，并利用LLM生成场景级空间音频描述。该模型已应用于小米智能家居、汽车座舱等场景，相关技术落地超过30项。
4. Google Gemini 4 Argon进军机器人控制
Google正推动Gemini 4 Argon成为机器人唯一需要的AI模型，该模型可控制机器人、从照片或草图生成仿真，并评估训练视频。在Google自己的ERQA基准上，Gemini 4 Argon取得87%的成绩。不过，Google公开的示例提示词显示，这些演示仍需大量人工引导。
来源：https://the-decoder.com/google-wants-gemini-4-argon-to-be-the-only-ai-model-robots-need/
5. DMAD开源四步音视频生成模型 支持8GB显存
DMAD项目团队开源用于联合音视频生成的MiniMax-H3四步学生模型，同时发布面向图像、视频和音视频的少步蒸馏方法、训练与推理代码。在MiniMax-H3-33B上，DMAD将50步教师模型蒸馏为4步学生模型，减少去噪迭代次数而非压缩模型参数，方法通过critic（判别器）直接学习指导学生更新的分布差异，省去持续拟合学生分布的辅助扩散模型。开源版本支持1344×768视频与32 kHz原生立体声音频，并提供8GB显存消费级显卡可用的约5秒ComfyUI工作流。实验显示，在4张H200、MiniMax-H3-33B rank-128 LoRA配置下，每次学生更新及关联判别器更新耗时从818.1秒降至233.3秒，训练更新加速约3.51倍。代码、模型与论文已在GitHub、ModelScope和arXiv公开。
开发生态
6. APUS开源Reflex Agent 用决策模型替代大模型调度
APUS开源Reflex Agent，采用MIT协议，提供桌面端、Web和SDK。该系统采用自研Reflex决策模型（基于Qwen3.5的4.5B参数模型微调）完成Harness中的决策环节，围绕无限记忆、无损记忆、无损输入构建无限上下文方案，旨在解决长任务“失忆”与高频工具调用延迟问题。在架构上，专用决策模型负责判断下一步行动，Harness负责流程调度、工具管理、状态跟踪和执行反馈，形成“决策→执行→反馈→再决策”闭环，不再所有环节都依赖大模型；测试场景下页面响应速度相比同类Agent提升2至3倍。三层记忆机制中，无限记忆持续累积任务全量信息，无损记忆完整保存原始信息与关联关系，无损输入保证检索调入上下文的信息不做有损改写，Agent按需检索记忆片段而不依赖压缩摘要，APUS将这种锁定目标、自动执行、自检修正的工作方式称为Loop Working。
7. GitHub代码扫描Agentic autofix正式可用
GitHub宣布Agentic autofix for code scanning alerts正式GA。该功能像开发者一样跨代码库工作：探索相关文件、提出修复、重跑CodeQL确认修复关闭告警后再开Pull Request。用户可在默认分支的代码扫描告警上直接分配给Copilot，也可在告警列表或安全活动中一次最多选25条告警让Copilot合入单个PR修复，或通过Update a Code Scanning Alert REST API将assignees设为["copilot-swe-agent[bot]"]调用。该功能仅支持仓库默认分支的告警，PR或其他分支检测到的告警无法分配。访问需企业管理员在Advanced Security policies中启用“Agentic autofix”策略，并定义Copilot billing method，消耗来自Code Security预算的AI Credits和GitHub Actions minutes。
8. 清华开源Agent工作台PilotDeck更新2.0
由清华大学THUNLP、面壁智能、OpenBMB和AI9Stars联合开发的开源AI Agent工作台PilotDeck发布2.0版本。该工作台面向任务，以工作区组织项目，每个工作区拥有独立的文件、记忆和技能，支持项目级隔离与多任务并行。2.0重点优化日常办公场景：内置办公Skills覆盖Word、Excel、PPT，Word支持批注、修订和页面检查，Excel关注数据、公式和计算结果，PPT覆盖内容与视觉编辑并通过结构检查、前后对比、逐页渲染核对成果。记忆白盒化使生成、抽取、存储与使用全链路可追溯，出错可定位修改，并内置Dream模式在空闲时间自动归纳整理。智能路由将不同工作分给合适模型，测试显示主子模型全部使用同模型比开启智能路由费用高4倍多。开发者可通过官网或GitHub Release下载桌面安装包，也支持Docker容器部署。
9. Codex 0.163.0新增配置搜索与任务跟进
OpenAI Codex CLI发布0.163.0版本。新版本支持打开/config界面，可跨类别搜索偏好、立即更改受支持的设置，并查看哪些更改需要重启。此外，用户现在可以在Codex执行任务的过程中发送follow-up指令。
来源：https://github.com/openai/codex/releases/tag/rust-v0.163.0
10. Transformers v5.20.0新增Meta多模态MoE模型
Hugging Face Transformers发布v5.20.0，新增模型Muse Spark Open。该模型是Meta推出的多模态混合专家（MoE）模型，支持文本、图像、音频和视频输入，并生成文本。
来源：https://github.com/huggingface/transformers/releases/tag/v5.20.0
产品应用
11. 库克确认苹果智能十月底入华 iPhone Duo仅中国生产
苹果现任董事会执行主席蒂姆·库克确认，Apple Intelligence将在十月底正式推送测试版本，上线功能包括实时翻译、照片App消除工具及写作工具，而基于谷歌Gemini重构的Siri AI不在其中。工信部备案信息显示，苹果已于9月29日拿到监管许可，多款国行iPhone完成进网许可换证，新增通义千问、通义万相与苹果智能三项大模型备案，覆盖iPhone 15 Pro及之后机型。据媒体爆料，Apple Intelligence中国版云端模型能力由阿里承担，百度负责Siri和视觉智能的本地化适配。库克还表示，即将于10月23日上线的iPhone Duo折叠屏手机将全部放在中国工厂生产。
12. Amazon Bee推出两款AI可穿戴 售价74.99美元起
亚马逊去年收购的AI可穿戴公司Bee被收购后推出首批新品：Bee Frontier可佩戴于手腕或别在衣物上，售价74.99美元；Bee Eclipse为信用卡大小、可磁吸于手机背面的设备，售价99.99美元，均低于Plaud Note（159美元）和PocketAI（129美元）。两款设备用AI捕获日常对话并转为摘要、待办和洞察，例如根据与朋友商定的计划创建日历邀请；免费功能包括对话摘要和14天记忆，每月11.99美元的Bee Pro订阅增加无限摘要、个人聊天助手及与Amazon.com、Alexa+和第三方应用的集成，并支持Gmail与Microsoft Outlook。Bee的私有计算架构实时处理音频且不存储，用用户设备控制的密钥加密转录文本，连亚马逊员工也无法访问；用户可选连接Alexa的Voice ID。Bee Frontier已在亚马逊上架，Eclipse稍后跟进。
13. OpenAI推出Rosalind学术计划
OpenAI推出Rosalind Academic Plan，为符合资格的学术实验室提供赞助访问GPT-Rosalind及相关工具，以推进生命科学研究。
来源：https://openai.com/index/introducing-the-rosalind-academic-plan
技术与洞察
14. AA-Robotics首测通用大模型操控机械臂
大模型评测机构Artificial Analysis发布AA-Robotics v0.1，首次将GPT、Claude、Gemini等前沿通用大模型拉进真实机器人考场，控制Hiwonder NexArm六轴机械臂挑战倒水、写字、搭积木等八项零样本任务。首批五款模型成绩：GPT-6 Astra 69.4分，GPT-6.1 Sol 64.6分，Gemini 4 Argon 55.3分，Claude Opus 5.5 48.8分，Claude Fable 5.1 46.3分；分数不是成功率，Astra拿到四道题满分，Sol反而有五道满分。时间与成本反差显著：除Gemini 4 Argon平均耗时约52分钟外，其余四款完成一项任务约半小时，而人工直接操作基线平均仅约20秒，慢近两个数量级；Astra平均每项任务模型调用成本16.36美元，Sol只要1.93美元。按红色按钮这样的小任务，Astra花2.2分钟，Claude Fable 5.1花约10分钟理解场景才开始操作。
15. 清华等揭示LLM思维惯性
清华大学联合牛津大学、斯坦福大学提出“思维惯性”（Thinking Inertia）概念，测试6个主流模型（DeepSeek、Qwen、Gemini、GPT）、6个基准、6种干预方案、超过57万条输出，结论是没有任何一种“别思考”指令能让模型真正停止推理。其中DeepSeek-V4-Flash在开放式题目上，即使关闭思考模式，99.9%的回答仍包含显式推理。研究建立三层测量框架：L1空思考率ETR、L2问题相关度QRel（用Qwen3-Embedding-4B计算）、L3显式推理率EIR（由GPT-5.5盲评裁判按五分类表判定）。实验发现，判断题上多数模型ETR达80–100%基本能闭嘴，开放题上ETR全线崩塌接近0；反向实验中保持开关关闭仅加一句“Think step by step”，推理立刻复活。用最强指令压制时，开放题上ETR从接近0拉到约40%，但平均准确率掉约15个百分点，EIR仍高达62%。同一批MMLU/MMLU-Pro数学题在Qwen3-32B上只改答案界面：选择题准确率77.8%、ETR 10.5%；改写判断题准确率78.9%、ETR飙到62.5%、EIR降到36.9%；改写开放题准确率跌到52.6%、ETR为0%、EIR达90.1%。
16. SpecTr-GBV统一多草稿与块验证加速推测解码
中国人民大学与中国医科大学团队在EMNLP 2026提出SpecTr-GBV，将multi-draft与greedy block verification（GBV）统一进同一推测解码框架。该方法把多条draft token blocks与target token block的验证写成最优传输问题，在保持输出分布一致性的同时最大化期望接受长度。与SpecTr逐位置验证不同，SpecTr-GBV把每条草稿的不同前缀视为候选sub-block，围绕最终与target sequence匹配到多长定义acceptance length，以sub-block为单位联合验证，并在多条draft sequences中搜索保留最长可接受子块，从而同时解决“候选够不够多”和“能不能一次接受得更长”两个长期分开优化的问题。
17. EinsiaAl发布自进化具身Coding Agent
Einsia AI旗下Navers Lab团队发布EmbodiedEvo，一个自进化的Coding Agent，让每个任务仅用一个Playground场景，让Agent在交互中积累代码Skills和文字Lessons，探索结束后冻结harness交给新Agent在未见场景评估，无需更新模型权重即可带着经验出发。Agent用Python程序控制机器人，接口只有四个环境原语：get_instruction、get_observation、step、reset，底层控制器负责逆运动学和动作插值，高级技能如“抓取成功”需Agent结合反馈自行组织。在RoboDojo评测中，EmbodiedEvo取得平均分45.08、成功率38.95%，超过所有VLA/WAM、Agent、Agent+VLA方法，登顶Agent赛道榜首。
来源：https://mp.weixin.qq.com/s/eRUBxlDFxuEXfdRp4PNYBQ
行业动态
18. Modal年化收入破10亿美元 估值达157.5亿
Modal宣布年化收入（ARR）突破10亿美元，并完成7.5亿美元D轮融资，投后估值157.5亿美元，由Accel领投。自C轮以来，平台用量增长至三倍，同比增长超过15倍。Modal于2023年推出Sandboxes，目前该产品自身年化收入达3亿美元，已累计启动近30亿个sandbox，并可扩展到100万并发，用例覆盖后台Agent、强化学习、vibecoding平台等。
来源：https://www.latent.space/p/ainews-modals-1b-arr-16b-series-d
前瞻与传闻
19. GitHub Copilot将于11月16日弃用三款模型
GitHub宣布将于2026年11月16日在所有GitHub Copilot体验（包括Copilot Chat、inline edits、ask和agent模式及代码补全）中弃用Claude Opus 4.8、Claude Opus 5和GPT-5.6 Terra，建议替代分别为Claude Opus 5.5、Claude Opus 5.5以及GPT-6.1 Sol或GPT-6 Luna。其中Claude Opus 4.8将对年费个人Copilot订阅者保留。在默认模型启用下，替代模型会自动为Copilot Enterprise和Business客户启用，除非管理员关闭全局默认或显式禁用该模型；关闭全局默认的用户需在Copilot设置中通过模型策略开启。弃用后无需操作移除模型，GitHub Enterprise客户如有疑问可联系客户团队。
暂无评论。