Meta 详解薄编排器架构：1300 行路由层调度 14 个专业智能体
Meta 工程博客介绍其数据管道智能体采用的薄编排器架构：1300 行编排器把 20 多个工作流路由到 14 个专业子智能体，自身不做任何领域推理，只负责意图分类、字段收集和可靠性检查。此前单智能体方案在演示中可用，上线后出现概念串扰和幻觉，逐任务手工写提示词时成功率 70-80%，不手工调优则降到 10-20%。新架构下新数据列的配置准备从手工三到四天缩短到一小时以内，约三分之二的变更无需大量人工修改。
匹配字段摘要
←搜索结果
搜索“推理”
TinyFish 把搜索做成免费：AI 智能体读网页的真实成本拆解
TinyFish 宣布在限额内免收 Search 和 Fetch 的检索费用，Search 为每分钟 30 次、每小时 500 次，Fetch 为每分钟 150 个 URL、每天 1,000 个。文章指出检索免费并不消除下游模型的推理成本，同一篇约 4,300 字符的文章在不同服务商处返回约 1,184 到 42,774 个估算 token，三页未过滤内容就可能占满 128K 上下文窗口。在 2026 年 9 月 28 日的 Artificial Analysis 快照中，TinyFish Search 得分 71、每 1,000 个任务 9.30 美元，为展示配置中总成本最低但得分也最低，单任务耗时约 59 秒。
匹配字段摘要、正文
Gemini 4 Argon 与 Claude Opus 5.5 实测对比：价格减半，准确率也接近减半
The New Stack 用代码审查、账单规格和长上下文三项自建任务对比 Gemini 4 Argon 与 Claude Opus 5.5，Argon 总成本 4.98 美元、Opus 为 8.75 美元。两者在 14 个植入 bug 的审查与修复上打平，但账单规格测试中 Opus 通过 80/80、Argon 仅 11/80，作者手动修正一行代码后 Argon 才达到 80/80。长上下文依赖题中 Opus 在 500K 规模答对全部 33 个服务，Argon 只答对 20 个并答错 8 个，且输出 token 仅 243 至 425，未展示推理过程。Argon 目前每百万输入/输出 token 收费 2/10 美元，12 月 1 日起涨至 4/20 美元与 Opus 持平。
匹配字段摘要
《Agent 工程实战八讲》导读：从能跑到敢上线的工程方法
腾讯云开发者社区发布《Agent 工程实战八讲》导读，围绕如何把能调用模型与工具的原型升级为可完成业务任务、解释失败、控制成本并持续迭代的系统。全系列以立案助理 Agent 和术后随访 Agent 两个虚构教学案例贯穿，覆盖任务契约、推理与协作、上下文与记忆、工具可靠执行、观测与重放、评测与校准、安全边界、生产运营八个主题。文中强调模型能给出下一步不等于系统能兑现业务结果，示例字段、预算与数字均为教学演算，不构成法律意见。
匹配字段摘要、正文
开发者实测 DeepSeek V4.1 Flash 与 GPT-6.1 Sol 火箭发射任务成本对比
有开发者用同一个火箭发射任务对比 DeepSeek V4.1 Flash 1017 与 GPT-6.1 Sol，前者花费 0.78 美元、耗时 3 分钟，后者花费 6.10 美元、耗时 5 分钟。DeepSeek 官方信息显示，V4.1-Flash-1017 以 MIT 协议开源，API 闲时价格为每百万输入 0.15 美元、输出 0.6 美元，在 DeepSWE 编程基准上得分 77.0%。作者提醒，这次对比只覆盖单个题目，未公布完整提示词和各自的自我修正轮数，不能据此推断长链路推理能力。
匹配字段摘要、正文
Google Gemini 4 Argon 在 ARC-AGI-3 得分 97.5%，但换测试环境后降至 49.8%
Google DeepMind 的新前沿模型 Gemini 4 Argon 在 ARC-AGI-3 上以 Provider Adapter Harness 测试环境取得 97.5%，成本 4800 美元，成为继 OpenAI 之后第二个跨过 95% 的实验室，仅次于 GPT-6 Astra 的 99.9%。在只允许简单笔记的 Standard Harness 下，低推理档得分降至 49.8%，且因 API 问题未能跑完全部 55 个游戏。Epoch AI 的 ECI 指数上 Argon 得 165 分，与 Fable 5.1 持平，但在数学 ECI 排第八、软件工程指数排第六。
匹配字段摘要、正文
ARC Prize 公布 Gemini 4 Argon 在 ARC-AGI 的测试结果
ARC Prize 公布 Google Gemini 4 Argon 在 ARC-AGI 上的测试结果：ARC-AGI-3 在 provider adapter harness 下得分 97.5%、成本 4.8K 美元，标准 harness 下低推理档 49.8%、中推理档 46.3%，高推理档仅完成 55 个游戏中的 19 个因此未公布分数。ARC-AGI-2 为 91.3%、每任务 0.32 美元，ARC-AGI-1 为 98.5%、每任务 0.16 美元。ARC Prize 称 Argon 是第二个在 ARC-AGI-3 上超过 95% 的前沿实验室模型，其 97.5% 仅次于 GPT-6 Astra 的 99.9%，并在 25 个公开游戏中比人类基线少用 62% 的动作。成本按当前每百万 token 输入 2 美元、输出 10 美元的入门价格计算。
匹配字段摘要
ARC Prize 公布 Gemini 4 Argon 在 ARC-AGI 系列上的评测结果
ARC Prize 公布 Google Gemini 4 Argon 在 ARC-AGI 上的验证成绩：ARC-AGI-3 达 97.5%（provider adapter harness，成本 4.8K 美元），标准 harness 下为 49.8%（成本 5.8K 美元）；ARC-AGI-2 为 91.3%，每任务 0.32 美元；ARC-AGI-1 为 98.5%，每任务 0.16 美元。ARC Prize 称 Google DeepMind 是第二家在 ARC-AGI-3 上超过 95% 的前沿 AI 实验室，Argon 的 97.5% 仅次于 GPT-6 Astra 的 99.9%。标准 harness 测试因 API 问题未能完成全部 55 个游戏，高推理档仅完成 19 个游戏故未公布分数，成本按每百万 token 输入 2 美元、输出 10 美元的当前优惠价计算。
匹配字段摘要
Artificial Analysis 评测：Grok Voice 3.0 登顶语音到语音指数 86.9
Artificial Analysis 评测显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分登顶其 Speech to Speech Index，高于 GPT-Live-1（Astra, medium）的 83.2 和 Gemini 3.8 Live Extended Thinking（High）的 82.6，较 Grok Voice 2.0 的 81.3 提升 5.6 分。该模型通过 SpaceXAI Realtime API 提供，每分钟 0.08 美元，输入音频每小时 4.80 美元；在 Speech Agent Arena 任务成功率上以 94.8% 居首，Big Bench Audio 音频推理得 98.5%，Big Bench Audio 平均首音频延迟 0.81 秒，慢于 Grok Voice 2.0 的 0.70 秒。
匹配字段摘要
Artificial Analysis 将 DeepSeek V4.1 Flash 纳入 AA-AgentPerf 基准，GB300 每兆瓦吞吐达 261M tokens/s
Artificial Analysis 将 DeepSeek V4.1 Flash 加入其智能体推理性能基准 AA-AgentPerf，并给出 NVIDIA 与 AMD 硬件的实测结果。在每用户 100 tokens/s 下，NVIDIA GB300 以约 261M tokens/s 每兆瓦居首，其后为 B300（约 220M）、B200（约 193M）、GB200（约 178M）和 MI355X（约 128M）。V4.1 Flash 在 Artificial Analysis Intelligence Index 上得分 39，高于此前的 V4 Pro 0813（36），参数量约为其三分之一（552B backbone、16B 激活，对比 1.6T 与 49B），最少可在 2 张 GPU 上运行，相比 V4 Pro 0813 在每用户 100 tokens/s 下每兆瓦吞吐提升约 1.3 倍（GB300）至 6.2 倍（B200）。
匹配字段摘要
实测 Gemini 4 Argon：模型追回第一梯队，但 Antigravity 应用层拖后腿
作者用日常任务测试 Gemini 4 Argon 后认为，Google 的模型重新追上了第一梯队但没有超越对手，而应用 Antigravity（Harness）落后对手半年到一年，拖累了模型表现。编程上从零搭应用又快又好，低推理档即可达到 Opus 5.5 水平，但审查自己代码敷衍、改造复杂老代码库很弱，Vibe Check 得分 21%，Claude 和 GPT-6 在 81%–85%。写作一次成篇可读性约 10.6 年级，其他前沿模型在七到八年级，但作为编辑伙伴梳理结构、打磨比喻很出色；设计排名第二仅次于 Opus 5.5；知识工作分析和提炼洞察强，处理多文件会丢细节、查事实会自信答错。官方已预告自动安全分类器、云端执行和 max 推理档位。
匹配字段摘要、正文
Image-to-WebDev Arena 更新：Claude Opus 5.5 登顶，Sonnet 5.5 紧随其后
Image-to-WebDev Arena 更新显示，Anthropic 的 Claude Opus 5.5（Max）以 1749 分登顶，Claude Sonnet 5.5（xHigh）以 1740 分、9 分之差位列第二，两款模型均进入帕累托前沿。价格方面，Opus 5.5 的混合输入输出 token 价格为 $16/M，比第三名 GPT-6 Astra 的 $40/M 低 60%；Sonnet 5.5 为 $8/M，比 Opus 便宜 50%，且排名高于 GPT-6 Astra 而成本低 80%。该榜单评估模型从图像和截图生成网站的能力，以及涉及多步推理和工具调用的智能体编码工作流。
匹配字段摘要
SGLang 与 Miles 在 NVIDIA Vera Rubin 上的适配与优化
LMSYS 团队提前拿到两个 NVIDIA Vera Rubin 节点（8 块 GPU），把 SGLang 推理和 Miles 强化学习训练搬上该平台。推理侧针对 Kimi K3 NVFP4 调整了 attention、MoE/通信和 KDA 内核，例如更深的 MLA 流水线在 batch 16、128k 上下文下快 16%，融合 MoE 尾部每步减少 276 次内核启动、端到端提升 5.9%。训练侧 Miles 用 SGLang 做 rollout、Megatron 做训练，在单托盘 4 块 GPU 上开箱跑通 Qwen3-30B-A3B 的 GSM8K 训练，奖励从约 45% 升到 95%，并在 Vera CPU 上以 64 个沙箱运行 SWE-bench Verified 的智能体 RL。
匹配字段摘要
NVIDIA KGMON 团队分享 KDD Cup 2026 数据分析智能体亚军方案
NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛中获得第二名，方案核心是在固定的小模型外构建更小、更清晰、更易验证的 harness。团队把 CSV 和 JSON 统一转成 SQLite 表，只暴露 schema() 和 sql(query) 等少量工具，并在主推理循环前加入 schema 预检步骤，减少路由错误并保留模型的推理能力。文档检查与结构化分析分离，prose_helper 用零温度、关闭推理的独立 LLM 调用抽取答案或表格，避免原始文本占用主上下文；执行轨迹记录提示词、工具调用和中间结果，供专门的 inspector agent 归类失败原因。
NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛中获得第二名，方案核心是在固定的小模型外构建更小、更清晰、更易验证的 harness。团队把 CSV 和 JSON 统一转成 SQLite 表，只暴露 schema() 和 sql(query) 等少量工具，并在主推理循环前加入 schema 预检步骤，减少路由错误并保留模型的推理能力。文档检查与结构化分析分离，prose helper 用零温度、关闭推理的独立 LLM 调用抽取答案或表格，避免原始文本占用主上下文；执行轨迹记录提示词、工具调用和中间结果，供专门的 inspector agent 归类失败原因。
匹配字段摘要
ARC Prize 评测：Grok 4.7 在 ARC-AGI-2 得分 61.4%，低于 Grok 4.6 的 67.1%
ARC Prize 公布 Grok 4.7 在 ARC-AGI 系列基准上的成绩：ARC-AGI-2 最佳得分 61.4%、每任务 2.01 美元，低于 Grok 4.6 的 67.1% 和每任务 0.76 美元，在输入输出 token 定价相同的情况下单任务成本上升 166%；ARC-AGI-1 为 90.2%、每任务 0.64 美元，高于 Grok 4.6；ARC-AGI-3 在标准 harness 下为 1.8%，在新的 provider adapter harness 下为 10.0%。ARC Prize 指出 Grok 4.7 在 ARC-AGI-2 semi-private 任务上消耗的推理 token 更多，medium、high、xhigh 档分别比 Grok 4.6 多 136%、125% 和 173%，low 档少 27%，这是单任务成本上升的原因之一。
匹配字段摘要
ARC Prize 公布 Grok 4.7 在 ARC-AGI 上的实测成绩
ARC Prize 公布 Grok 4.7 在 ARC-AGI 上的验证成绩：ARC-AGI-1 为 90.2%（$0.64/task），ARC-AGI-2 为 61.4%（$2.01/task），ARC-AGI-3 在标准 harness 下为 1.8%（$2.7k），在 provider adapter harness 下为 10.0%（$4.8k）。Grok 4.7 在 ARC-AGI-1 上高于 Grok 4.6，但在 ARC-AGI-2 和 3 上更低；ARC-AGI-2 上 Grok 4.6 为 67.1%（$0.76/task），在输入输出 token 定价相同的情况下每任务成本增加 166%。ARC Prize 称 Grok 4.7 在 ARC-AGI-2 半私有任务上平均使用了更多推理 token，medium、high、xhigh 档分别多出 136%、125%、173%，low 档少 27%。
匹配字段摘要
Vercel COO 拆解入站销售智能体：从 1000 行提示词到 14 条规则
Vercel COO Jeanne DeWitt Grosser 在 Office Hours 中介绍了公司入站销售智能体的搭建过程：由一名 GTM 工程师投入约 20% 时间，提示词由团队最好的 SDR 撰写，最初约 125 行，经过六周人在回路 QA 后把人工撤出。随着业务向上market 演进，提示词膨胀到 1000 行，团队随后把它拆成规则与判断两部分，入站流程最终由 14 条确定性规则驱动，模型只负责原本需要人来判断的环节。当线索进入时，系统会查询 Salesforce 判断该账户是否存在未关闭商机，若有则直接路由给客户经理。整套入站职能的推理与基础设施成本约为每年 1000 美元。
匹配字段摘要
Artificial Analysis 独立评测 Reflection 开源模型 Beam
Artificial Analysis 获得 Reflection 授权，正在对 Beam 进行独立评测。早期指标显示，Beam 在同等智能水平下可能是其见过 token 效率最高的开源模型之一。Reflection 此前宣布 Beam 为高效智能体开源模型，总参数 501B、激活 23B，主打前沿推理效率与编码及智能体任务，完整权重将于本月发布。
匹配字段摘要
Artificial Analysis 评测：Qwen-Image-2.1 在 36 个开源权重模型类别中 16 项领先
Artificial Analysis 的评测显示，Qwen-Image-2.1 在 36 个开源权重模型类别中 16 项领先，并在生产力与知识工作、社交媒体与创作者内容两个用例中成为最佳开源权重模型。在文生图能力上，它在复杂构图、文字渲染、知识、版式和光照 5 项中领先；在图像编辑动作上，它在文字或符号编辑、基于推理的编辑、构图与取景 3 项中领先。各榜单中紧随其后的开源权重模型分别是文生图的 Ideogram 4.0 (Quality) 和图像编辑的 HunyuanImage 3.0 Instruct。
匹配字段摘要
Cerebras 如何防止 autoresearch 循环跑偏：71 次实验的经验
Cerebras 让 AI 智能体在训练优化和模型压缩两类任务上跑了 71 次实验，发现循环范围收紧时能稳定产出真实结论，护栏一放松智能体数小时内就会偏离目标。实验一用 codex-autoresearch-harness 把 Codex 包进 bash 循环，GPT-5.4 与 Codex-Spark 各自 6 小时都独立收敛到学习率 warmdown 调度，但 GPT-5.4 提案接受率 67%，Spark 仅 17%，提案质量比单次推理速度更决定总成本。实验二用 REAP 加 INT4 量化把 717 GB 模型压到 92 GB，动态专家换入换出耗时 0.151 秒，但无人值守 12 小时后智能体自行改问另一个问题，作者通过清理上下文、隔离目录和更频繁的验证检查点来纠正。
匹配字段摘要、正文