AI 日刊 · 2026-09-22
Product
1. Grok 4.7 同价发布，编码和长时任务明显变强
SpaceXAI 发布 Grok 4.7，今天可在 Cursor、Grok Build 和 API 使用。输入 2 美元、输出 6 美元每百万 token，与 4.6 同价。官方称基座更大，强化学习更长，训练偏向要做很多小时的任务，并让模型原生理解 Grok Bot。Terminal-Bench 4.0 从 20.3% 升到 38.0%，CursorBench 4.0 从 40.4% 升到 46.3%，法律代理从 15.8% 升到 19.6%。DeepSWE 71.0% 仍略低于 GPT-5.6 Sol 的 72.7%，HealthBench Professional 56.7% 也低于 Sol 和 Fable。另有两倍输出速度、两倍价格的快速档，适合等不及的任务。这些安全分和能力分都来自官方自测，还没有独立复现。
来源：@SpaceXAI
2. 小米开源了 MiMo-V2.6，开源智能指数暂居第一
小米发布 MiMo-V2.6 Pro 与 Flash，两款都是全模态模型，用同一套强化学习推进。官方说 Pro 在多数智能体基准上接近 Claude Opus 5 和 GPT-5.6 Sol，Artificial Analysis 智能指数 46，为当前开源最高。权重、技术报告、强化学习环境和训练代码一并公开。模型卡写明 Pro 是稀疏 MoE，总参数 1.02 万亿，每次激活 42 亿，上下文 100 万，输入覆盖文本、图像、视频和音频。厂商表上 DeepSWE 为 71.9，接近 Opus 5 的 74.0 和 Sol 的 73.0。ProgramBench 只有 26.5，仍明显低于 Opus 5 的 37.0。转发里的「第 6 名」是把 46 分读错了。
3. AgentRun 把重复合规流程写成可检查的程序
Grep.ai 发布 AgentRun，面向每天重复几千次的合规类工作。做法是先让前沿模型按规程做一遍，再把痕迹写成工作流。普通案件走代码、Jev 判断和便宜的研究模型，只有例外才回到完整智能体。反洗钱样例里，单条告警从 826 次工具调用、51 分钟，降到约 30 次调用、3 分钟。100 条新告警的成本从 2.89 美元降到 0.25 美元，合规裁判准确率从 90% 升到最后 300 条的 95%。按 10 万条估算，Opus 5 约 29 万美元，这套流程约 2.6 万美元。研究节点用 DeepSeek V4.1 Flash，Jev 每次约 150 毫秒。本周先给企业客户，崩溃恢复还盖不住模型节点。
来源：AgentRun: a harness for repetitive knowledge work
4. 谷歌正式发布 Gemini 3.8 Live，语音能边聊边调用工具
Google 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking。前者面向规模和成本，后者面向多步任务。官方称 Extended Thinking 在 Artificial Analysis 语音对语音质量指数上排第一，分数 82.6。τ-Voice 为 68.6%，Sierra 的银行语音任务为 35.1%，Big Bench Audio 为 97.7%。模型可近实时看画面，对话中切换 97 种语言，并在继续说话时后台调用工具。开发者可从 Gemini API 和 AI Studio 使用，企业侧目前是私有预览，Search Live 也已开始推送。官方演示用它做编程辅导，看屏幕并用函数调用对照 p5.js。博客没有给出独立复现。
来源：Google
5. Devin 接入 Grok 4.7，难任务更强但总分仍低于上代
Cognition 在 Devin Desktop 和 CLI 接入 Grok 4.7。在他们的 FrontierCode 1.1 Extended 上，分数是 59.4%。同表里 Grok 4.6 是 61.3%，GPT-5.6 Sol 是 60.6%，Claude Opus 5 和 Fable 5 都是 63.6%，GPT-6 Astra 是 64.5%。官方说它在 Java、Go、Ruby 的难后端任务上查得深，会读依赖源码，并用集成测试收尾。总分落后，是因为它经常做任务没要求的改动，diff 更大。这是 Cognition 自己的基准，按质量和能否合并打分，不是公开 SWE 榜。今天就能在桌面端和命令行里切换，但接入不等于它已经是里面最强的模型。
来源：@cognition
6. 开源视觉模型 Glance 用一次前向给出图像判断
Yohei Nakajima 放出 glance-qwen3-vl-4b，一个 Jev 式的图像判断模型。它问是非或选择题，从 Qwen3-VL-4B 的一次前向里读概率，不生成文字。演示里「是不是热狗」约 0.4 秒。模型已上 Hugging Face 和 Replicate。作者对比同一模型写 JSON：整张照片的是非判断少用约三分之一时间，一张图问很多问题时 GPU 成本最多少约 85%，准确率持平。新照片上，他说与最好的托管模型同一档。页面没有给出那组对照的样本数。适合质检和分类，不适合要它写说明的场景。
来源：Glance: typed answers about an image, read from an open model
7. 决策小模型 Kev 换到 Qwen3.5，并放出三个新尺寸
Jared Palmer 把 Kev 重构成基于 Qwen3.5 的开源决策模型，放出 0.8B、4B 和 9B 三个检查点，并给了可在 Modal 上跑的微调脚本。上一版是 Qwen3 上的 0.6B、4B、8B，用 LoRA 加一个小指针头。作者说现在仍然过度自信，计划再训一轮来改善校准。换到 Qwen3.5 后，本地速度有回退，MLX 支持还在补。仓库已经公开。它复现的是「给定选项后直接出判断」，不是 Jev 的完整训练和校准栈。校准没改完之前，高置信度不能直接当准确率。
来源：@jaredpalmer
Tutorial
1. 实测 Jev 选技能更快，准确率仍低于最大的模型
Daniel San 测了 Jev Skill Suggestion。设置是 26 个技能、10 条提示、每个模型 3 次。Jev 准确率 90%，中位延迟 330 毫秒。Haiku 是 80% 和 1.24 秒。Sonnet、Opus 和 Fable 都是 100%，延迟 2.2 到 4.5 秒。相对这些 Claude 模型，Jev 快约 4 到 14 倍，准确率低 10 个百分点，配套功能是把技能设成只能由用户调用，不放进上下文。每次请求由 Mod 把技能名单交给 Jev 分类，需要时才载入。样本只有 10 条提示，不能外推到所有技能库。它适合技能很多、可以接受偶尔选错的场景。
来源：@dani_avila7
Opinions/Thoughts
1. Simon Willison 认为决策模型虽便宜，但也更难解释
Simon Willison 把 Jev 称为决策模型，而不是又一个聊天模型。输入仍是文本或半结构化状态，输出是类别、是非、评分和置信度。首个模型只对输入收费，每百万 token 0.042 美元，输出免费，低于 GPT-5 Nano 的 0.05 美元。多个问题并行，时间接近只问一个。他试过用便宜检索先取 100 条，再用 Jev 重排。他的保留意见是，模型只返回数字，不说明哪个词触发了判断。他用「好城市吗」给湾区城市打分，Cupertino 最高，East Palo Alto 最低。因此他不建议用它给求职者排序。便宜使得做几百次评测只要几美分，评测也因此更必要。
2. 播客谈 Jev：难的是可靠完成普通工作，不是聊天
Latent Space 发布了与 TypeSafe CEO Diogo Almeida 的长访谈，时长约 2 小时 20 分。页面回顾他作为 InstructGPT 合作者的长期观点：API 上的前沿模型被聊天路线带走，对齐、拒绝和可靠性都跟着这条路收窄。Jev 被放在相反的位置，服务可靠的生产判断，而不是上帝视角的通用聊天。页面提出的矛盾是，模型能解决极难的问题，仍不能稳定自动化普通工作。发布视频的播放量被写成约 4000 万。这页主要是节目介绍和演示目录，不是逐字稿。具体论证要以节目本身为准。
来源：Jev: System One models for Prod, not God — with Diogo Almeida, CEO, TypeSafe AI
3. 智谱 ZCode 被指静默打包并上传完整工作区
一个 ZCode 分叉的说明称，安全研究者发现桌面客户端从第一个公开版本起，就静默打包用户完整工作区，包括 .git 历史、LFS 缓存和 reflog，加密后上传到智谱控制的阿里云 OSS。界面上的隐私开关不能阻止采集和上传。RSA 私钥只在服务端，用户解不开自己的数据。该分叉从 3.12.3 的 Linux AppImage 反编译出上传链路，改成用户自己的 OSS 密钥和自己的密码，并尊重开关。帖子还称上游关闭了 PR、清空历史，开源版不参加智谱优惠。后面这几项是发帖人看到的处理方式，仓库说明本身证明的是采集链路。
来源：GitHub