AI 编程实时动态与要闻

Perplexity 11 月 12 日发布 pplx-decider-v1.3（基于 Qwen3.8-27B，约 26.1B 参数）和蒸馏版 pplx-decider-flash-v1.3（基于 Qwen3.5-4B，约 4.5B），权重以 Apache 2.0 上架 Hugging Face，并通过 Decisions API 和 OpenRouter 提供。新版加入 Locate，可按标签或指令抽取原文片段并返回字符位置。官方称 v1.3 在 63 项分类任务上平均准确率 91.6%，比其生产分类器高 6.54 个百分点。

查看大图

OpenAI 在对齐研究博客发布《What affects chain-of-thought monitorability across the model lifecycle?》，用「无 CoT 推理能力」和「CoT 可控性」两个代理指标，追踪从 GPT-5 到 Astra 级模型的思维链可监控性。四个结论：无 CoT 能力随基座困惑度下降平滑提升；部分架构在多跳规划和串行计算上超出困惑度预期；只有长度约束和最终答案评分的 RL 也会显著抬高 CoT 可控性；这种可控性还能通过 SFT 从教师模型传给学生模型。OpenAI 称结论「令人清醒」，但也强调可控性只是嘈杂的代理指标，在一对能力相当的模型上没有看到它与监控规避存在明显关联。

查看大图

Perplexity Secure Intelligence Institute 11 月 11 日发布研究《Escaping SPACE: Part II》，用 12 个模型红队测试 Perplexity Computer Agent 所用的 Firecracker 虚拟机沙箱 SPACE。新加入的模型是 Claude Mythos 5.1、Claude Opus 5.5 和 GPT-6 Astra。两项任务分别是逃出虚拟机拿到宿主机上的 AWS 凭证，以及绕过网络策略访问被拦截的 URL。结论有两条。一是常见的 CTF 夺旗式题目会让 Agent 把精力花在找凭证上，改成明确针对虚拟化层的提示后，相关投入平均提升约 60 个百分点，但仍没有任何一次逃逸成功。二是专攻安全的模型未必更强：网络绕过任务中 GPT-5.6 Cyber 三次全败，通用的 GPT-5.6 Sol 三次全胜；GPT-6 Astra 平均 4.8 分钟完成，也胜过偏安全方向的 Mythos 5.1。所涉漏洞已修复。

查看大图

Anthropic 发布 Claude Fable 5.2 后一小时内，Cursor 和 Perplexity 先后上线该模型并公布各自的内部评测。Cursor 官方账号称，Fable 5.2 在 CursorBench 上默认档（High）得分 56.9%，高于 Fable 5.1 的 49.2%；开到最高档时为 60%，是该榜第一。Cursor 配图显示默认档平均每任务成本约 9.70 美元。Perplexity 官方账号称，Fable 5.2 在其 WANDR 评测中得分 0.851，为该榜纪录，每任务成本 14.51 美元，位于性能与成本的帕累托前沿；Gemini 4 Argon 为 0.802（7.88 美元），GPT-6 Astra 为 0.735，Fable 5.1 为 0.684。两项都是厂商自家评测，并非独立公开基准。

查看大图

Perplexity Developers（@perplexitydevs）于 11 月 5 日宣布：Agent API 所有 effort 档位每查询成本下降、研究质量持平或更高，并新增面向广覆盖长跑的 ultra。厂商口径称 medium 在 BrowseComp/DSQA 从约 55% 提到约 77% 且成本降近 90%；xhigh WANDR 约 76.5% 且约为 8 月配置成本的 25%；ultra 三 Agent 并行再汇总，WANDR 约 85.9%、约 $21.71/任务。

查看大图

Perplexity 于 11 月 5 日由官方账号 @perplexity_ai 与 CEO Aravind Srinivas（@AravSrinivas）同步宣布 Teammates：在 Computer 之上为长期职责创建持久化个人 Agent，继承 Projects、Skills、Memory 与工具权限，拥有独立桌面与浏览器，可与其他 Teammate 协作，并在 Slack 频道主动监控与汇报。官方帮助中心写明现为面向个人 Max 订阅者的网页 Research Preview；Enterprise Pro/Max 默认不包含；原生移动/桌面应用后续推出。

查看大图

Perplexity CEO Aravind Srinivas 在 X 上公布 Gemini 4 Carbon 的早期评测：在 Perplexity 的 Wide-And-Deep-Research（WANDR）长篇研究基准上拿到 0.857，创新高，每任务成本 5.86 美元；Gemini 4 Argon 为 0.802（7.88 美元），GPT-6 Astra 为 0.735（13.34 美元）。他称 Carbon 是 Perplexity 目前见过长篇研究和回答质量最强的模型，待 token 容量充足后将向所有 Pro 和 Max 用户在 Perplexity Computer 中开放。

查看大图

Perplexity 官方正式宣布将 Perplexity Computer 功能原生集成至 macOS 客户端应用中。与此前高度依赖云端传输屏幕截图并接收键盘鼠标动作指令的传统 Computer-Use 方案不同，Perplexity Computer 实现了模型与智能体执行回路的全本地化运行（The model and the agent both run on your Mac）。通过深度调用 macOS 原生辅助功能（Accessibility API）与本地端侧轻量多模态模型，该功能消除了云端网络延迟，并在彻底保护用户屏幕隐私的前提下，赋能智能体在用户桌面上全自主操作本地应用、整理文件与执行跨软件复杂工作流。

查看大图

现有连续扩散语言模型（CDLM）普遍直接套用自回归 LLM 或图像 DiT 架构，存在特征尺度失控与梯度路由紊乱问题。小红书、北京大学、香港中文大学（深圳）与 UCLA 团队联合发表 LangDiT（arXiv:2610.22330）。通过骨干网与 Q/K RMSNorm、展宽噪声条件调制、词表头残差截断解耦及置信度门控自条件引导，在 OpenWebText 基准上将 LangFlow 生成困惑度压至 21.72，适配 Plaid 架构后进一步取得 11.33 的全新 SOTA 困惑度记录。

查看大图

现代混合专家（MoE）普遍结合“细粒度专家切分”与“共享专家”设计，但二者在底层产生致命冲突：共享专家均质化了 Token 表征，抑制了路由探索，导致组合膨胀的专家空间无法被充分利用。苏黎世联邦理工学院（ETH Zurich）与香港大学团队发表 MirrorMoE（arXiv:2610.22353，GitHub: BingcongLi/MirrorMoE），通过 Token 自适应抑制冗余专家收缩探索空间，在从 100M 到 2.4B 全尺度上实现显著的 PPL 下降与下游基准全线涨点。

查看大图

针对大模型数学证明缺乏步骤级验证标签与上下文精确复制存在 LM Head 梯度瓶颈的两大难题，今日两项基础研究给出突破：NYU/UCLA/Stanford 联合推出 LeanPRM（arXiv:2610.17697），利用 Lean 4 证明助手自动构建含 10,634 篇证明与 15.2 万个步骤标签的零人工标注数据集，将 Qwen3-4B 步骤验证准确率从 48.2% 拉升至 74.7%（远超 PRM800K 的 60.3%）；康奈尔大学提出复制粘贴语言模型 CPLM（arXiv:2610.19247），以仅约 3% 算力开销打破 LM Head 梯度瓶颈，使窗口仅 w=128 的滑窗模型追平全注意力困惑度并在 4 倍外推长度（16K）持续收益。

查看大图

Perplexity 开发者团队（@perplexitydevs）联合 OpenRouter 与 Vercel AI Gateway 正式上线新一代开源权重多模态决策模型 pplx-decider-v1.2（27B）与轻量级 pplx-decider-flash-v1.2（4B）。该系列模型支持同时输入文本与图像，直接返回带校准概率分布的类型化决策结果（Typed Answers with Probabilities），其中 27B 版本输入定价低至 $0.02/百万 Token，4B Flash 版速度更快且成本再砍半，成为智能体路由与工具选择的极速基础设施。

查看大图

Perplexity 宣布以 Apache 2.0 协议正式开源支撑 Perplexity Computer 每一次智能体任务执行的底层安全沙盒平台 SPACE（Sandboxed Platform for Agentic Code Execution）。该平台采用 Rust 编写，为每个智能体任务分配独立的 Firecracker microVM（或可插拔容器运行时），并将 API 密钥凭证管控与出站网络流量审计完全置于虚拟机外部，从架构根源上阻断提示词注入导致的密钥窃取，开源首日即斩获逾 1100 颗 GitHub Star。

查看大图

vLLM Semantic Router（vllm-sr）团队于 10 月 11 日在 Hugging Face 以 Apache-2.0 开源 Decision 3.0 系列（d3、d3-flash、d3-mini、d3-nano、d3-lite、d3-edge），基于 Qwen3.5/3.8，支持文本、图片和视频输入，一次调用直接输出选择题、是/否、打分三类问题的概率而不生成文本。官方口径：27B 旗舰 d3 在 Jev Decision Index 0.3.1 得 64.7，领先 Perplexity Decider v1.1（62.8）和上一代 Decision 2.0（55.9）；单张 MI325X 上文本请求中位延迟 55ms。vLLM 官方账号转发祝贺。

查看大图