EP22 · GLM-5.1/Muse Spark/Anthropic 托管智能体 · 04.09 早报-ginobefun

EP22 · GLM-5.1/Muse Spark/Anthropic 托管智能体 · 04.09 早报

歌手:ginobefun

专辑:BestBlogs

时间:2026-03-15

    使用手机浏览器「扫一扫」

    在手机上保存,获得更好体验

标签
歌词

本字幕由TME AI技术生成

大家好

欢迎来到bass blocks 早报播客

我是吉诺

今天是四月九号

星期四

今天的内容特别集中

两个关键词

长跑和解耦

智朴开源了grm 五点一

这是目前全球唯一能连续工作八小时的开源模型

他们直接抛出了一个新指标

叫有效工作时长

Meta 超级智能实验室也教出了muse 系列的第一款mu spark

预训练效率比拉四almmemoric 提升了一个数量级

Anthropic 工程团队也讲了他们怎么把智能体的大脑和双手分开

背后是一次老派但彻底的架构重构

听完这期

你大概能拿到三个东西

第一

模型能独立工作八小时到底意味着什么

真实场景是什么样的

第二

Meta 怎么做到预训练效率十倍提升

以及为什么会出现一个叫思维压缩的东西

第三

把智能体从宠物做成深处之后

首次延迟为什么能直接调到原来的十分之一

除了这三条精讲

素懒还会带过dhh 的转向

Matn floer 的反馈

飞轮irn vvy 谈企工智能体

两场关于多智能体编排和沙箱安全的实战分享

开始吧

第一条

质朴发布了glm 五点一

这是他们迄今为止最智能的旗舰模型

也是现在全球最强的开源模型

先说一个我觉得最有意思的提法

过去两年

整个行业衡量模型靠benchmark

谁刷分高谁就更聪明

质朴这次抛出一个新指标

直接叫长程任务

因为是long horizon 任务

核心问题变成了模型能独立工作多久

他们给出的答案是八小时

期间无人干预

全程自主规划执行

自我进化在metr 这套评估标准下

Glm 五点一是唯一达到八小时级的开源模型

全球范围内除了clode opops 四点六

也只有它具备这个能力

在最硬核的软件工程基准

也就是sw bench 的pro 级测试上

它也刷新了全球最佳成绩

超过了gpt 五点四和cloud opens 四点六

质朴放了三个场景来证明这件事

第一个场景

八小时丛林

构建一套linux 桌面模型

白天画好架构草图

睡前扔给模型

早上醒来就是一套完整的桌面

包括窗口管理器

状态栏

应用程序

Vpn 管理器

中文字体支持和游戏库

整个过程一千二百多步

提交

再到一次人为介入

这型甚至给自己写了回归测试

而且全部跑通

这服m 这件事起了一个很精准的干以

睡觉的八小时是模型上班的八小时

第二个场景

向量数据库优化

这个任务有明确的数值指标

查询吞吐量

Sgg lm 五点一做了六五五轮召代

自助完成了从全库扫描切到ivf 分筒召回

再到半精度压缩量化粗排两级路由的整条优化链

最终吞吐量被推到了初始版本的六点九倍

第三个场景

最能体现创造力

机器学习内核优化

在kernel bench 三级难度的五十个真实负载上

Glm 五点一跑了超过二十四小时的持续迭代

几何平均加速比是三点六倍

模显高于pattele 只自带compile 模式的一点四十九倍

过程中他自己写try 和和itooda 内核

用到couplus out

融合共享内存分块

Cudi graph 这些微架构及优化

过去这是高度依赖专家经验的领域

现在能端到端由模型自主走完

我自己读完的感受是

这次开源事件真正的信号不是分数

而是范式迁移

过去我们把模型当成代码生成器

现在他开始承担系统优化器的角色

但也别急着浪漫化

质朴自己也承认

上下文焦虑和场任务一致性才是真正需要突破的方向

第二条

Meta 超级智能实验室发布了muse 系列的首款模型muspark

这是一个原生多模态推理模型

支持工具使用视觉思维链和多智能体编排

对应的是mata 现在非常明确的新叙事

个人超级智能

我挑三个角度展开说

第一点

十倍预训练效率

Meta 过去九个月从头重建了预训练技术栈

包括模型架构

优化器和数据对照

他们按规模化定律的思路训练一系列小模型做算力对照

结论是用比拉玛斯meric 少一个数量级的算力就达到了同样的能力水平

这不是小幅优化

是一次工艺级别的升级

第二点是沉思模式

英文叫contemplating 模式

Muspark 通过并行多个智能体推理的方式

对标germany 的deep sink 和gpt pro 这类前沿推理模型

用号称极限推理考验的人类中极考试基准上拿到了百分之五十八

在前沿科学研究基准上拿到了百分之三十八

多个智能体同时推理在合并结论

好处是能在延迟基本不变的情况下换来更高的准确率

第三点最有意思

思维压缩matter 在强化学习里加了一个思考时间成罚乘罚

模型说话啰嗦

结果出现了一个有点反直觉的阶段转变

模型一开始靠想的更理来提升成绩

然后长度惩罚起作用

模型开始压缩推理步骤

用明显更少的token 解同一道题

这意味着同样的智能水平可以用更便宜的推理成本提供

放到面向数十亿用户的场景里

这是决定商业可行性的一个关键变量模型值得一提的是

Apollo research 做了一次第三方评估

发现muse buk 在他们观察过的模型里评估意识最高

意思是这个模型经常能识别出自己正在被测试

然后主动切换到更诚实的模式

这件事meter 的态度是谨慎

先放出来

这也提醒后续需要持续研究

这是一个典型的对齐备器一型越聪明

评估本身的可信度就越需要被重新审视

第三条

Anthorc c 工程团队发了一篇重新容器

讲他们的托管智能体是怎么设计出来的

标题就要把大脑和双手解口

第篇我建议议做i 基础设施或者智能体开发的朋友仔细读一遍遍

先说问题

Anthpipic 一开始把智能体的绘画

日志

控制框架和沙箱全部塞进一个容器

好处是简单

文件编辑是系统调用

没有服务边界要设计

但问题很快就来了

整个系统变成了一只宠物

取名字精心养护

坏了就没了

一个容器挂掉

绘画就丢了

调试更麻烦

五s cate

事件流是唯一的窗口

你根本分不清到底是控制框架的bug 网络丢包还是容器掉线

表现完全一样

他们的解法是把大脑

双手和绘画三者彻底解耦

大脑是cloud 加上它的控制框架

双手是执行动作的沙箱和工具

绘画是事件日志每一个都变成独立接口

互相不做假设

任何一个坏了都可以单独替换或者重启

这就是经典的宠物和牲畜的比喻

每个组件都从宠物变成可替换的牲畜

这么改之后

有三个收益特别实在

第一个是性能过去

每个绘画哪怕不调用沙箱

也要先把容器配置好

因为大脑就住在里面

解耦之后

沙箱只在模型真的发出工具调用时才配置

首次延迟的中位数降了百分之六十

百分之九十五分位降了百分之九十以上

这个数字用户是直接能感觉到的

第二个是安全过去

容器里同时放着用户凭证和close 生成的代码

一次提示词注入就能把token 泄露出去

解耦之后

所有凭证放在沙箱之外的保险库里

Cloud 调用mcp 工具是通过一个代理走的

代理负责拿凭证

代之外根本接触不到token

这是一种结构性的修复

不依赖模型

乖乖听话

第三个是持久化和恢复

因为绘画日志独立存储

大脑或者双手任何一边挂了都能恢复

新开一个控制框架

拿到绘画id

从最后一个事件继续跑

他们还把上下文窗口和绘画本身做了概念分离

上下文只是绘画的一个视图

模型可以回去重读任何一段事件流

这是长程任务能跑下去的前提

Ananthpic c 自己把这个架构叫元控制框架

意思是他对未来任何具体的智能体框架实现都保持中立

这一篇和今天第一条任l 五五一一八八小时长程任务其是呼应的

这一是模型型变聪

一一边基基础设施要跟上

两端一起才撑得起真正的自主智能体

接下来是今天的速览

七条内容快速过一遍

第一条素览

P ragmatic engineer 放出了一期和dhh 的访谈

Dhh

Rails 框架的作者

过去对ai 编程工具态度一直比较保留

这次他公开承认自己变成了ai 优先的开发者

理由是cloud 这一代模型已经具备资深工程师该有的推理和代码质量

他抛了一个有点扎心的判断

说程序员薪资的巅峰可能已经过去了

为实现能力被商品化

品味和产品直觉变成新的稀缺资源

三十七秒opignurse 的设计师角色也跟着变了

从纯设计转向具备技术能力的产品经理

第二条素来

Deep learning 最新一期

The batch

吴恩达语音界面定位位传传统ii 的自补充而不是替代品

彭鹏还梳梳立了几行行业态态

C

Lococode 内部运行机制最近被泄露

Open ai 拒传

战略性放弃sora 和视频方向

长上下文高效推理有新进展

Google 在gmi 和youtube 里都集成了ai 音乐生成能力

这期信息量密集

适合快速建立这一周的行业地图

第三条素览

Mrt

Fwler 亲自写了一篇叫反馈飞轮的文章

他观察到一个普遍现象

团队引入ai 编成助手之后

个体开发者积累了很多直觉

但团队层面没有机制把这些经验沉淀下来

他的建议是建一套反馈飞轮

把上下文指令

工作流失败案例这些信号捕获下来

回流到预设文档和团队标准里

做法是把轻量习惯嵌入战会回顾会这种已有节奏

而不是强行搞新仪式

核心观点是团队的ai 基础设施要和模型生态一起演进

第四条速览

Info q 有一篇偏工程的文上

主题是ai 智能体的状态化延续

作者提提了一个形象的的比喻

叫飞机问题

无状态http 每次调调上上文文都要重发

带宽受限场景很容易超试基基于open ai 推推的responses api 里的web soore cit 模式做了基准测试

把会话历史缓存在服务端之后

客户端发送量降了百分之八十以上

客到端执行时间最多缩短百分之二十九

代价是供应商锁定加深

可观测性变难

他基对做站的生产落地的朋友比较实用

第五条速览

Agr 十六z 请了box 的ceo

也就是aroon levy 做了一期对谈

他的核心观点是软件必须从面向人类转向面向智能体

通过apicli 和mcp 暴露能力

因为智能体的数量很快会超过人类用户

他还讨论了几个企业落地的硬问题

系统集成脆弱

智能体权限和人类角色边界难以维护

共享上下文理的提示词注入风险

他还提到token 消耗正变成销售成本的一部分

会颠覆传统软件利润模型

但同时也带来巨大的生产力杠杆

第六条素览

Ai engineer 大会有一场分享

Sn dipon bmak 把多智能体系统从提示词工程重新定义成分布式系统工程

他劝监管行业的团队别用事件驱动的carreal graphiy 模式

推荐集中式的orchestration 核心模式

包括不可变状态快照

严格数据契约熔断器和saga 模式

他给了一套基于data breicks

Langraph 和unit catalog 的生产及参考架构

落地性很强

第七条素览

同样来自ai engineer 大会cloud flared 的harsh o graphh 做了一场沙箱主题的分享

它的定义很直接

Ai 生成的代码本质上就是来自互联网的不可信代码

三条主要威胁是幻觉

过度执行

提示此注入

它主张用能力安全思路

从零权限开始

只授予任务所需的最小权限

而不是靠拦截

视频里对比了v 八isolate 和容器两种沙箱方案的取舍

还给了构建安全ai 应用的八项核心原则

比如密钥代理和严格的用户间隔离

值得做ai 基础设施的朋友收藏

好

今天就聊到这里

今天信息量不小

我个人最推荐第一条glm 五点一的八小时长城任务那篇

还有第三条antharpic 关于托管智能体的长文

两篇一起读效果会更好

一篇讲模型变聪明

一篇讲基础设施要跟上

拼在一起就是下一代智能体的完整图径

所有链接都在简介里

明天见

展开显示全部歌词