覆盖 2026-09-02 07:00 至 2026-09-03 07:00（Asia/Shanghai），run 20260903T151731+0800。 自动抓取 142 条、去重 2 条；人工检查 25 个 adapter-required 源。GitHub Releases API 的 9 个源返回 403，BAIR blog 超时，reddit-machine-learning 返回 429；GitHub 官方 Atom 与 Hugging Face 20 个官方组织已另行补查。

今天的共同主线是：token 单价没有上涨，不等于一次 Agent 任务没有变贵。 Gemini 3.8 Flash 与 Muse Spark 1.3 都把新增能力放在更长推理、更多工具调用或更高 reasoning 档位里；与此同时，EarlyEval、Declarative Attention、投机解码 co-design 和 PyTorch 2.14 都在试图把这些新增计算重新省回来。

本期事实以 Google Gemini 3.8 发布、Meta Muse Spark 1.3、Qwen 官方 changelog、PyTorch 2.14及论文原文为底座；Artificial Analysis 只承担独立评测，AINews、smol.ai、Hacker News 与 Reddit 只用于发现和覆盖审计。

今日重点关注

  • Gemini 3.8 Flash 在年底前维持 3.7 的 token 单价，但更愿意“多想”。 Google 明说它可能采取更多推理步骤、工具调用并消耗更多 token；Artificial Analysis 的独立 Agent 评测里，高档每任务成本从 0.40 美元升到 0.58 美元，约增 40%。
  • Muse Spark 1.3 同时出现“更省调用”和“更贵任务”两个结果。 Meta 的内部 coding 对照报告约少 20% 工具调用、少 25% token；但 Artificial Analysis在另一套 Agent 评测中测到 xhigh 每任务 0.55 美元，高于 Spark 1.2 的 0.40 美元。harness 和 reasoning 档位决定了哪个结论适用。
  • Qwen3.8-Max-0902 补齐原生视觉与协作 Agent。 官方更新记录称这个快照增强 coding、多工具调用与协作式 Agent，同时保留 1M context、thinking 和 tool use；发布页没有给出可独立复核的每任务成本。
  • Repo-To-Skill 把 1,000 个 GitHub 仓库蒸馏成 5,000 多个已验证 skill。 论文在固定 GPT-5.5 backbone、harness 与预算下报告 MLE-bench 提升 134.3%、PaperBench 提升 34.4%，把“先读仓库再做任务”变成可复用的外部能力层。
  • EarlyEval 选择在已经大概率失败时提前停。 论文用中间轨迹训练成功/失败分类器，在三类 Agent benchmark 上减少 13–26% 步数、最多减少 44.1% 输入 token，平均解决率变化控制在约 1–2 个百分点。
  • PyTorch 2.14 把 MoE dispatch/combine、NVFP4 和更多分片规则纳入同一版。 这些接口里有不少仍标为 private 或 unstable，但已经把 Agent 任务背后的低精度、collective 与 expert routing 变成框架级能力。

一、模型与能力

本节并排看 Gemini 3.8 Flash、Muse Spark 1.3和 Qwen3.8-Max-0902：三者都在扩展 Agent 能力，但只看每百万 token 标价会漏掉运行时的真实工作量。

Gemini 3.8 Flash 保持单价，任务账单却未必保持

Google 把 Gemini 3.8 Flash 的重点放在复杂推理、coding、工具使用和多语言上。发布方报告 Humanity’s Last Exam Verified 为 54.9%，内部 20 种语言 benchmark 超过 70%；这些数值都受 Google 自己的模型配置和评测环境影响，本文不把它们当成跨厂商统一排名。

更值得注意的是计费合同。3.8 Flash 在 2026 年 12 月 31 日前沿用 3.7 Flash 的 introductory price：每百万输入 token 0.75 美元、输出 token 3.75 美元；从 2027 年 1 月 1 日起分别变为 1.50 与 7.50 美元。Google 同时提醒，3.8 会执行额外推理步骤和工具调用，可能使用更多 token；若目标是低延迟或高效率，可降低 reasoning effort 或继续用 3.7。

Artificial Analysis给了“同价不等于同账单”的独立样本：其高档 Intelligence Index 为 59，比 3.7 高 3 分；每任务成本却从 0.40 美元升至 0.58 美元，平均输出约 48K token，较 3.7 多约 30%，Agent turn 也更多。medium 与 low 档分别约为 0.41 与 0.24 美元。该结果只适用于其 Agentic Index harness，但它明确说明了为什么采购表里的 token 单价无法直接代表任务总成本。

Gemini Cyber 把更宽松的能力留在受控通道

同一发布还带来 Gemini 3.8 Flash Cyber。Google 称它在 CWE-Bench 上为 47.2%，与其引用的领先 frontier 结果 47.8% 接近；在 Chrome 自动修复内部实验里，正确 patch 数为更大商业模型最佳结果的 2.6 倍。这些仍是发布方与合作方口径，不能替代公开可复现评测。

产品边界比单个分数更关键：公开 Flash 使用更强 safeguard，Cyber 版本更少拒绝高风险网络任务，只通过 Fairwind向可信防御团队提供。Fairwind 要求参与者属于政府、企业或关键基础设施的内部网络、事件响应或渗透测试团队，并设置 MFA 与操作控制；计划已经有 650 多个伙伴。Google 还把 Gemini Cyber 与 CodeMender harness、总额 1 亿美元的 Google.org 网络安全资助放在同一框架里。这里发布的是能力、准入和资助组合，不是“模型已经安全”的证明。

Muse Spark 1.3 的省与贵取决于运行档位

Meta把 Muse Spark 1.3 定位为 coding 与通用 Agent 模型，支持文本、图像、视频输入和 1M context。Meta 的内部 coding 对照称，相比 1.2，1.3 完成任务时约少 20% 工具调用、少 25% token；模型在 Muse Code 和 Meta Model API 上可用，最强的 max reasoning 档仍处于受限预览，并继续做安全测试。

独立评测揭示了另一面。Artificial Analysis测得 xhigh Intelligence Index 为 61、max 为 62；Tau3 Banking 从 35 提到 47，TerminalBench 从 80 提到 85。与此同时，xhigh 每任务成本从 Spark 1.2 的 0.40 美元升至 0.55 美元，Agent 评测平均输入 token 约多 57%、输出约多 8%；max 在 GDPval 上又比 xhigh 多 62% reasoning token。

这两组结果并不矛盾。Meta 测的是自己的 coding 工作负载与 harness，Artificial Analysis 测的是统一的多项 Agent 评测；“每次调用更有效率”和“整项任务使用更多推理”可以同时成立。团队要记录的不是一个静态模型价，而是 模型 × reasoning 档位 × harness × task 的完整成本。

Qwen3.8-Max-0902 把视觉放进 Max 路径

QwenCloud 官方 changelog记录，9 月 2 日的 qwen3.8-max-0902 是 Qwen3.8-Max 的升级快照：加强 coding、协作式 Agent 与多工具调用，并新增原生视觉理解；仍支持 1M context、thinking 与工具使用。

公开变更日志没有给出独立可复现 benchmark，也没有披露新增视觉和更长 Agent 运行对每任务 token 的影响。本期因此只确认功能合同，不沿用 AINews 或社区转发里的榜单数字。

二、Agent 系统与评测

本节看两个相反方向：Repo-To-Skill在运行前把仓库知识压成可复用 skill，EarlyEval则在运行中识别已经不值得继续烧 token 的轨迹。

Repo-To-Skill 把仓库理解从 prompt 变成外部能力层

Repo-To-Skill 的 DisCo pipeline 从 1,000 个机器学习仓库抽取、验证并组织出 5,000 多个 skill，覆盖 20 个领域与 178 个方法家族。Agent 在任务前检索并加载相关 skill，而不是每次重新遍历整个仓库；作者还让 skill 经过可执行验证，减少只会复述 README 的无效知识卡。

在固定 GPT-5.5 backbone、Agent harness 和预算下，论文报告 MLE-bench 相对提升 134.3%、PaperBench 提升 34.4%、FrontierCS 提升 9.2%，并在 PassNet 上提高 14 个百分点。这个设计把增益更干净地归因给外部 skill 层，但 5,000 多个条目都来自机器学习仓库，尚不能证明相同方法会无损迁移到普通业务代码、安全敏感仓库或快速漂移的依赖生态。

真正可复用的工程合同是：skill 必须保留来源、版本和可执行验证；检索命中只是候选证据，不应让过期 skill 覆盖当前仓库事实。

EarlyEval 不预测最终答案，而是预测这条轨迹还值不值得跑

EarlyEval从 Agent 运行的中间行为、状态与任务特征训练 LightGBM 成功/失败分类器；当失败概率超过阈值时提前终止。它没有降低单步模型成本，而是砍掉高概率失败轨迹尾部。

在 SWE-bench Verified、TerminalBench 与 Toolathlon 上，作者报告减少 13–26% Agent step；输入 token 最多减少 44.1%，输出 token 最多减少 29.4%，预测准确率为 89–97%，平均解决率扰动约 1–2 个百分点。这个交换并非免费：阈值太激进会提前杀死后程反转的任务，分类器也可能随模型、harness 和题型漂移。更稳妥的部署方式是把 early stop 当成带预算的 policy，并持续记录误杀、节省与分布变化。

VibeVoice 把说话人归因塞进流式 ASR

VibeVoice-ASR-Streaming是一套 7B 流式、带说话人归因的语音识别模型。输入由固定长度音频、短 lookahead 和先前文本组成，团队同时开放 1.5B 与 7B 权重；论文报告在五个 ASR 数据集上取得最低 WER/CER，并在 13 组说话人归因对照中 12 组最佳或并列最佳。

这些都是作者报告的技术报告结果，尚需真实噪声、重叠说话和长会话上的独立复现；但它说明流式系统不一定要把 transcript 和 diarization 拆成两个完全独立的后处理阶段。

三、AI Infra

本节把 PyTorch 2.14、Declarative Attention和 NVIDIA 的投机解码 co-design连起来：模型多用掉的计算，正在由框架、KV 可见范围和硬件对齐共同追回。

PyTorch 2.14 把 expert routing 变成 collective 接口

PyTorch 2.14包含 2,995 个 commit、487 位贡献者。NVGEMM 后端加入 epilogue fusion、scaled 与 NVFP4 路径，并能和 Triton、ATen 实现一起 autotune；其中 NVFP4 路径依赖 Blackwell，不能外推到所有 CUDA GPU。

分布式侧新增 nccl2 后端，带 fault-tolerant reconfiguration 与 one-sided RMA。框架还加入 private TokenSwitch API，把 MoE 的 dispatch/combine 直接映射到 NCCL 2.30，并在不传 out 时支持 autograd。它已经指向 embedding/weight transfer 与 expert routing 的统一通信路径，但 private 标签意味着接口和兼容性仍可能改变。

AMD RDNA3 上的 FlexAttention tile 配置在低几百 token 的场景报告约 2–8 倍 latency 改善；MPS 修复单 token F.linear 后，发布方称 M5 上 prefill 提升 2–4 倍。2.14 还把 DTensor 的算子分片规则从 2026 年 1 月的 585 个扩到 1,239 个。所有数字都来自 release blog，应在目标硬件与 workload 上重测。

Declarative Attention 让模型自己标出哪些 KV 还值得看

Language Models Can Control Their Own Attention让模型输出 <global>、<focus> 和 <local> 等控制标记，推理引擎据此限制后续 token 可见的 KV 区间。和只能按固定窗口裁剪不同，模型在生成时声明哪段上下文需要继续全局可见。

作者在 Gemma4 31B 和 Qwen3.6 27B 上报告，总 attended token 分别减少 52.0% 与 31.1%，准确率分别下降 1.27 与 2.75 个百分点。它省的是 attention 读取与计算，不会自动减少 MLP、tool call 或模型输出；控制标记若判断错误，也可能把后面才需要的证据过早藏掉。它更像一份可学习的 KV visibility policy，而不是无损压缩。

投机解码的 N 必须和 GEMM tile 一起设计

NVIDIA把 speculation length D、draft 宽度 G 与 GPU tile 放在同一个设计空间。文章给出的近似关系是：当 decode 的 attention 占主导时，D ≈ 128/G - 1，从而让 G(1+D) 靠近 128 的整数倍；对 6144×6144 expert GEMM，D=7 时达到 compute-bound 所需 batch 约为无投机路径的八分之一。

这不是一个可照抄到所有模型的最优 N。文章比较外部 draft、EAGLE3、MTP、DFlash、DSpark 与 n-gram，不同路径的 draft 成本、接受率和 kernel shape 都不同。可复用结论是先测 target workload 的接受长度与并发，再让模型结构和 kernel tile 对齐，而不是只把 proposal length 调大。

GitHub API 受限时，本期还用官方 Atom 补查了 9 个 release 源。llama.cpp b10766在窗口内修正 DeepSeek4 的 vision input 支持；vLLM 的 CUTLASS MoE permutation 修复和 Ollama RC 只保留在取舍账本，没有被包装成重大发布。

四、产品与治理

模型路由权逐渐进入企业设置后，默认模型和不能被读取的内容需要在同一个控制面里定义。

Copilot 的内容排除开始覆盖 app 与 CLI

GitHub宣布 Copilot app 与 CLI 已正式遵循 enterprise、organization 和 repository 层的 content exclusion。管理员可以阻止受限文件进入 Copilot 的上下文；这条边界如果只在 IDE 生效、在 CLI 或 app 失效，就会形成策略旁路，因此跨入口一致性比新增一个开关更重要。

同日的 managed default model让 enterprise 和 team 为 Copilot app、CLI 与 VS Code 指定任意默认模型，并允许配置可被用户覆盖的映射。两项更新合在一起，构成了最小企业 policy：哪些上下文永远不可读、默认把任务路由到哪个模型、用户何时可以偏离默认值。

默认模型不应只按 token 单价选择。本期 Gemini 和 Muse 的独立评测都表明，同一标价下 reasoning effort、turn 数和 harness 会改变每任务成本；管理面需要记录实际 task spend、成功率和越权命中，而不是只显示 provider price table。

五、安全与访问边界

Gemini 3.8 的公开版与 Cyber 版再次说明，frontier capability 的产品形态越来越像“模型 + safeguard + 准入 + 监控”。

更少拒绝必须配上更窄的使用者集合

Google 把 Gemini Cyber 描述为更强、也更少拒绝防御性网络任务的配置，但没有把它直接放进公共 API。通过 Fairwind申请的团队必须证明组织身份和防御职责，并接受 MFA 与操作控制；公开 3.8 Flash 则保留更严格 safeguard。

这套设计和昨天 Anthropic 的 Fable/Mythos 分流属于同一趋势，但本期不借昨天的事实填充今天的正文。今天能从一手发布确认的是：Google 承认 Cyber 更 permissive，并把访问范围缩到受信任防御者。尚未公开的是完整 system card、受限版误用测试覆盖和真实部署中的监控效果，因此不能把“受控准入”写成“风险已经消失”。

模型设置和内容排除也是安全控制

Copilot 的 content exclusion 控制输入边界，managed default model控制执行默认值；二者都可能被层级继承与用户 override 改变。上线前至少应验证三件事：策略是否在 app、CLI、IDE 一致生效；override 是否留下可审计记录；被排除文件的派生摘要、缓存和 tool output 是否同样受限。

GitHub 本次只宣布产品能力，没有给出上述全部实现细节。正文因此把它们列为需要验证的 deployment contract，而不是替 GitHub 声明已经完成端到端隔离。

六、今天该怎么读这些数字

今天最容易误读的，是把模型发布页的“同价”和 benchmark 的“更强”相乘，直接得出“性价比一定更高”。实际系统至少有四层量：token 单价、每轮 token、每任务轮数、成功后是否还需要复核或重跑。

Gemini 3.8 Flash 的独立结果显示单价相同但每任务约贵 40%；Muse Spark 1.3 则在 Meta 自家 coding 任务里少用调用和 token，却在另一套 Agent harness 上每任务更贵。二者共同支持的不是“新模型更浪费”，而是成本评测必须固定 effort、harness、停止条件和成功定义。

系统侧的三种节省也不能互相替代：EarlyEval 提前砍掉失败轨迹；Declarative Attention 减少已保留轨迹中的 KV attention；speculative decoding 通过草稿接受减少 target decode 次数；PyTorch collective 与低精度 kernel 再降低每一步的执行成本。只有把它们放进同一条端到端 trace，才能知道省下的计算有没有被更长 reasoning 再次吃掉。

深度阅读

  • **Repo-To-Skill**｜约 45 分钟 适合构建 coding agent、skill registry 与仓库级验证的读者。重点看 5,000 多个 skill 如何抽取和验证，以及固定 backbone/harness 后的增益还能否迁移到非 ML 仓库。digest 建议：yes。
  • **PyTorch 2.14 Release Blog**｜约 28 分钟 适合做 MoE training、distributed collective 和 GPU kernel 的读者。优先区分 stable、unstable 与 private 接口，再核对 NVFP4、RDNA3 和 MPS 数字的硬件边界。digest 建议：yes。
  • **Language Models Can Control Their Own Attention**｜约 30 分钟 适合做长上下文、KV cache 与推理引擎的读者。重点看 control token 的训练方式、attention token 口径和准确率退化，而不是只记 52% 的最大降幅。digest 建议：yes。
  • **EarlyEval**｜约 25 分钟 适合做 Agent eval、预算调度和线上停止策略的读者。分类器本身并不昂贵，真正难题是不同模型与任务分布下的误杀校准。digest 建议：yes。

来源与口径

  • immutable run 为 20260903T151731+0800，窗口严格覆盖 2026-09-02 07:00 至 2026-09-03 07:00（Asia/Shanghai）。自动抓取 142 条、去重 2 条；BAIR blog 超时，reddit-machine-learning 返回 429，失败没有被改写成“没有更新”。
  • GitHub Releases API 的 vLLM、SGLang、Transformers、llama.cpp、Ollama、PyTorch、TRL、verl 与 MCP spec 九个源均返回 403。随后逐一检查官方 releases.atom：窗口内只有 vLLM 的 CUTLASS MoE 修复、llama.cpp 的 DeepSeek4 vision 修复与 Ollama 0.18.5 RC；只有 llama.cpp b10766作为短讯进入正文。
  • hf-org-releases 在主抓取中按 skill 的已知挂起规避路径显式跳过，随后查询配置内 20 个 Hugging Face 官方组织，20 个均成功；窗口内没有同时满足发布时间与 3 likes 阈值的新仓库。
  • 25 个 adapter-required 源均已记录结果。DeepSeek、Z.ai、StepFun、混元、MiMo、UK AISI、LMArena 与 AI Frontiers 的入口缺少可稳定按本窗口审计的列表或依赖客户端渲染，不能据此断言“没有更新”。Meta、Qwen、Cohere、LongCat 与 Artificial Analysis 找到窗口内新内容；Cohere 与 LongCat 经通读后因复用旧材料或仅为商业后台变更，留在取舍账本。
  • 已通读 smol.ai 当前完整归档的 Twitter 与 Reddit 两节；它覆盖 8 月 31 日至 9 月 1 日，早于本期窗口。Latent Space 当期 AINews同样只记为 coverage_only。Twitter 中的 Qwen 与 Meta 线索已回到官方原文，Reddit recap 没有接受为本窗口正文事实的新条目，也没有恢复固定 Twitter/Reddit 栏目。
  • 本期没有 longform: true 新条目，因此没有触发 longform-scout；正文不需要论证图，未触发 PicGo。所有社区线索若未能回到一手原文，均未进入正文。