Vals 研究:中国 AI 模型政治倾向复杂,并非只是政府传声筒
Vals.ai 的研究用 −1 到 +1 的量表衡量模型与中国官方立场的接近程度,发现中国模型的亲政府倾向整体低于预期,但模型之间差异很大。研究显示提示词语言影响明显,简体中文提问比英文、俄文、西班牙文更容易得到亲政府回答,中美模型都有此现象,中国模型更突出。

Vals.ai 的研究用 −1 到 +1 的量表衡量模型与中国官方立场的接近程度,发现中国模型的亲政府倾向整体低于预期,但模型之间差异很大。研究显示提示词语言影响明显,简体中文提问比英文、俄文、西班牙文更容易得到亲政府回答,中美模型都有此现象,中国模型更突出。


阿里云开源《AI Agent Handbook》:用 Harness 把企业 Agent 从试点推到可治理生产 企业级 Agent 全生命周期实践手册:架构、构建、运行、治理、调优,外加调研与案例,开源地址: https://github.com/aliyun/ai-agent-handbook 手册为何重写? 前言归纳三大新挑战:让概率智能变成能扛关键任务的可靠生产力;在稳定、安全、性能、成本上做成可大规模部署的基础设施;让 Agent 进入核心业务流程,而不是停在孤岛试点。写作目标还包括统一术语(Harness、Runtime、Agent、Workflow 等),减少「同一词各说各话」被模型放大后的混乱。 2026 年调研结果 · 投入成共识:已开发完成或开发中合计约 46%(去年约 36%);真正部署到生产约 18%;持续迭代更低。 形态共存:单 Agent 约 40%、多 Agent 约 42%、以 HITL 为主要架构约 15%——自主度是可调参数,不是新旧替代。 编码最先规模化:采购 Coding 工具约 57%,通用 Agent 框架约 78%,近四成两者并用;市场碎片化,可迁移工程抽象比押单一厂商更稳。 构建后难点:上下文/记忆需求约 90%;多模型路由与成本治理约 63%;评估上人工抽查约 55%,基于轨迹自动评估不足约 8%。 成功率:达 90% 以上约一成;约 16% 根本没量化过成功率。有评估体系的团队,高成功率比例明显高于无评估者(文中对比)。 MCP:关注或落地合计约 37%,企业内私有部署仅约 9%;缺的是注册中心、身份鉴权、版本灰度、审计与网关,不是「懂不懂协议」。 成熟度 L1–L4:辅助生成 → 受控自动化 → Agentic Execution → Managed & Optimizing;全书后半部基本在回答如何从 L2 往 L3/L4 走。 手册整体结构 · 架构(1–2):Agentic Application 边界、企业成熟度、参考架构(组件 / 平台责任 / 生命周期) · 构建(3–6):以 Harness 为核心:范式与责任边界;任务编排与长程推进;上下文、状态、Memory/Knowledge/Skill;受控行动(Function Calling、MCP、A2A、HITL、验证闭环) · 运行(7–12):Runtime 与沙箱;状态存储与语义资产;AI 网关统一 LLM/MCP/Agent 流量;异步与自动化;Multi-Agent;分布式通信 · 治理(13–16):可观测与成本归因;安全(注入、鉴权、高危授权、出域);Prompt/Skill/MCP/Agent 资产管理;上线前仿真与质量验证 · 调优(17–24):模型侧(SFT、Agentic RL、蒸馏等)与 Agent 侧数据飞轮:Trace→Trajectory、黄金数据集、Badcase、受控自进化、边缘运行时 · 实践(25–29 + 专题):研发效能、设计工程、运维与企业 IT、客户销售运营、GOAI Agent Infra;另有 Jev 决策模型专题、Personal Agent / Agent as a Service 专题 · 展望(30):从 Agentic Application 走向 Agentic OS
同一件事,精选收录的是《阿里云开源《AI Agent Handbook》,用 Harness 推动企业 Agent 进入可治理生产》

1/4 Meet Qwenputer: Qwen3.5-4B with a full RISC-V CPU inside its weights, using the model's own Gated DeltaNet layers as RAM. It runs C and MicroPython in its forward passes, no external runtime. On DeepMind math: base 55–90%, base + Python tool 95–100%, Qwenputer 97.5–100%.
推荐理由:材料把 Qwenputer 的机制、测试数字与代价逐项列出,便于判断权重内计算这条路线能走多远。

阿里千问团队开源多语言 LLM agent 基准 BabelArena,用约 699 个规范任务覆盖 23 种语言,约 1.6 万个任务实例,并配套 BabelFlow 适配流水线。

Our latest open-source research has a pretty interesting name, inspired by the story of the Tower of Babel. What interests us about that story is how language barriers can get in the way of people working toward the same goal And when it comes to agents, there are a few more places for that understanding to break, like tool arguments, database entries, and search queries One example from BabelArena (yes that's the name, surprise) stuck with me: Qwen-3.8-Max completed the same shopping task in English and Telugu, getting the same four products. But it took 25 tool calls in English and 201 in Telugu, with repeated empty searches against the localized catalog. Even though both runs passed, we’d still want to see that difference before shipping. Sorry for the long story, hope you guys are still here. What I want to share is that we’ve open-sourced BabelArena to study these workflows across 23 languages. Code, datasets, and paper in the comment
斯坦福与UC Berkeley研究者发布TokenGate,一种为长上下文预填充设计的可学习token剪枝模块,在Qwen3-1.7B等模型上实现1.4x至11.3x的首token延迟(TTFT)加速,峰值预填充显存降低1.5x至3.4x,且不损失精度。
浙江清华长三角研究院与北京理工大学团队提出评估大模型生存性风险的基准数据集EXISTBENCH,相关论文获AACL-IJCNLP 2026 Findings接收。

南京大学、商汤等机构的研究者发布 OpenMobile-2,基于 Qwen3.5 和 Qwen3.6 构建 9B 与 27B 两个手机智能体模型,并公开训练环境、数据和复现说明。

推荐理由:原文给出训练环境搭建方式与多基准对比数据,可了解开源手机智能体与闭源模型的差距所在。
贝塔无限 10 月 20 日将 BetaMem 全时空多模态记忆架构的方法与实验挂上 arXiv,该架构用 9B 开源模型 Qwen3.5-9B 生成记忆,在 M3-Bench-robot、LoCoMo、OpenEQA 和 EgoLifeQA 四项记忆基准上取得 SOTA。

千问发布 QwenGyre,将弹性强化学习引入超长时程(XLong)智能体训练,核心设计包括 Elastic Scheduler 与 Trajectory Processor。

千问推出 E-Commerce Bench,用于评测长周期自主商业运营:智能体以 ¥100,000 启动资金经营网店 365 天,需处理选品、议价、定价、促销、库存与现金流。
