1.6 万亿 LongCat-2.5 放开权重,编码工具链补上评审与验收
这一期把镜头对准“权重之后”的两件事。美团把 1.6 万亿参数的 LongCat-2.5 以 MIT 许可放开,Terminal Bench v2.1 自评 88.4 分,但自托管指南只写了 194 卡昇腾方案;NVIDIA 则把 2B 的 Alpamayo 2 Edge 放到 Hugging Face,端到端延迟压到 160–190 毫秒。另一条线是 Agent 交付链:Meta 的 Astryx 用 150+ 组件统一人和 Agent 的设计参考,agent-browser、elephant-goldfish 与 Plannotator 分别补上浏览器验收、独立评审和结构化回传。开放权重越来越强,真正的差距却落在能不能被部署、被 review、被回滚;这九条恰好把部署、评审与验收三段串了起来,正文逐条给出数字与原始链接。
AI / 大模型 / 开源 / GitHub 趋势,每日精选。
模型与研究
1. 美团 LongCat-2.5 放开 1.6T 权重:MIT 许可,Terminal Bench v2.1 自评 88.4 11 月 9 日,美团 LongCat 团队在 Hugging Face 放出 LongCat-2.5 权重,总参数 1.6 万亿、每个 token 约激活 480 亿,MIT 许可允许商用、修改与再分发,仓库体积约 3.56 TB。官方自评 Terminal Bench v2.1 为 88.4 分,对照表里 Claude Opus 5 是 89.1、DeepSeek-V4.1-Flash 是 90.6;BrowseComp 拿到 91.9,但评测用的是自研轻量 harness、只开放两个浏览工具,模型卡也注明未标星成绩“仅供参考”。更值得部署方注意的是自托管指南:194 卡昇腾 Atlas A2 集群、8 台 Decode 加 4 台 Prefill,通篇基于 CANN,没有给出 Nvidia GPU 路径。 原文
2. NVIDIA 放出 2B 的 Alpamayo 2 Edge:车端到轨迹 160–190 毫秒 11 月 16 日,NVIDIA 在 Hugging Face 发布 20 亿参数的 Alpamayo 2 Edge 权重,面向 DRIVE AGX Thor、按 10 Hz 车载节奏设计;经 FP8 校准、ONNX 导出、TensorRT 与 DFlash2 推测解码后,从摄像头输入到轨迹输出的延迟为 160–190 毫秒。在 AlpaSim 闭环里,两次由模型决策导致的事故之间平均行驶 15.15 公里,对比 40 亿参数 Qwen-Drive-1.0 的 0.25 公里;最小平均位移误差 0.53 米对 1.68 米。训练数据约 11.5 万小时多摄像头视频、370 万条因果链,闭环强化学习把性能再抬 48.9%;权重用 OpenMDW-1.1,代码 Apache 2.0。 原文
3. SO-Arena 用 2,919 个任务拆开“能力”与“可靠”,21 个模型参评 新加坡国立大学 11 月 13 日公开 SO-Arena,覆盖 11 个领域、5 类能力家族,共 2,919 个任务,评了 21 个 System One 模型。Fastino 的 GLiDE(27B)与 PelaAI 的 KnowLine-31B 以 70.2 并列开放权重榜首,GPT-6 Sol 的参考分为 82.3;但能力第一的 GLiDE 在决策可靠性上只排第七,可靠性第一的 JevAny-27B 能力只排第八。所有开放权重模型都能在单张 H100 上 0.3 秒内完成任务,说明“快”已不是差异点;真正拉开差距的是选项顺序稳定性与“没有正确答案”时的识别率。 原文
4. NeurIPS 2026:让模型用可执行代码解释自己,一致性可自动验证 11 月 10 日上传的《Code as Explanations》提出用一段程序解释模型在一批输入上的行为,而不是为每个样本生成一段思维链;程序能运行,就能自动核对它是否复现模型输出。作者定义 Consistency 指标,在 3 个开源代码模型、8 个任务上验证,发现部分设置下模型能写出高度一致的代码解释,且比逐条文本解释更容易验证和复用。论文被 NeurIPS 2026 接收,共 30 页、11 张图;它把“解释”从一段说服人的文字,变成一个可以跑、可以失败的工件。 原文
开源与工程
5. Meta 开源 Astryx 设计系统:150+ 组件,本周新增 13,501 星 Astryx 是 Meta 在内部养了 8 年的设计系统,支撑 13,000+ 应用,本周以 MIT 许可开源后新增 13,501 星、总量到 28,878,位列 GitHub 周榜第一。它提供 150+ 可访问组件、七套主题、暗色模式、模板与 CLI,基于 React 19 和 StyleX,目前仍是 Beta。它的定位不是“又一个组件库”,而是让 API、文档和 CLI 共用一套参考:Agent 先查组件清单再写代码,而不是凭印象拼 UI;代价是 React 19 门槛、StyleX 迁移成本,以及 charts 等包还没有稳定版。 原文
6. agent-browser 0.43.0:把页面读成带引用的紧凑文本,让编码工具自己验收 Vercel Labs 的 agent-browser 在 11 月 12 日发布 0.43.0,本周新增 4,217 星、总量到 51,635。它是 Rust 写的浏览器 CLI:snapshot 把页面读成带 @e1 引用的紧凑文本,Agent 点击引用后再 snapshot 检查结果,浏览器在命令之间保持打开;点击目标被遮挡、禁用或不可见时直接报错,不会假装成功。项目 Apache 2.0,支持 CDP 连接、多 session 隔离和 MCP。它补的是“单测过了但页面还是坏的”这一步,适合把前端验收交给 Agent 跑,但不能替代 Playwright 的稳定断言。 原文
7. Google 的 elephant-goldfish 0.1.1:让“金鱼”不带上下文审设计 Google 开源的 EGM 插件在 11 月发布 0.1.1,本周新增 5,060 星、总量到 19,781,Apache 2.0,并注明不是 Google 官方支持产品。它把流程拆成两个角色:Elephant 保留项目上下文、起草规格;Goldfish 评审者刻意不带前面的对话,只看草稿和引用材料,专门找未说明的假设与实现风险;人负责架构取舍。它还提供 drift report,把设计文档和当前代码对比,报告哪里已经偏离。边界同样清楚:评审需要能创建全新子 Agent 的会话,且不能替代测试。 原文
8. Plannotator 0.28.65:把评审意见结构化地送回编码 Agent Plannotator 在 11 月 15 日发布 0.28.65,本周新增 1,719 星、总量到 11,848,采用 Apache 2.0 / MIT 双许可。它是本地浏览器里的评审面:Agent 提出计划、规格、HTML 或改完代码后自动打开,人直接在页面上标注、评论、审 diff,再一键把带位置的反馈发回原来的会话;支持 Claude Code、Codex、Copilot CLI、Gemini CLI 等十余种 agent,也能审 GitHub PR 与 GitLab MR。它的价值不是替人做 review,而是把“复制粘贴一段意见”变成结构化输入,代价是 review 质量仍取决于人。 原文
9. SGLang 0.5.23 在 Hopper 上解码退化 33–45%,建议先锁回 0.5.22 11 月 12 日公开的 issue #49336 给出了可复现的回归:在 8 张 H20-3e 上跑 DeepSeek-V4.1-Flash,从 v0.5.22 升到 v0.5.23 后,并发 12 时每步解码时间在 8K 上下文增加 44.8%、16K 增加 45.2%、32K 增加 40.0%、64K 增加 33.4%,而并发 1 基本不变。关掉 Hopper 上默认走到的 DeepSelect 能收回 21%–24% 吞吐,但主要来自接受长度而非步进时间;剩余 26%–35% 的差距在核外。GPU profile 显示内核总时间只涨 9.6%,作者因此怀疑调度与批处理的主机侧开销,建议生产先锁 v0.5.22。 原文
本期由站点自动生成 · 信息以原文为准。