锐Owl 雷达 · 2026-09-16：华为 GTS 让 Agent「看着网络排障」CTBench 通过率 30.3%→54.5%、SWE-bench 前三十名 29 对相邻名次统计上分不开、端侧推理引擎 APXInf 把延迟压到 26ms 内

今天这五条可以两两对读。评测这条线同时在两头被重做：一边是新论文证明 SWE-bench 的前三十名在统计上根本排不出序（脚手架带来的分差比名次分差还大），另一边是 B站上线「AI 无限竞技场」，干脆把出题权从实验室交给了 UP 主的真实工作流。效率这条线则在往边缘和本地走：端侧推理引擎把机器人控制延迟压掉一个数量级，本地运行时把同一台笔记本的可用上下文拉近 7 倍，Agent 侧则学会把「记不住的东西」画到图纸上。本期 5 条。

① 华为 GTS 让 Agent 学会「看着网络排障」：CTBench 通过率 30.3%→54.5%，双防火墙与 ECMP 子任务从约 10% 升到约 90%（9/16 量子位）

华为 GTS AI 算法团队把排障 Agent 的失败模式命名为「拓扑失忆」——模型读得懂日志，却记不住这张网此刻长什么样，实测中曾锁定问题防火墙后在原地打转三百多步。解法 NetCanvas 不塞静态拓扑图，而是给 Agent 一块「可交互视觉拓扑」外部工作记忆：每查一次 CLI，新发现的设备、链路与路径证据实时合并进图，Agent 可切换全局/局部视图、用连线颜色（通/断）直接记录自己的推理假设。公开运维基准 CTBench 上的结果：整体通过率 30.3%→54.5%（带物理连线先验可达 63.6%），高度依赖空间关系的双防火墙、ECMP 子任务从约 10% 跃至约 90%；逐题比对 16 胜 0 负 50 平，平均探查步数 159→113 步，按「每解对一题」摊算 token 试错成本下降 26%–45%。（项目已公开：github.com/caimanjing/netcanvas，截至 9/16 约 3★）

认知价值：这条把「模型不够强」和「外围系统没把世界摆对」分开了——空间关系硬压进 token 必然认知过载，挪到图纸上等于给上下文做了一次有损外置，反而更省。最该抄的一条细节是「按人的认知习惯画图」：同样的拓扑信息，从机器自动布局换成网工的领域布局，成功率就有碾压式提升——呈现层本身就是能力变量，这和 GUI Agent 里截图质量决定成败是同一回事。

来源：量子位（9/16，获授权刊载）https://www.qbitai.com/2026/09/490098.html

② B站「AI 无限竞技场」上线：UP 主自主命题实测上百个模型，GPT-6 Astra 在 10 个 UP 主测评中夺榜首，前五国产占三席（9/16）

9 月 16 日 B站上线「AI 无限竞技场」并公布首期大模型榜单。它不设主题与维度限制，由各分区 UP 主以真实工作流、专业应用、趣味脑洞自主命题，在同题 PK 中对比上百个模型，覆盖代码、推理、协作、知识等方向，排名实时更新并持续向全站开放报名。首期结果：GPT-6 Astra 在 10 个 UP 主测评中拿下榜首（榜首次数冠军，压过 GLM-5.3），前五名中三席为国产模型，涵盖 DeepSeek、Kimi、豆包、千问、Hy、MiniMax 等。官方生态数据：AI 知识内容消费时长同比 +72%，月均观看 AI 内容用户超 1.9 亿。

认知价值：这是把「出题权」从实验室搬到使用现场。跑分榜量的是「能不能答对标准题」，UP 主命题量的是「在你的活里顶不顶用」——当标准榜上的差距已经小到无法统计区分（见下条），真实工作流样本的价值会被系统性重估。对我们自己的评测方法论，这相当于一次大规模外部验证：同题、同协议、不同使用者，比任何单一榜单都更接近真实分布。

来源：量子位转载哔哩哔哩官方内容（9/16）https://www.qbitai.com/2026/09/490396.html ；榜单页 https://www.bilibili.com/blackboard/era/aiarena.html （榜单页为 JS 渲染，本轮未能逐项核到原始排名，数字按官方口径）

③ 新论文审计 254 份 SWE-bench 提交：前三十名 29 对相邻名次无一对可被统计分开，脚手架分差（29.8 个百分点）远大于名次分差（8.8 个百分点）（arXiv 9/15）

论文《Coding Agents Have Converged》不跑任何模型，只审计已公开的 254 份 SWE-bench 提交（四个 split）。Verified 榜前两名各解出 500 题中的 396 题；前十里共享 285 次成功与 51 次失败，真正能区分排序的只剩 164 题；前沿解集嵌套度中位数 0.935，远高于分数隐含的基线 0.774，说明成功高度重叠。用精确配对 McNemar 检验，Verified 前三十名的 29 对相邻名次在 α=0.05 下没有一对能被分开（更大的 Test 榜 23 对中分开 14 对）。更关键的是变量混入：同一模型只换脚手架，观测分差可达 29.8 个百分点，而前三十名之间的总分差只有 8.8 个百分点。作者因此提出替代口径：报「比较集专属的分辨率」与「模型-脚手架来源」，并给出五步审计协议来估算需要多少题目才能分辨差距。

认知价值：我们一直讲的「模型 + 工具是双变量，不能混着比」，这篇给了量化版本——脚手架带来的方差大于榜单想排序的能力差，所以小分差排名本质是噪声，不是高下。真正可用的结论只有一句：先算清楚你的题目预算够不够把差距分开，再决定要不要排名次；否则「第 3 名比第 5 名强」这种话在任何标题里都不成立。

来源：arXiv 2609.17394 https://arxiv.org/abs/2609.17394

④ 无问芯穹联合清华、上交开源具身端侧推理引擎 APXInf：Jetson Thor 上 PI 0.5 FP8 端到端延迟 278ms→26ms 以内、38.46Hz（9/15 量子位，Apache-2.0）

无问芯穹联合清华大学、上海交通大学正式开源具身智能端侧推理引擎 APXInf（GitHub RLinf/APXinf-robo，Apache-2.0，截至 9/16 约 108★/17 fork，9/7 创建），支持 RTX 4090、Jetson Orin、Jetson Thor。官方数据：在 Jetson Thor 上把 PI 0.5 FP8 的端到端推理延迟从 278ms 降至 26ms 以内，推理频率达 38.46Hz（约 10.7 倍下降）；做法是围绕机器人真实执行链路做 Pipeline/Graph/Kernel/量化多层端到端优化，并用 Rust 构建极简运行时 + Python 接口，以内存安全压低长期运行风险。

认知价值：278ms→26ms 不是体验优化，而是从「能演示」跨到「能实时控制」的那道门槛——对需要持续感知与闭环控制的机器人，几百毫秒意味着动作迟滞甚至任务失败，所以这个数量级变化决定的是场景能否成立，而不是好用多少。另一个信号是运行时语言的选择：当推理系统要长期挂在机器人本体上，抖动、内存与可预测性开始和吞吐同等重要，Rust 极简运行时是被这类需求逼出来的，不是风格偏好。

来源：量子位（9/15）https://www.qbitai.com/2026/09/489460.html ；仓库 https://github.com/RLinf/APXinf-robo

⑤ JustFit：不用量化，把 24GiB 笔记本的可完成上下文从 30,720 推到 212,992 位置（6.93×），AIME 2026 答对 29/30（arXiv 9/15）

论文提出基于 MLX 的本地推理运行时 JustFit，由三块机制组成：KVExec（压缩 KV 执行）、PhaseSwap（组件按需常驻）与 StateTrans（保留状态的服务切换），核心是即时（just-in-time）实体化与释放，独立于模型权重量化。在 24 GiB 的 M4 Pro MacBook 上跑 Qwen3.8-27B MXFP4：三次独立运行均完成 196,608 输入 + 16,384 输出的长请求，单请求可完成上下文从 mlx-vlm 基线的 30,720 位置提升到 212,992 位置（6.93×），另一组双请求合计保留 229,376 位置；性能探针（32K 输入 / 64 输出）达 19.11 tokens/s，重复 32K+6K 负载的中位峰值内存 16,374 MiB；集成运行时在 AIME 2026 上 30 题答对 29 题。

认知价值：长上下文的瓶颈正在从「权重占多少内存」转到运行时状态管理——不量化、不换机，只改「何时实体化、何时释放」，同一台笔记本的可用上下文就多了近 7 倍。这跟昨天那条字节级蒸馏是同一个方向：省下来的不是钱，是让同一份硬件装下更多能力，所以「本地能干什么」的边界要按运行时版本重估。口径要留意：单篇论文、单机实测、AIME 29/30 是同一运行时的附带结果，未做跨框架同条件对比。

来源：arXiv 2609.17475 https://arxiv.org/abs/2609.17475

素材覆盖说明（非正文）：量子位当日全量条目扫描（首页 20 条 + 逐条抽正文，其中 490098 华为 NetCanvas、490396 B站竞技场、490400 LimiX-2、489460 APXInf、490109 Vidu S2 五篇原文精读；489337 字节级蒸馏、489227 ZGCM-1、489288 回应陶哲轩三条已在 9/15 期覆盖，不重复）。机器之心首页仍为「数据服务」SPA 壳（约 3.3KB），改用搜索索引快照取当日条目：RSIAgent 在多项高难度 Benchmark 超越 GPT-6 Astra（9/15 13:21）、Claude Mods 社区用插件「魔改」Claude Code（9/15 10:30）、英伟达开始限制部分 Claude 模型使用（9/15 10:33）、腾讯 T-Mem 让 AI 学会「联想回忆」——四条列入备选，其中 RSIAgent 与 MetaRSI 题材部分重叠（9/14 期已覆盖 RSI 主线），Claude Mods 偏生态/工具链，今日未采用。arXiv 官方 API 本轮直连可用（改用 https 端点，http 会 301），按提交时间拉取 cs.AI/cs.CL 最近 40 篇，其中 2609.17394（SWE-bench 榜单审计）、2609.17475（JustFit）精读摘要全文；备选未采用：2609.17527「Agentic Societies Need a Social Harness」、2609.17306「Mo' Models, Mo' Problems」多 Agent 模型池选择、2609.17274 OpenClaw 技能生态治理实测（技能注册表 91 天翻倍、77.86% 零星零评论、85.06% 可读技能带特权证据，三个扫描器在 61,990 条中 23,702 条判断不一致——数据很硬，但主题偏治理与安全，留作后续选题）。HuggingFace trending 经 hf-mirror API 实测：无 9/16 新上榜模型，榜首仍为 DeepSeek-V4.1-Flash（32.6 万下载 / 2710 赞）、Edge0-35B-A3B-preview（2824 赞）。GitHub API 实测：RLinf/APXinf-robo 108★/17 fork（Apache-2.0，9/7 创建）、caimanjing/netcanvas 3★、zgcagi/ZGCM-1 已涨至 351★/47 fork。⚠️ 本轮 V2rayU 代理（127.0.0.1:1087/1080）仍无响应（ipinfo 返回 000），全部抓取走直连：量子位 curl + 浏览器 UA 直连 200（含完整 <article> 正文），arXiv/B站/GitHub 直连可用；CTBench 数据集页（huggingface.co/datasets/netop/CTBench）直连超时未核到。