锐Owl 雷达 · 2026-10-09：谷歌把办公 Agent 做成通用同事；16.9MB 端侧语音识别；DeepSeek 时强时弱的机制解释

本期覆盖 2026-10-08 18:00 → 10-09 18:00（北京时间）。今天的主线是**「Agent 往企业里落」和「能力往便宜/端侧压」同时发生**：Google Cloud 端出一整个通用办公 Agent（Gemini agent）——带企业身份、四种记忆、可动态调用 Claude 的多模型编排；Cactus 把语音识别塞进 16.9 MB 单文件、纯 CPU、七语言；ByteDance Seed 则给出「DeepSeek 时强时弱」的机制解释——分块 KV 压缩导致同一信息检索率最高相差 40 个百分点；MirroS 的 AgentGarten 把「代码世界」接上神经渲染器，让智能体在实时试炼场里自我进化；另有联想 TianxiCode 配 DeepSeek-v4.1-Flash 登顶 SWE-bench-Live，官方 Verified 审核。本期 5 条。

① 谷歌发布 Gemini agent：把「办公 Agent」做成一个带企业身份、四种记忆、可调多模型（含 Claude）的通用同事（Google Cloud 2026-10-08）

Google Cloud 于 2026-10-08 由 CEO Thomas Kurian 署名发布《Welcome to Gemini at Work 2026: Introducing the Gemini agent》（官方博客 datePublished 2026-10-08；量子位 2026-10-09 08:16 报道）。核心是 Gemini agent——官方定位「你新的、单一、通用的办公 Agent」，把问答、知识工作、图像与媒体创作、写代码与跑代码收进同一个 Agent 与同一个 API；原则一句话：「你给它目标，不给它步骤（You give it objectives, not instructions）」。四条架构原则：① 统一 Agent（一个界面里问答 / 自主执行 / 生成代码 / 定时任务 / 事件触发）；② 无处不在（web / iOS / Android / Windows / macOS，及命令行、Google Workspace、Microsoft 365、Slack 等任意渠道，还能作为无头（headless）agent 嵌入第三方应用）；③ 云端持久执行（单一套记忆、上下文与 personalization graph，跨设备/渠道一致，「关掉笔记本后任务继续跑」）；④ 多 Agent 编排（按需动态生成带各自身份的临时子 Agent，可并行/串行跑数小时到数天）。在此之上抛出一个新产品形态——Coworker agent（同事智能体）：拥有持久、明确的角色与独立身份，含自己的 @agents. company.com 邮箱、独立持久存储，只访问你或团队授权的上下文，并出现在公司通讯录里（团队成员可像 @ 同事一样 @ 它）。记忆分四种：会话记忆（当前任务上下文，任务跨天也记得进度）、语义记忆（读文档/交流/协作中沉淀的结构化知识库，如公司产品、成员分工、内部术语）、程序性记忆（某类工作怎么做，含 agent 自己写的 skills）、情景记忆（过去做过什么）。模型层刻意解耦：「Gemini 是 agent，底下的模型是另一个选择」——现可跨 Google Gemini 家族与 Anthropic 的 Claude 动态选择（未来再接更多闭源/开源模型），配套 Smart Routing 自动路由与成本控制（实时花费上限），并强调「模型可变，但 agent 积累的上下文、Skills 与企业数据保留」——模型排名翻篇时，企业不必推翻已建好的工作流。工具体系含连接器（Confluence / Office / Teams / Slack / Workspace、Git / Jira、Salesforce / ServiceNow、BigQuery / Databricks / Postgres / Snowflake、本地文件）+ 任意 MCP server（内网/外网皆可）+ 企业级 tools registry；skills 亦有全局库 + 公司 registry + 个人 skills。规模与客户口径（均为 Google 自报）：近 500 家客户各自处理超 1 万亿 token；近 80% 的 Google Cloud 客户在用其 AI 产品；近 90% 的 Fortune 100 使用 Gemini Enterprise；PayPal 每周路由 1000 万次多模型请求、Shopify 混合前沿模型。客户案例：BNP Paribas（65,000+ 员工）、Bradesco（文档审阅 1 小时 → 5 分钟）、Orange Spain（1000+ 自定义 agent）、Santee Cooper（建模提速至多 75%）。

认知价值：① 这条的价值不在「谷歌也做了 Agent」，而在它把「企业交给 AI 的东西」清单化了。 一个 agent 要真能替公司干活，缺的不是模型，而是身份（有邮箱、有通讯录位置）、四种记忆（会话/语义/程序/情景）、可治理（权限、审计、留存）——谷歌这份文档等于把「企业级 agent 的最小完备集」写成了产品需求，可以直接当我们的企业 agent 选型清单用。② 最该记的一条是「模型可换、上下文不换」。 官方明说：底层模型可随时替换，但agent 积累的上下文、Skills 与企业数据原地保留。这等于把可替代性从 agent 层挪到了模型层——agent 成为企业的「资产」、模型退化成「耗材」；配套的 Smart Routing + 多模型（今天已含 Claude）就是这句话的产品化。对我们 10-08 ③（Docker Agent 押「分发层」）是一次呼应：底座之争已经从「谁的模型强」转向「谁持有上下文与身份」。 ③ 「Coworker agent」是这次真正新的东西。 给 agent 一个公司邮箱 + 独立存储 + 通讯录席位，意味着它被当成组织协作单元而非工具：权限按「同事」授予、行为按「同事」追责。这背后的判断题（AI 同事要不要独立身份、出事谁负责）会成为企业落地的真实摩擦点——值得我们在长文里单独拆。④ 读数字守纪律： 全部规模与客户数字都是 Google 自报（PayPal/Shopify/BNP 等未见第三方复核），因此整条按 🟡 处理；「机制与产品形态」可用，「效果百分比」只当厂商口径记。

领域：agent-frameworks ｜ 去向：related（挂钩 2026-10-08 ③ Docker Agent「agent 底座/分发」线：Docker 押分发，Google 押「企业身份 + 四种记忆 + 多模型编排」；也可挂钩 10-07 ③ OpenAI Decisions API 的「平台内化」线）｜ 等级：🟡

来源：🟢 一手已核（10-09 直读官方博客全文，datePublished 2026-10-08）https://cloud.google.com/blog/products/ai-machine-learning/welcome-to-gemini-at-work-2026 （Gemini agent 定义为「single, universal agent for work」、四原则原文、Coworker agent 的 @agents.company.com 邮箱与独立存储、四种记忆定义、模型可换与 Claude 可调 / Smart Routing、MCP 与 tools/skills registry、规模与客户案例）｜🟡 以上能力的效果陈述与全部客户数字均为 Google 自报口径 → 整条取最保守档 🟡｜🟡 中文转引（10-09 直读）量子位《不等Gemini 4了！谷歌发布办公Agent，支持调用Claude》2026-10-09 08:16 https://www.qbitai.com/2026/10/502083.html ｜⚪ 背景（非本窗口）：官方列出同赛道 OpenAI Dots（2026-09-29）、Meta 个人 AI Agent

② Cactus 发布 Whistle：16.9 MB 的端侧语音识别模型，单文件跑 CPU、七语言、首 token 11 ms（Cactus 2026-10-08）

Cactus（Cactus Compute） 于 2026-10-08 发布 Whistle——一个面向手机、穿戴、机器人、智能家居、车机与微控制器（MCU）的语音识别模型：单个 16.9 MB 文件、跑 CPU、无依赖、与同厂 Needle 共用同一个 C++ 引擎、同一个容器、同一套量化。三项能力全在端上：① 转写（16 kHz 单声道、单次最长 30 s，覆盖英语/德语/法语/西班牙语/意大利语/荷兰语/波兰语，不指定则自动检测语言）；② 词级时间戳（每个词的起止与概率，由解码器自身注意力对齐）；③ 语音嵌入（编码器输出，每 80 ms 一帧，不解码文本）。架构：前端 25 ms 窗 / 10 ms 跳的 80 维 log-mel（250–3500 Hz）→ 卷积 stem → 8 层 Simple Attention（非因果，与 Needle 共享代码）→ 8 层解码器（GQA 8q:2kv、Q/K/V 上 3-tap 因果卷积、第 3/7 层 engram 查表）→ 5 beam 搜索 + Aho-Corasick 关键词偏置；解码器支持分层剪枝（从 2 层起每档单独训练，--audio-depth 加载时选择，编码器永远 8 层）。官方自测基准（Apple M4 Pro CPU、10 s 音频、各模型跑各自官方 runtime 默认）：体积 16.9 MB vs Whisper base 145.3 MB vs Moonshine tiny v2 41.9 MB；首 token 时延 11.1 ms vs Whisper 73.2 / Moonshine 22.8；解码吞吐 1,319 tok/s vs Whisper 266 / Moonshine 262；WER 在 LibriSpeech test-clean/test-other、SPGISpeech、Earnings-22 与 FLEURS 平均上优于 Whisper base，在 TED-LIUM、AMI 与 MLS 平均上落后。同厂 Needle 仓库 13.6k★（定位「2-bit、8–29 MB 的端侧自动化基础模型」）。HN 帖 766 分 / 152 评论（2026-10-08T16:59Z，北京 10-09 00:59），当日前列。

认知价值：① 「16.9 MB」这条数字本身就是论点： 它把「语音识别要不要上云」这个问题从成本题改成了部署题——单文件、纯 CPU、无依赖，意味着离线、隐私、零边际成本三件事同时成立；对我们自牧/锐Owl 的视频产线是直接的省事（转写可以完全本地化，不必走云 API）。② 真正的工程亮点是「复用」而不是「小」： Whistle 与 Needle 共用引擎、容器与量化，等于一份运行时、两个模型——端侧 AI 的门槛不在于单个模型多小，而在于同一套推理底座能不能装下多个能力。这和我们看 Agent 的角度一致：能复用的底座 > 单个指标。 ③ 但基准要按「口径」读： 表里的对比是各家自己发布的数字（Moonshine 仅英文、Whisper 报的 AMI 是 IHM 子集，与另两者口径不同）；官方自己也标「缺柱=原作者未发布」，并声明测音不出现在训练/验证集（比对音频校验和与说话人 ID）。所以**「Whistle 全面优于 Whisper」是错的**——它在部分集子赢、部分输，整条按 🟡 处理（模型体积/架构等事实可复核，WER 属厂商自测）。④ 一句延伸： Whistle 的「分层解码器 + 关键词偏置」是为落地场景做的取舍（可裁深度、可强制关键词）——端侧模型的竞争点正从「能不能跑」转向「能不能按场景裁」。

领域：inference-efficiency ｜ 去向：standalone ｜ 等级：🟡

来源：🟢 一手已核（10-09 直读官方博客全文 + GitHub API）https://cactuscompute.com/blog/whistle （release 原文、16.9 MB / CPU 无依赖 / 与 Needle 同引擎同量化、7 语言、三项能力、编码器/解码器架构与 engram、分层解码、体积与时延吞吐基准表、WER 各集子胜负、M4 Pro CPU 测法与「测音不入训练/验证集」声明）｜🟢 一手已核 https://api.github.com/orgs/cactus-compute/repos （needle 13,669★，pushed 2026-10-09T05:07Z；cactus 引擎 6,113★）｜🟡 基准中的 WER/时延/吞吐均为 Cactus 自测且与各家自报数字对比（口径不一） → 整条取最保守档 🟡｜🟡 HN 平台数据（10-09 直查）：766 分 / 152 评论（2026-10-08T16:59Z）

③ 字节 Seed 论文揭示 DeepSeek 的「相位敏感性」：分块 KV 压缩让同一信息的检索率最高相差 40 个百分点（arXiv 2026-09-28；量子位 2026-10-09 报道）

论文《Periodic Weak Spots: Phase Sensitivity from Chunked KV-Cache Compression》（arXiv 2609.36322v1，提交 2026-09-28；作者 Xingyu Zhu、Pu (Luke) Yi、Ziheng Cheng、Ang Lv、Jing Liu、Lexing Ying、Yiyuan Ma、Xin Dong——后两位属字节 Seed 团队），中文侧由量子位 2026-10-09 15:11 报道（《字节找到了DeepSeek时强时弱的原因》）。核心发现：分块 KV Cache 压缩（按固定步长把连续 token 压成更少的缓存条目，用来省长上下文的内存与注意力开销）额外引入了一个位置坐标——「相位（phase）」，即 token 相对压缩窗口边界的位置。结果是一种系统性不对称：同一条信息，在某些相位容易检索、在另一些相位难以检索，作者称之为 相位敏感性（phase sensitivity）；在采用该压缩的大型开源权重模型里，长上下文检索准确率在不同相位间最高可相差 40 个百分点——「周期性弱区（periodic weak spots），被平均基准分掩盖」。为坐实机制，团队从零预训练了一族 transformer（多种 KV 压缩设计）复现该现象，并用因果干预做机制分析，发现存在**「相位特化」：不同注意力组件对检索不同源相位信息的贡献不对称；随后对理想化检索模型的分析显示，梯度流动态可能偏好尖锐的相位特化。论文结论很硬：评测分块 KV 压缩的模型，必须跨相位测量——高平均准确率可与系统性位置失败并存。 量子位补充的 DeepSeek 具体数字：DeepSeek-V4-Flash-Base 不同位置最大差 40.2 个百分点、V4-Pro-Base 34.8 pp；后训练后收窄为 V4-Flash-0731 19.1 pp、V4-Pro-0813 14.8 pp、V4.1-Flash-0910 6.1 pp；且波动周期 V4 为 4 个 token、V4.1 为 2 个 token**，恰对应两代模型各自的压缩步长。

认知价值：① 它把「DeepSeek 时强时弱」从玄学变成了机制。 以前遇到同一题换个无关字符就答错，只能归因「模型抽风」；这篇给出了可复算的解释：为省内存而做的分块 KV 压缩，给每个 token 派了一个「相位」，而模型对不同相位的信息检索能力天然不对称——省内存的优化，引入了一种新的失败模式。 这条对我们做推理优化的人尤其重要：优化技术不是白拿的，它有代价，代价往往藏在「平均分看不到的地方」。 ② 最大的方法论价值是那句「平均分掩盖弱区」。 这与我们 10-08 ⑤（PaperBenchX：分阶段平均 42.8% 掩盖验证短板）完全同源——2026 年 10 月的评测教训在反复出现：一个总分/一个平均值，正在系统性地藏住失败。 以后评长上下文模型，必须跨「位置/相位」扫描，而不是看单点命中率。③ 数字要分层读： 「40 个百分点」是论文摘要自述（🟢）；而 40.2 / 34.8 / 19.1 / 14.8 / 6.1 这组 DeepSeek 专属数字来自量子位的转述（🟡）——论文摘要只说「up to 40 percentage points」，具体到 DeepSeek 的分档值请按媒体口径记。④ 一条亮色： 后训练与架构迭代确实能把差距从 40.2 pp 压到 6.1 pp——问题可缓解，但周期仍在；这给了「后训练能补多少」一个可量化的样本。

领域：eval-evidence ｜ 去向：related（挂钩 2026-10-08 ⑤ PaperBenchX「平均分掩盖失败」同源线；喂养「长上下文 / 推理优化与评测陷阱」待命选题）｜ 等级：🟢

来源：🟢 一手已核（10-09 直读 arXiv 摘要页原文）https://arxiv.org/abs/2609.36322 《Periodic Weak Spots: Phase Sensitivity from Chunked KV-Cache Compression》，Submitted on 28 Sep 2026（提交日实际发生日写作 2026-09-28）——摘要原文（phase 定义、up to 40 percentage points、从零预训练复现、因果干预下的 phase specialization、梯度流偏好、评测结论）｜🟡 DeepSeek 专属数字为媒体转述（10-09 直读）量子位《字节找到了DeepSeek时强时弱的原因》2026-10-09 15:11 https://www.qbitai.com/2026/10/502364.html （V4-Flash-Base 40.2 pp / V4-Pro-Base 34.8 pp / 后训练 19.1、14.8、6.1 pp；周期 4→2 token 对应压缩步长；FP8 代码补全案例 8 vs 32、概率 71.3%/26.4% 与 91.5%/7.2%）｜论文链接经量子位给出为 arxiv.org/pdf/2609.36322，与 abs 页一致｜日期说明：论文 2026-09-28 上传，量子位 10-09 报道，正文已按实际发生日标注

④ AgentGarten：把「代码世界」接上神经渲染器，让智能体在实时试炼场里边玩边进化（arXiv 2026-10-08）

MirroS 团队于 2026-10-08 发布 AgentGarten（技术报告 arXiv 2610.12374，提交 2026-10-08；代码 MirroS-Lab/AgentGarten，Apache-2.0、89★、created 2026-10-08；渲染器 checkpoint 放 HF，项目页 mirros-lab.github.io/agent-garten，博客 mirros.ai/blog）。它要解决一个两难：智能体要学东西，环境必须既真实（faithful：状态、规则、动力学一致）又写实（realistic：观测符合真实世界的视觉分布），而两者兼得是瓶颈。AgentGarten 的分工是——模拟器/游戏引擎维持持久世界状态、执行程序化交互规则（管物理）；一个共享神经渲染器从各世界通过统一接口导出的深度与表面法线，生成智能体的视觉观测（管光影），做到 >30 fps 实时交互。渲染器做法：把预训练视频模型适配到几何条件上，用其提出的 Adversarial Forcing 蒸馏（让 history prefilling 通过精确重放可微，从而让后续预测的损失反传、更新渲染器如何编码先前观测；再叠加真实数据的对抗监督提升画质），并针对实时交互优化推理。在这一环境里，智能体每轮把经验蒸馏成 playbook，供后续 agent 继承与精炼。经典**捉迷藏（hide-and-seek）**复现：躲藏者第 4 轮学会搬挡板搭掩体、搜寻者第 10 轮学会借坡道翻墙（据称重做了 2500 万局）；捉迷藏场景中的策略如「搬挡板封堵掩体、架坡道翻越高墙、首跳失误后主动调整重试」。

认知价值：① 这条的题眼是「环境的成本结构」被改了。 过去要造 100 个写实仿真环境，得靠美术团队建模、贴皮、打光（美术劳动密集型）；AgentGarten 只要能输出简单的三维深度与法线，任何极简代码场景都能直接套用同一个神经渲染器拿到写实光影——环境扩充从「劳动密集」变成「代码程序化」。对任何想做 agent 训练/评测的人来说，这是分母级的改善。② 「物理交给代码、光影交给神经模型」是对世界模型路线的一个务实折中。 纯视频世界模型画面漂亮，但物理是隐式的、不可查询、不可干预（倒不出「杯里还剩多少水」，也写不了任务裁判规则）；纯代码引擎状态精确却画面粗糙。把两者按「确定性 vs 观感」切开，等于只要代码环境能被查询和裁判，训练环境就不是黑盒——这和我们做评测时「不认输出、只认重放」的纪律是同一思路。③ 与我们既有线的接口很清晰： 它和 10-06 ③ HERA、10-07 ⑤ AdvSim2Real 同属「harness / 环境共演化」家族——agent 能力的上限，越来越由它练手的环境决定。这条可留作一期「智能体训练环境与自我进化」选题的主料。④ 读法： 论文/仓库事实 🟢；但「2500 万局」「第 4/10 轮学会」等具体战绩出自作者自述与量子位转引，按 🟡 记，不必当独立复核的数字搬。

领域：agent-frameworks ｜ 去向：feeds（喂养「智能体训练环境与自我进化」选题；可与 10-06 ③ HERA、10-07 ⑤ AdvSim2Real 的 harness/环境共演化家族并期）｜ 等级：🟢

来源：🟢 一手已核（10-09 直读 arXiv 摘要 + GitHub API + README 原文）https://arxiv.org/abs/2610.12374 《AgentGarten: Code Worlds for Evolving Agents》，Submitted on 8 Oct 2026（Adversarial Forcing、exact replay 使 history prefilling 可微、renderer 由预训练视频模型适配几何条件）｜https://api.github.com/repos/MirroS-Lab/AgentGarten （Apache-2.0、89★、created 2026-10-08T03:53Z、pushed 2026-10-09T06:40Z、Python；README 原文「Code determines how the world changes, and the renderer learns how those changes should look.」、HF checkpoints、paper 徽标指向 2610.12374）｜🟡 「2500 万局 / 第 4、10 轮学会 / >30 fps」等战绩转引（10-09 直读）量子位《代码造世界，扩散绘现实：AgentGarten让智能体在实时试炼场中边玩边进化》2026-10-09 10:03 https://www.qbitai.com/2026/10/502096.html

⑤ 联想 TianxiCode 配 DeepSeek-v4.1-Flash 登顶 SWE-bench-Live（Lite），71% 通过官方 Verified 审核（厂商口径 2026-10-09）

量子位 2026-10-09 16:53 刊出（注明「本文由联想提供，量子位获授权转载」）：联想天禧 AI 自研的代码智能体框架 TianxiCode 配合 DeepSeek-v4.1-Flash，在 SWE-bench-Live（Lite 分榜） 以 71% 的问题解决率登顶全球第一，并通过官方「Verified」核验（要求提交全链路智能体运行轨迹，由官方审查评测输入与信息隔离、排查是否向智能体泄露标准答案/测试用例）。官方口径把系统拆成两半：DeepSeek-v4.1-Flash 是「大脑」（读代码、理解语义、构思解法），TianxiCode 是「眼、手、工具箱与工作流规范」；强调三项工程能力——跨文件多跳检索 + 精准上下文管理（Context Pruning & Slicing）、自驱动规划 + 多轮工具调用、闭环补丁生成 + 测试驱动自愈（在隔离环境自动跑码，报错或破坏其他功能就自我反思修改至通过）。天禧 AI 称该能力未来将落到联想 AI 硬件产品中。

认知价值：① 这条的看点不是「中国厂商拿了第一」，而是它把「harness 决定成绩」又一次摆上台面。 官方自己的对比逻辑是：「再聪明的模型，离开能敲代码、查日志的『手』和严谨工作习惯，也解决不了复杂工程里的 Bug」——同一个 DeepSeek-v4.1-Flash，配上不同工程框架，结果不同。 这与我们 10-08 ③（Docker Agent：harness 之间拼的是生态与分发，不是技术壁垒）是同一判断的两面：模型越来越是一件可替换的「耗材」，真正的差异化在 harness（检索/规划/自愈的工程闭环）。 ② 「Verified」机制值得单独记一笔。 SWE-bench-Live 从 2026-08 起加强提交核验、要求交轨迹以证明答案隔离——这是评测界对「刷榜/污染」的制度性回应，方向正确，我们可以把它当成「什么才叫可信的 agent 榜单」的样例。③ 但读法必须保守： 这是厂商 PR，71% 未经第三方独立复核，也没有公开可跑的复现物；因此整条按 🟡 处理——「71% 全球第一」只当厂商口径记，不当行业事实搬。 若要成选题，下一步应回 SWE-bench-Live 官方榜单核该条记录，再决定是否升级为 🟢。④ 对我们的直接含义： 这条和中国模型（DeepSeek）＋工程框架的组合，正好是「效率是衡量标准」的一个国内样本——同等预算下，工程架构能榨出多少模型潜能，是我们评测线值得跟的一个方向。

领域：eval-evidence ｜ 去向：related（挂钩 2026-10-08 ③ Docker Agent「harness 决定生态」线；喂养「harness × 模型 = 成绩」评测选题）｜ 等级：🟡

来源：🟡 厂商口径（10-09 直读）量子位《联想天禧自研代码智能体TianxiCode斩获SWE-bench-Live全球第一》2026-10-09 16:53 https://www.qbitai.com/2026/10/502422.html （文末注明「本文由联想提供，量子位获授权转载」；71% 通过率、Lite 分榜、Verified 核验、三项工程能力、TianxiCode 定位与将落地联想硬件）｜🟢 背景已核：SWE-bench-Live 官方站点声明「2026-08 起加强提交核验、要求提交 agent rollout trajectories 以保证答案隔离」 https://swe-bench-live.github.io/ （说明 Verified 机制真实存在；但本站未在本轮抓到 TianxiCode 的榜单记录，71% 仍属厂商口径）｜⚠️ 无第三方复核、无公开复现物 → 整条 🟡