锐Owl 雷达 · 2026-10-19：DeepSeek 1017 同价涨分、Claude 半小时解开 25 年悬案、Google 让 agent 改自己的脚手架

覆盖 2026-10-16 18:00 → 2026-10-19 18:00（含周末）。本期为周日 + 周一合并期（10-17 / 10-18 周末不生成）。

本期横跨一个周末，五条凑在一起，讲的是同一件事：把活拆开，比算得更快更管用。 DeepSeek 的新 flash 在同价位上把 9 项可比基准全部往上抬，同时把输出写短（①）；Claude 半小时解开困了密码学界 25 年的种子悬案——它没搜得更狠，是先猜对了「当年的程序长什么样」（②）；Google 让 agent 在不动权重的前提下改自己的脚手架，涨分最多 11.5（③）；清华的 PilotDeck 2.0 把记忆做成白盒、把杂活降级给小模型，账单砍到 1/6（④）；VAST 的 EdenLive 干脆不让模型管世界状态，只让它渲染画面，于是单张 5090 就跑到 24 FPS 以上（⑤）。四条在省钱省时，一条在省搜索空间——但都是同一句：效率不是把最贵的那个用得更久，是让它少干一点。 本期 5 条，全部 🟡（原因见文末）。

① DeepSeek V4.1-Flash-1017：同价、11 项基准、输出更短，官方称之为「性能—费用的帕累托改进」（DeepSeek 官方 2026-10-17）

这一次官方没有靠降价，而是靠「少说废话」把性价比往前推了一格。 DeepSeek 于 2026-10-17 在 API 文档站发布 DeepSeek-V4.1-Flash-1017（news 页标题《Wish-Driven Programming Made Real》，同日更新 Change Log）：网页端、APP 与 API 同步切到新模型，API 侧模型名不变（deepseek-flash），价格表也未动（1M 缓存命中 $0.003/1M、未命中 $0.15/1M、输出 $0.6/1M，均为非高峰价；高峰翻倍）；上下文仍是 1M、最大输出 384K、支持视觉、思考模式默认开启、并发上限 2,500。官方给出的 benchmark 表共 11 项：HLE（w/o tools）42.6（括号内 44.0 为纯文本子集口径）、Terminal-Bench 4.0 42.3、DeepSWE v1.1 77.0、ProgramBench 29.1、NL2Repo-Bench 68.2、Automation-Bench v1.0.6 60.5、Agents' Last Exam 35.4、Apex Bench v1.1 72.1、Chartography（w/tools）83.0、BabyVision（w/tools）92.5、ZeroBench-main（w/tools）51.0（Pass@5）。官方的定性是「性能—费用的帕累托改进」：性能上去的同时，任务运行时间与输出长度一起降下来，并明说针对 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 做了专项优化，Harness 需升到 v0.2.1-rc.1 以上。同一天还开了一个更长期的口子：Search 与 Fetch 两个 API 对外开放，官方称由其自研搜索引擎支撑（日处理数亿次搜索请求、索引数千亿网页、会过滤 SEO spam 与 GEO 操纵），按成功请求计费 $0.75/千次（失败、无结果、超时不计费），经 Harness / Claude Code / Codex 的服务端工具调用暂时免费，2026-11-01 00:00（北京）起开始计费。权重开放（HF 仓 deepseek-ai/DeepSeek-V4.1-Flash-1017，元信息标 license:mit、fp8、image-text-to-text），两天内 HF 17,924 次下载 / 1,516 赞，HN 主帖 946 分 / 707 评论（2026-10-17T08:21Z）。

认知价值：① 「帕累托」这个词这次用得比多数厂商老实，但账要自己算。 官方只说「相比上一版大幅提升」，不给旧分；把 09-10 那期 Change Log 并排就能算出：HLE 36.8→42.6（+5.8，纯文本子集 39.1→44.0）、Terminal-Bench 4.0 31.2→42.3（+11.1）、ProgramBench 20.3→29.1（+8.8）、DeepSWE 74.2→77.0（+2.8）、NL2Repo 65.4→68.2（+2.8）、Agents' Last Exam 31.8→35.4（+3.6）、Chartography 78.9→83.0（+4.1）、BabyVision 89.6→92.5（+2.9）、ZeroBench 49.0→51.0（+2.0）；Automation-Bench 54.8→60.5 因版本号变成 v1.0.6，严格说不可直接比。九项可比、九项都涨——这才是「帕累托」的实证。② 另一半官方没说：榜单从 19 项缩到 11 项。 09-10 那期还列着 GPQA Diamond（90.9）、Codeforces（3471）、CyberGym（88.1）、SEC-Bench Pro（62.8）、ExploitGym（15.3）、HLE（w/tools，63.9）、Terminal-Bench 2.1（90.6）与 3.0（30.0）——这次全部消失。没列≠没测，但读者无法判断那些项是持平还是退步。榜单的裁剪本身就是口径：涨的留下、不涨的拿掉，一份「全线进步」就完成了。这不是 DeepSeek 独有，但凡是自己给自己发表的成绩，都该先数一数这次列了几项。③ 真正稀缺的指标是「每任务成本」，官方也只能给图。 他们把 DeepSWE v1.1 的 Pass@1 与「每任务成本」画成散点（mini-swe-v2 框架），但数字只在图里、正文无文本，且明说为几个 harness 做了专项优化——这意味着换 harness 结论可能翻转。对我们直接可用的一点：以后引用「某某更便宜」，必须带上 harness 与任务集，否则「便宜」没有意义。④ Search/Fetch 是这条里更长期的一步。 模型厂把「Agent 上网」的检索层收进自己的 API，按成功请求计费，还公开宣称会过滤 GEO 操纵与低质 AIGC——内容站被谁索引、按什么规则排序，正在从搜索引擎的公共规则变成模型厂的商业规则。对做内容的人是新变量：11 月 1 日之后，经 harness 触发的检索也要开始计费了。⑤ 许可值得单独记一笔：这次 HF 元信息标的是 MIT，不是过去那种自定义许可——同样是开源，条款松紧差很多，引用前看仓库标签，别看新闻标题。

领域：inference-efficiency ｜ 去向：feeds（喂养「每任务成本怎么算」讲：与 10-16 ① 两台 M5 Ultra 桌面跑 816B、10-15 ③ LFM2.5-24B-A2B、10-14 ③ MiniCPM-V 4.7 合成「同价位/同硬件下的能力边界」对照；DeepSWE vs cost 那张散点图可作我们复测的模板，但复测必须固定 harness）｜ 等级：🟡

来源：🟢 一手已核（10-19 直读官方文档）https://api-docs.deepseek.com/updates 《Change Log》Date: 2026-10-17（V4.1-Flash 升级为 1017；「Performance–cost Pareto improvement」；11 项基准与脚注「Terminal-Bench 4.0 用 Claude Code 框架、DeepSWE 用 Mini-SWE-V2、ZeroBench 为 Pass@5」；「reduced the model's task runtime and output length」；针对 DeepSeek Harness / Tencent CodeBuddy / WorkBuddy 优化，需 0.2.1-rc.1+）｜🟢 一手已核 https://api-docs.deepseek.com/news/news261017 《DeepSeek-V4.1-Flash-1017: Wish-Driven Programming Made Real》2026/10/17（自反馈强化学习、四个「许愿式编程」案例：故宫 3D、网页赛车、Godot 版传送门 2、史前到现代 3D 世界；Search & Fetch 每个端点 $0.75/千次，服务端工具调用计费自 Oct 31, 2026 16:00 UTC 起）｜🟢 一手已核 https://api-docs.deepseek.com/quick_start/pricing （flash 版本号=DeepSeek-V4.1-Flash-1017；1M 上下文 / 384K 最大输出 / Vision ✓；缓存命中 $0.003 非高峰、未命中 $0.15、输出 $0.6，高峰×2；并发 2,500；Search/Fetch $0.75 每千次成功请求；免费至 2026-11-01 00:00 北京）｜🟢 一手已核 https://api-docs.deepseek.com/guides/search/ （POST /v1/tools/search、POST /v1/tools/fetch，返回 Markdown；count 1–50）｜🟢 对照期（09-10 旧分）https://api-docs.deepseek.com/updates 同日页《DeepSeek-V4.1-Flash Release 2026/09/10》（GPQA 90.9、Codeforces 3471、HLE 36.8/39.1*、MathArena Apex 65.6、TB 2.1 90.6 / 3.0 30.0 / 4.0 31.2、DeepSWE 74.2、ProgramBench 20.3、NL2Repo 65.4、CyberGym 88.1、SEC-Bench Pro 62.8、ExploitGym 15.3、HLE w/tools 63.9、Automation-Bench 54.8、Agents' Last Exam 31.8、Chartography 78.9、BabyVision 89.6、ZeroBench 49.0）｜🟢 一手已核 HF（经 hf-mirror API）https://hf-mirror.com/api/models/deepseek-ai/DeepSeek-V4.1-Flash-1017 （license:mit、fp8 / 8-bit、deepseek_v41、image-text-to-text、downloads 17,924、likes 1,516、lastModified 2026-10-17T05:46:55Z）｜🟢 ModelScope API（Data.CreatedTime 对应 2026-10-17，架构 DeepseekV41ForCausalLM）｜🟢 HN Algolia（946 分 / 707 评论 / 2026-10-17T08:21:25Z；Search&Fetch 单帖 573 分 / 2026-10-18T06:50Z）｜⚠️ 全部 benchmark 为厂商自测，官方未给旧分、未给每任务成本的文本数字 → 本条按 🟡 记

② Claude 半小时解出 NIST 曲线种子的来历：不是那句玩笑口令，是 1997 年的时钟（Anthropic 2026-10-16；悬赏方 10-15 认领并独立复算）

25 年里所有人都在猜「那句话是什么」，Claude 换了个问题：「当年那个程序长什么样」。 五条 NIST 素数曲线（P-192 / P-224 / P-256 / P-384 / P-521）的 seed 在 FIPS 186-2（2000）里公开了二十年，来路从没解释过——它们由 NSA 提供，长期的说法是 Jerry Solinas 用一句玩笑口令做 SHA-1（「给 Bob 和 Jerry 加薪」之类），本人 2023 年去世、同事也记不清。Anthropic 于 2026-10-16 发布研究页《Claude reveals ECDSA curve origins》：一名员工把问题丢给内部研究模型、没有给那条口令线索，不到半小时，五组 seed 全部解开——它们根本不是任何哈希的结果，而是 1990 年代 C 库线性同余随机数生成器的输出，用 Unix 时间戳做种子（Anthropic 原文写 lrand48，悬赏发起人 Filippo Valsorda 的复核文写 drand48，同一 POSIX 家族的两个取数接口）。方法可复述：写扫描器沿每个 seed 逐位滑动、试 34 种「生成器×取位」组合；发现十个 seed 里有四个、拆成五个 32 位字后最高位全是 0——随机出现的概率 1/5,810，这是 lrand48 只取 48 位状态高 31 位的签名；再用 LLL 格基约简从被截断的输出里恢复内部状态，最后把状态沿递推倒推到 srand48 初始化形态（低 16 位 = 0x330E），得到一串时间戳，十个素数曲线的初始化时刻落在 1997-05 到 1998-04 之间；以 P-256 为例，srand48(871696354) = 1997-08-16 01:52:34 UTC，取第 1,842 个候选即得标准里的 C49D… seed。独立复核这条最硬：Valsorda 在 2026-10-15 01:07:51 UTC 确认悬赏被 Anthropic 十人团队认领（奖金捐给 ISRG / Let's Encrypt，三倍后 $36,864），并用 Go 重写了一遍算法逐条验证；他也独立发现，同一次运行里第 876 个候选同样能生成合规曲线、却没有被采用。两家都承认还有没解释的部分：B-163 的 seed 仍未解开，P-224/256/384/521 的基点来源不明，为什么跳过若干可用候选也说不清（Valsorda 补了一条未公开判据：阶 n 的位长超过基域 p 的位长即拒，但剩下的差额仍无解释）。HN 主帖 1,054 分 / 388 评论（2026-10-16T18:55Z）。

认知价值：① 这不是「AI 破解了密码学」，是「先猜对了仪器」。 二十五年里所有人的搜索空间是「人类可能写下的句子」——无边无际，且线索（一位逝者的模糊记忆）本身可能是错的。Claude 换的坐标是：「生成这些数字的软件在 1997 年能长什么样？」答案被约束到极窄：那个年代的 C 库就这么几个 PRNG，取位方式就这么几种，34 个组合、跑一遍几分钟。同一个谜题，换个坐标就从无解变成半小时。 这与我们做评测时反复讲的那句是同一件事：先把变量定位清楚，再谈算力。② 反过来，「半小时」几乎肯定不是全部成本。 它站在 25 年的公开线索上：Solinas 的口述、Steve Weis 的整理、悬赏页直接列出的五个哈希值。把这些读成「AI 独立破解」是高估；读成「AI 只是个更快的枚举器」是低估——它做的是提出假设那一步，而这一步历来是人的活。③ 这是「AI 产出的证据如何被接受」的一个干净样本。 结论能站住，不是因为 A 社说了，而是因为悬赏方自己用另一门语言重写了一遍算法、逐条对上时间戳、还补出了被跳过的候选。可复算 = 可采信。 把它和 10-16 ③（那份通过了 Lean 形式化、却没人读懂的证明）并排放，同一周里两种截然不同的接受路径：一个靠机器检查推导合法，一个靠第三方重跑程序——前者保证「没算错」，后者才保证「说的是真的」。④ 连「一手」都会打架。 Anthropic 写 lrand48、Valsorda 写 drand48，同一家族的两个函数名，两家一手文档都没对齐；A 社那句「不到半小时」「没给线索」也无从独立复核。这不是挑刺，是提醒：引一手也要看它是在描述结果，还是在描述过程。 ⑤ 可迁移的一条：接手没人说得清的遗留系统，别从「当初的人怎么想的」入手，从「当年他手上有什么工具」入手。1997 年的程序员能用的东西很少——这个约束本身就是最强的先验。

领域：eval-evidence ｜ 去向：related（挂钩 2026-10-16 ③ 纳维-斯托克斯「形式化通过≠有人理解」、2026-10-07 ① OpenAI 722 篇手稿的信任机制；喂养「AI 做研究，证据怎么才算数」讲：可复算优先于可检查，第三方重跑优先于自述）｜ 等级：🟡

来源：🟢 一手已核（10-19 直读研究页全文，171,170 B）https://www.anthropic.com/research/ecdsa-curve-origins 《Claude reveals ECDSA curve origins》Oct 16, 2026（原文含：FIPS 186-2 / 2000 采纳、seed 由 NSA 提供无解释、「under half an hour」、34 种生成器与取位组合、四个 seed 的二十个字最高位全 0、概率 1/5,810、LLL 恢复状态、srand48 低 16 位 0x330E、时间戳窗口 May 1997–April 1998、P-256 第 1,842 个候选、candidate 876 同样合规却未发布、P-224 跳过三个、B-163 未解、P-224/256/384/521 基点来源未解、以及 Claude 当时的自述式疑虑「am I in some sort of simulated/test environment?」）｜🟢 一手已核（悬赏方独立复核）https://words.filippo.io/seeds-solved/ 《The NIST Elliptic Curves Seeds Bounty Has Been Claimed》16 Oct 2026（认领时刻 2026-10-15T01:07:51Z、Anthropic 十人名单、捐 ISRG 三倍至 $36,864、「I reimplemented the algorithm in Go to verify the claim」、drand48 口径、P-256 srand48(871696354) = 1997-08-16 01:52:34 UTC 的第 1842 个 / 第 876 个未发布、P-521 srand48(871002724)、P-384 srand48(872952608)、P-224 srand48(891607927)、未公开判据「order 位长 ≤ 基域位长」、以及仍有两倍于已发布的可用 seed 无法解释）｜🟢 一手已核（悬赏原始条款）https://words.filippo.io/seeds-bounty/ 《Announcing the $12k NIST Elliptic Curves Seeds Bounty》5 Oct 2023（$12,288、捐慈善三倍、五个哈希值、Koblitz–Menezes《A Riddle Wrapped in an Enigma》）｜🟢 HN Algolia（1,054 分 / 388 评论 / 2026-10-16T18:55:59Z）｜🟡 中文波次：量子位 2026-10-17 20:06《Claude半小时解开密码学悬案，学界集体走偏20年》https://www.qbitai.com/2026/10/503910.html ｜⚠️ 数学结论双源独立复算（🟢），但「不到半小时」「未给线索」为 Anthropic 自述、无从独立复核 → 整条按 🟡 记

③ Google 开源 Harness²：权重不动，让 agent 自己改自己的脚手架，GLM-5 在 WorkBuddy-Bench 上 64.2 → 75.7（arXiv 2610.14224，2026-10-09 提交）

「在哪个 harness 里跑」这件事，第一次被做成可以自己迭代的对象。 Google Cloud AI Research（与西北大学合作，作者 Ruiyao Xu、Yanfei Chen、Zhongying CuiZhu、Bhavana Dalvi Mishra、Yifei Ming、Han Yu、Rujun Han、Chen-Yu Lee、Tomas Pfister）于 2026-10-09 向 arXiv 提交《Harness²: Recursive Agent Harnessing for an Open World》（编号 2610.14224，cs.CL），GitHub 仓库 google-research/harness2 2026-10-06 建立、Apache-2.0，截至 10-19 已 9,007★ / 790 fork。它要解决的问题很具体：开放世界里的任务在「设计脚手架」时还没出现，没有 ground truth 可以给在线改动打分；而且改出来的东西常常只对当前任务有效，换个任务就成累赘。做法是两层递归：任务级用 Propose–Probe–Compose——针对参考轨迹提两套补丁（一套修跨领域的通用缺陷「Invariant」，一套修当前业务的领域缺陷「Domain」），把两套补丁分别放回同一个任务里跑，不找裁判，只比对执行轨迹与参考轨迹的行为差异（Behavioral Contrast），最后只把「被行为证据支持」的改动合进执行脚手架；改进级则把整段调试记录交给反思模块，写成 EXPERIENCE.md 存进「改进经验库」，下一个任务来时执行端从干净的基础脚手架开始，只有「负责改装的大脑」带着经验。可编辑的部件有八个：系统提示词、护栏、记忆、工具指引、子 agent、技能、脚本、插件。实验在三个职业基准（WorkBuddy-Bench、JobBench、Harvey 的 LAB）与四种「模型×脚手架」配置上做，底座是 GLM-5 与 Gemini 3.5 Flash、执行器是 OpenCode 与 Codex：单步（k=1）提升最多 11.5 分（WorkBuddy-Bench）、4.5 分（JobBench）、11.8 个百分点（LAB 部分通过率）；并行预算加到 k=5 再涨 3.9 / 4.2 / 6.7；把 JobBench 上攒的经验库直接搬到 WorkBuddy-Bench、完全不做额外探测，仍带来代码 +0.6、网页 +0.5、办公 +2.9。一个容易被忽略的实现细节：默认的「改脚手架的人」是 Claude Opus 4.8，跑在 OpenCode 下。中文波次落在 2026-10-19 11:11（量子位），而 HN 上几个提交分别只有 5 分 / 1 分 / 2 分。

认知价值：① 它把「改脚手架」变成了一次没有标准答案也能做的对照实验。 传统 A/B 要有裁判；它的裁判是「同一任务下，行为有没有变好」——把评测方法论里的同条件对照、只换一个变量、看行为差异搬进了运行时，执行者从人换成了系统。这正是我们反复讲的那句「先定变量，再读数」，只是这次连「读数的人」也交出去了。对我们更有用的一点是它给了无 ground truth 场景下的一套可操作流程：先跑参考轨迹 → 提补丁 → 同任务复跑 → 只采纳有行为证据的部分。② 最该被引用的一句在 README 里，是作者自己写的警告：executor 网络不受限、Codex 沙箱关闭，而「公开基准的 rubric 可能在线可达」，所以评测前必须配置网络限制，防止模型去拿答案和评分标准。这句话反过来解释了为什么这类「涨 11 分」的结果对环境极度敏感——看到别人复现不出，先问网络开没开。 ③ 分数里有多少是「教师」的功劳，必须说清。 默认 improver 是 Claude Opus 4.8，被改的是 GLM-5 / Gemini 3.5 Flash——强模型给弱模型改外壳，本质是一次蒸馏式的信息转移，不是「模型自己变强」。官方也明说 model weights fixed：现在能递归的是外壳（提示词、工具、记忆、子 agent），不是权重。判断「RSI 到哪一步了」，这条线要画清楚。④ 热度与讨论脱节得厉害：13 天 9,007★，HN 只有 5 分。这一波是中文媒体加社交传播推起来的，不是英文技术社区的共识；星数在这种项目上更接近「收藏」而不是「读懂」——本期 ⑤ 的 207★ / 79 次下载是同一课的另一个方向。⑤ 经验能迁移的部分很有意思：跨基准搬经验，办公类涨 2.9、代码只涨 0.6、网页 0.5。越像流程的部分越搬得动，越依赖具体领域知识的越搬不动——这条对「做一个通用 agent 还是做一堆专用 agent」的选择，是直接的证据。

领域：agent-frameworks ｜ 去向：feeds（喂养 harness 主线第四讲：与 10-16 ④ 多会话 RL 的「训练假设 vs 执行形态」、10-15 ③ harness 进入训练变量、本期 ① DeepSeek 为 harness 专项优化并列——四条指向同一结论：harness 已经从「工程细节」变成模型厂的竞争面；另可挂钩我们自己的评测协议：无 ground truth 时用行为对比代替裁判）｜ 等级：🟡

来源：🟢 一手已核（10-19 直读 arXiv 摘要页）https://arxiv.org/abs/2610.14224 《Harness^2: Recursive Agent Harnessing for an Open World》Ruiyao Xu 等 9 人，Submitted on 9 Oct 2026（原文含：开放世界无 ground-truth verifier 与任务特异性两个挑战、双层递归、contrastive Propose–Probe–Compose、continual improvement harness、三基准四配置、单步最多 11.5 / 4.5 / 11.8、k=5 再加 3.9 / 4.2 / 6.7）｜🟢 一手已核仓库 https://github.com/google-research/harness2 （Apache-2.0、9,007★ / 790 fork、created 2026-10-06T21:48:11Z、pushed 2026-10-14T02:22:51Z、open issues 70；README 八个可编辑部件 system prompt / guardrails / memory / tool guidance / subagents / skills / scripts / plugins；Linux + Python 3.12 + uv；--k 与 --mode parallel|sequential、--substrate cx 切 Codex；「Public benchmark rubrics may be accessible online… configure network restrictions to prevent access to benchmark answers and grading criteria」；声明非 Google 官方支持产品）｜🟢 论文实现细节（默认 improver = Claude Opus 4.8 跑 OpenCode；底座 GLM-5 / Gemini 3.5 Flash；执行器 OpenCode / Codex；经验库跨基准迁移 JobBench→WorkBuddy 见 Fig.7）｜🟡 中文波次：量子位 2026-10-19 11:11《谷歌开源RSI新成果！华人浓度爆表》https://www.qbitai.com/2026/10/504184.html （其表格数字与论文一致；「5 分/1 分」为 HN 提交分数，非热度结论）｜⚠️ 提升幅度全部为作者自测、论文未经同行评议、无第三方复现，且作者自己提示基准答案可能在线可达 → 整条按 🟡 记

④ 清华 THUNLP 等开源 PilotDeck 2.0：记忆做成白盒，路由把账单砍到 1/6（README 2026-10-15；中文波次 10-17）

长任务里最贵的不是 token，是「它记错了一个参数、你只能重开一轮」。 清华大学 THUNLP 联合面壁智能、OpenBMB、AI9Stars 开源的 PilotDeck 于 2026-10-15 发布 2.0（README 的 News 行写明；中文波次 2026-10-17 20:10，量子位）：一键安装、可视化配置，跨 2,000 条交互消息仍能把长任务跑在轨道上，另配 Word / Excel / PPT 技能。它的基本单位叫 WorkSpace（工作舱）——每个项目一套独立的文件系统、记忆库、技能集，多个项目并行时不共享上下文，从根上避免「写完架构文档转头写文案还是架构腔」。三条支柱：白盒记忆（生成、抽取、存储、调用全链可见，记错的那条能直接定位、修改、删除、固定；空闲时由 Dream 模式归纳去重，且一键回滚到整理前）、Smart Routing（按任务难度分层：复杂规划给顶配模型，润色、排版、格式处理降级给轻量模型，端云协同）、Always-on（关掉窗口也在后台跑长周期监控，最后把成果落成本地文件 + 进展报告）。原生支持 MCP，Web / CLI / 企业微信 / 飞书行为一致，可 Docker 部署，许可 AGPL-3.0；仓库 OpenBMB/PilotDeck 截至 10-19 为 4,761★ / 518 fork（2026-05-22 建立，10-19 仍在推送）。官方 README 给了两组账单：社媒运营单次全流程全用 Claude Opus 4.5 是 $12.58，改成「Opus 4.5 主 + Sonnet 4.5 子」后 $2.83；七个复杂任务（多语种播客推送、多源数据报告、领域论文综述、代码库架构文档等）上，MiniMax-M2.7 单跑 37.1 分 / $1.90、Claude Sonnet 4.6 单跑 69.1 分 / $18.36、「Sonnet 4.6 主 + MiniMax-M2.7 子」70.6 分 / $3.15。中文报道另称其在 Workbuddy Bench 上用 Qwen3.6-35B-A3B 拿到 79.1 分、高于 Claude Code 的 77.3（此数仅见媒体，README 未列）。

认知价值：① 白盒记忆是这条里最实的一点：它把「模型记住了什么」从不可观测变成可审计。 做过长任务的人都知道痛点在哪——不是它答错，是你不知道它凭什么这么答、错在哪一条记忆上。可定位、可修改、可回滚，等于把记忆从「上下文」变成「数据」：能查、能改、能版本回退。这与 10-16 ② 那条「先怀疑仪器」是同一套思路，只不过对象换成了 agent 自己的状态。② 但「白盒」只覆盖它愿意写下来的那部分。 Dream 模式的归纳、去重仍然是模型在做——你看到的是被抽取后的记忆，不是抽取过程。可审计 ≠ 一定被审计，也 ≠ 归纳本身透明。真要追责，还得看它对同一段交互两次归纳是否一致（这恰好是一个可以自己跑的测试）。③ 路由省钱的账，要补一项没算进去的成本。 省下的 70% 来自「把任务分段定价」，代价是难度判定这一步新增了失败模式：判轻了，复杂任务被降级、返工；判重了，白花钱。那张表里 70.6 是平均分，真正该问的是方差——哪几类任务被路由坑了。我们自己跑这类系统时会加一条：记录每次路由决策，事后按「判错方向」分桶统计，否则省钱是省在看不见的地方。④ 许可要看清楚：AGPL-3.0 是强 copyleft，嵌进商用产品要开源（含以网络服务形式提供）。内部用没问题，想包成 SaaS 卖，先想清楚这条。⑤ 一个信号：同一周两个团队都在用 WorkBuddy-Bench（本期 ③ 的 Google 也是）。一个基准在两周内变成「专业工作型 agent」的事实记分牌——好事是可比，风险是大家开始对着它调（③ 的 README 警告在这里同样成立）。

领域：agent-frameworks ｜ 去向：related（挂钩 2026-10-16 ②「先怀疑仪器：可解释性打分也是评测」与 2026-10-12 ② dsh 插件生态；喂养「agent 的状态该由谁持有」讲：隔离（WorkSpace）、可审计（白盒记忆）、可恢复（回滚）三件套，正好对应我们做长任务时最常丢的三样东西）｜ 等级：🟡

来源：🟢 一手已核（10-19 直读仓库 README，23,225 B）https://github.com/OpenBMB/PilotDeck （News：2026.10.15 PilotDeck 2.0，一键安装、可视化配置、跨 2,000 条交互消息、Word/Excel/PPT 技能；WorkSpace 隔离、白盒记忆 + Dream 模式 + 一键回滚、Smart Routing、Always-on、MCP 原生、Web/CLI/IM 一致；账单表 $2.83 vs $12.58、70.6/$3.15 vs 69.1/$18.36 vs 37.1/$1.90）｜🟢 一手已核 GitHub API（OpenBMB/PilotDeck：AGPL-3.0、4,761★ / 518 fork、created 2026-05-22T06:50:28Z、pushed 2026-10-19T09:34:09Z、homepage pilotdeck.openbmb.cn、未归档）｜🟡 中文波次：量子位 2026-10-17 20:10《清华开源！智能体操作系统任务成本降83%，AI记忆可查可改》https://www.qbitai.com/2026/10/503935.html （Workbuddy Bench 79.1 vs Claude Code 77.3 仅见该文，README 未列；「成本降 83%」为其对 1/6 的换算口径）｜⚠️ 路由与账单为官方自测（7 个任务、单次运行，未给方差与重复次数）→ 整条按 🟡 记

⑤ VAST 开源 EdenLive：单张 5090 上 720P 跑到 24 FPS 以上，代价是把「世界」交还给引擎（2026-10-18）

24 FPS 不是因为模型变快了，是因为它要负责的东西变少了。 VAST（Tripo3D 团队，Project Eden 线）于 2026-10-18 发布并开源实时世界模型 EdenLive：核心不是「生成一个世界」，而是把世界状态与视觉渲染拆开——上游交互系统（代码 agent 或游戏引擎）执行规则、维护世界状态，并输出一段简化的参考画面；EdenLive 只做渲染：以参考画面提供布局、镜头与运动，以目标首帧定整体外观与画风，以提示词补风格细节，实时输出精细帧。官方口径：单张消费级 RTX 5090、720P 下 5B 模型超过 24 FPS，分钟级连续生成，端到端延迟百毫秒级，支持 480P / 720P，4B 级以外还有 14B。开放的东西挺全：5B 与 14B 权重（双向与少步 chunk-AR 两种推理）、实时流式推理代码、技术报告、端到端 Demo，另附 game-prototype-turbo skill——一句话生成一个能玩的粗模游戏原型（游戏跑逻辑、出参考画面，EdenLive 实时上画）。仓库 VAST-AI-Research/EdenLive 为 Apache-2.0、207★ / 5 fork（2026-10-12 建立、10-19 仍在推送）；HF 权重仓 VAST-AI/EdenLive 的 pipeline_tag 是 image-to-video、许可为 edenlive-mixed（license:other）、79 次下载 / 8 赞，仓内除 5B/14B 的 dit 与 decoder 外，还带一个 FLUX 派生的 c2f 组件（各自附 LICENSE.md / NOTICE.md）。应用面覆盖：游戏原型预览、场景与动画预览（同一布局换画风）、已有视频重渲染换皮、具身数据增强（真人操作换成机械手视角，动作保持不变）。

认知价值：① 这条的工程含义是：把生成模型从「世界模拟器」降级成「渲染器」。 让模型去记物理规则、记物体恒存、记状态一致性，一直是它最不靠谱的部分；把状态交给确定性的引擎或代码、模型只负责「看起来对」，实时性立刻就出来了。这不是模型变强，是任务被切小。 与本期 ①（少输出）、③（少改）、④（少用贵模型）是同一条线，只是切在了渲染这一层。② 但「24 FPS」有一个前提要写清：它渲染的是参考画面，参考从哪来？ 得先有一个能跑的低模场景或游戏。所以它替代的不是「从零生成可交互世界」，而是给粗糙原型上精细画皮。对做内容的人是立刻可用的（分镜预览、换画风、具身数据增广）；对做世界模型的人，这是另一个问题——状态一致性被移出了模型的考核范围。③ 许可要分开看：代码 Apache-2.0，权重是 edenlive-mixed 自定义许可，且仓里带 FLUX 派生的组件。代码开源 ≠ 权重可商用，今年这已经是第 N 次遇到，商用前逐项读 LICENSE，别只看 README 上的 Apache 徽章。④ 热度很冷静：207★ / 79 次下载，和本期 ③ 的 9,007★ 正成对照。说明「开源」这两个字的真实门槛在能不能跑起来：14B 权重 + 实时推理 + 单卡 5090，不是下载就能玩。⑤ 时间线本身是可引用的证据：VAST 在 6 月的 Project Eden 研究预览里就公开了「状态维护与视觉渲染解耦」，现在才把权重、代码、技术报告一起放出来。路线先公开、成果后开源——做技术判断时，这种时间差比发布稿里的形容词可信。

领域：industry-model ｜ 去向：feeds（喂养「实时生成 / 世界模型」选题：与 10-16 ① 两台 M5 Ultra 桌面跑 816B、10-15 ② Matrix-Game 4.0、10-12 ① VISTA 并列成「谁能实时、谁只在演示」对照；game-prototype-turbo 可作为我们自己「一句话出可玩原型」的实测对象，单卡 5090 有现成算力可复现）｜ 等级：🟡

来源：🟢 一手已核（10-19 直读仓库 README 与项目页）https://github.com/VAST-AI-Research/EdenLive （TL;DR：解耦 state evolution 与 appearance；「renders reference videos to enhanced videos in real time at 24 fps or higher, even on a consumer GPU (RTX 5090)」；项目页称 >24 FPS、minute-scale、480P/720P，5B 单卡 720P；开源 5B/14B 权重（bidir + chunk-AR）、实时流式推理代码、game-prototype-turbo skill、前端）＋ https://vast-eden.ai/?p=edenlive ｜🟢 一手已核 GitHub API（Apache-2.0、207★ / 5 fork、created 2026-10-12T01:57:33Z、pushed 2026-10-19T09:59:36Z）｜🟢 一手已核 HF（经 hf-mirror API）https://hf-mirror.com/api/models/VAST-AI/EdenLive （image-to-video、license:other / license_name: edenlive-mixed、createdAt 2026-10-12T01:59:14Z、lastModified 2026-10-18T10:20:36Z、downloads 79 / likes 8；文件清单含 dit-5b / dit-5b-bidir / dit-14b / dit-14b-bidir、decoder-5b/14b、flux-c2f（附 LICENSE.md / NOTICE.md））｜🟡 中文波次：量子位 2026-10-18 19:49《VAST开源实时世界模型EdenLive！单消费级显卡、720P超24FPS》https://www.qbitai.com/2026/10/504136.html （「端到端延迟百毫秒级」出自该文引述 VAST，README 未给；技术报告 PDF 直链返回 15,007,591 B 但解析失败「invalid PDF structure」，本轮未读报告正文）｜⚠️ FPS / 延迟为厂商口径、无第三方复现；技术报告未读 → 整条按 🟡 记