锐Owl 雷达 · 2026-10-22：AI 把「发现」变便宜了，没把「判断」变便宜

覆盖 2026-10-21 18:00 → 2026-10-22 18:00（北京时间）。

今天最响的一条是 PHP 的两个 CVE：十年没人证出来的内存问题，这一轮三家研究方在两周内各自撞上同一个根因；但修它被共识制拖了两年，PHP 基金会自己在复盘里写成「structural failure」。剩下四条落在同一个位置——判断发生在你看见结果之前：文档摄取在 agent 读之前就丢掉了作者标出的重点；记忆系统在问题到来之前就决定留下什么；闭卷模型给出的参考文献「存在但无关」；而今天两家国产厂商同时把「判断」从生成里拆出来，做成能跑单卡的专用小模型。五条合起来一句话：产出越来越便宜，判断没有。

① PHP 两个 CVE 打穿 mod_php：十年没人证出来的洞，这一轮两周被三家同时证出来，但修复被共识制拖了两年（PHP 8.5.12 / 8.4.27 / 8.3.36 / 8.2.35，2026-10-21）

这次修的是两个能让未认证请求执行代码的洞，就在每个请求都会碰到的地方——内存管理与错误处理。 PHP 官方公告（2026-10-21）写明两个 CVE：CVE-2026-109618（GHSA-w8hw-w9fx-j79w，内存超限时的 OOM 损坏：请求恰好在错误的时刻撞上 memory_limit，PHP 把只初始化了一半的内部数据当成有效数据继续用）与 CVE-2026-109619（GHSA-6wmf-4rv5-p3rp，陈旧全局状态：致命错误把内部状态指向了上一个请求的内存，同 worker 的下一个请求会用到已被释放的内存）。风险最高的是 Apache + mod_php——未认证请求可以在任何应用代码运行之前触发，官方写明「默认设置下演示了完整 RCE」；PHP-FPM 侧也经应用层路径确认可 RCE。受影响 SAPI 列表覆盖 PHP-FPM、mod_php、php-cgi、FrankenPHP 与 LiteSpeed；Wiz 研究称影响面可回溯到 PHP 5.4、波及约 70% 的网站（其口径）。CVSS 9.2——这一点要记住，10-20 泄露到论坛的版本写的是 10.0。

发现侧这两年发生了什么，PHP 基金会的复盘比新闻稿诚实得多。 2024 年 PHP 做了多年来的第一次外部安全审计（Sovereign Tech Agency 出钱、OSTIF 组织、Quarkslab 执行）；基金会雇的核心开发者在修另一个报告时第一次看到 OOM 问题的迹象，当时也「理论上」设想过利用，但没找到具体向量，被其他更明确的问题盖过去。2026 年进入 Patch the Planet 之后：Calif 于 7-30 开始审计 PHP，8-11 研究员 Ryan A 报出同根因的无条件 RCE，同一天 OpenAI 独立报了同一个根因；9-18 OpenAI 再补更多攻击向量，8-24 Wiz 报出其发现的四个 bug，Trail of Bits 也在审。

修复侧被拖了两年，官方自己承认是结构性问题。 原文：「the delay was a structural failure, caused by both the security team's decision process and its lack of resources.」三个候选修法各有代价——破坏向后兼容、引入新的 DoS 面、或者要求大量第三方扩展跟着改；共识制的小组不敢拍板，加上懂引擎的人少且都在忙别的，工作「反复停滞又重启」数月。补上来的是组织而不是技术：5 月成立 Ecosystem Security Team，7 月、9 月各进一人做 triage 与 hardening。自 7-1 起团队发了 15 个 CVE，同时处理了 100 多份无效、重复或不可复现的报告。

披露侧被整体压缩了一天。 10-20 15:00 UTC，两个 CVE 号在论坛和社媒外泄（带着错误的发布时间与错误的 10.0 分，无技术细节）；PHP 把预告提前到 19:30 UTC 发布，并把正式发布从 10-22 14:00 UTC 提前到 10-21 14:00 UTC——因为发行版还在打包，立刻发会让很多人没有升级路径。约 20:00 UTC，报告方之一 Calif 误发了一段 PoC 演示视频，被转存扩散。HN 上 PHP 8.2.35 发布帖 1,036 分、基金会复盘 738 分、Wiz 研究 441 分。

同一天还有一篇反方。 开发者 Elias Taylor 当日写《There isn't an easy exploit for this PHP vulnerability》：GitHub 上数千个「PoC」对原版 PHP 并不工作，多数要靠 LFI——也就是说，它们要求目标服务器已经存在一个严重漏洞；他认为这是「判断被外包给同一个模型」的结果，所以错误分布集中得反常。这是第三方观点、未经官方确认（HN 上 525 分）。

认知价值：① 这条最该记的不是「AI 找到了漏洞」，是「三家在两周内独立撞上同一个根因」。 Calif 8-11、OpenAI 同一天、Wiz 8-24——当「读懂内存生命周期、把一个洞串成利用链」变成可外包的工作，同一个洞会被多组人几乎同时撞见。于是披露这台机器的瓶颈从「发现」挪到了「协调」：PHP 团队要同时跟四家研究方、十来个云厂商和 CDN 对表。以后看安全新闻，先看时间线里的两个数——报告方数量 vs 修补的人手。② 「结构性失败」这四个字比漏洞本身更有价值。 不是算不出来，是没人有权拍：三种修法各有代价，共识制小组宁可不动。这对任何团队都是直接的：安全修复缺的通常不是分析，是「谁拍板、代价谁承担」的机制。③ 披露被压缩的那一天，是 AI 时代的新常态。 技术细节能藏住（官方说没有技术细节泄露），元数据藏不住——CVE 号、发布时间、CVSS 分在 T-2 天就上论坛了，还带着错的分。协调披露的前提是所有环节守时，一个环节提前漏，整条链的窗口就被压。④ 反方那条才是今天最值得抄的一段。 数千个「PoC」不工作，因为它们共享同一个错误前提（需要 LFI，等于要求目标已经被攻破）。判断被外包给同一个模型，错误就会同分布地重复——他叫它「Decision Schelling Points」。这跟我们自己的证据纪律同构：模型能给出看起来完整的证据链，但「这算不算证据」仍要人下判断。 看到一批高度相似的复现/复现报告，第一反应应该是「它们是不是同一个模型写的」。**⑤ 运维口径要更新：**风险最高的是 mod_php，且攻击发生在应用代码之前——应用层 WAF 与业务日志可能什么都看不到。加固顺序是先升级，再看异常 multipart 请求后紧跟内存超限错误、反复 HTTP 500、畸形的 PHPSESSID 响应 cookie、以及无法解释的 worker 抖动。⑥ 边界：CVE 号、影响面、修复版本、时间线均取自 php.net 公告与 PHP 基金会复盘（一手直读）；「70% 网站」与「四 bug/四个演示目标」是 Wiz 口径；「没有可用利用」是第三方博客观点，不是官方结论——官方复盘只写到他们持续检查流传的 PoC，结论句在我们抓到的版本里被截断，故不替它下判断。

领域：industry-model ｜ 去向：feeds（喂养「AI 把发现变便宜、判断没变便宜」选题：主线用 PHP 这条完整时间线——发现侧三家撞车（8-11 / 8-11 / 8-24）、修复侧共识制拖两年（官方自认 structural failure）、披露侧元数据先漏（10-20 15:00 UTC）、判断侧数千个假 PoC 同分布；可接 10-21 ① DeepInfer 的「读缺口清单」与 10-21 ④ toolflation 的「验证层」两处，合成「判断力」一讲）｜ 等级：🟢

来源：🟢 一手已核（2026-10-22 直读 HTML）https://www.php.net/archive/2026.php 《Security advisory: Critical remote code execution vulnerabilities, update now》21 Oct 2026（原文含：PHP 8.5.12 / 8.4.27 / 8.3.36 / 8.2.35；CVE-2026-109618 / GHSA-w8hw-w9fx-j79w、CVE-2026-109619 / GHSA-6wmf-4rv5-p3rp；受影响 SAPI＝PHP-FPM、Apache mod_php、php-cgi、FrankenPHP、LiteSpeed；「risk highest for mod_php」「unauthenticated request can trigger the attack before any application code runs」）｜🟢 一手已核 https://thephp.foundation/blog/2026/10/21/todays-php-security-release-and-how-were-strengthening-php-security/ 《Today's PHP Security Release, and How We're Strengthening PHP Security》Published on Oct 21, 2026（原文含：2024 年首次外部审计＝Sovereign Tech Agency 资助 / OSTIF 组织 / Quarkslab 执行；Calif 7-30 起审、8-11 Ryan A 报无条件 RCE、同日 OpenAI 独立同根因报告、9-18 OpenAI 再报向量、8-24 Wiz 报四 bug、Trail of Bits 在审；「the delay was a structural failure, caused by both the security team's decision process and its lack of resources」；5 月成立 Ecosystem Security Team、7 月 Daubois、9 月 Scherzer 入职；自 7-1 起 15 个 CVE、100+ 无效/重复/不可复现报告；泄露＝10-20 15:00 UTC 两 CVE 号外泄（误传 CVSS 10.0，实际 9.2，无技术细节）、预告提前至 19:30 UTC、发布由 10-22 14:00 UTC 提前到 10-21 14:00 UTC、约 20:00 UTC Calif 误发 PoC 视频）｜🟢 一手已核 https://www.wiz.io/blog/php2shell-php-rce 《PHP2Shell: AI uncovers critical RCE vulnerabilities affecting 70% of the Internet》October 21, 2026（原文含：70% of all websites、回溯至 PHP 5.4、CVSS 9.2、四个 bug、WordPress/Drupal/Joomla 未认证 RCE 演示、应用无关的内存泄露、使用 Wiz Atlas / Gemini 4 Argon / GPT-5.6 Sol、与 PHP team + Calif + OpenAI 协作、披露时间线 8-19 发现 → 8-20 Drupal → 8-21 WordPress → 8-24 报 PHP → 9-21 PHP 确认 → 10-21 修补与公开、「a single researcher completed in a week what previously would have taken a world-class team months of work」＝Wiz 自述口径）｜🟡 第三方观点 https://eliastaylor.com/noexploit/ 《There isn't an easy exploit for this PHP vulnerability》2026-10-21（数千个 PoC 不工作、多数依赖 LFI、Decision Schelling Points 说法；作者个人博客，非官方）｜🟢 HN Algolia（PHP 8.2.35 发布帖 1,036 分；PHP Foundation 复盘 738 分；Wiz 研究 441 分 / 26 评论 / 2026-10-21T13:43:19Z；反方文 525 分）

② 文档摄取丢掉的那一层：作者用高亮和颜色标出的重点，让 agent 的 micro F1 从 0.690 掉到 0.150（arXiv 2610.30026，2026-10-21）

这篇论文测的是一个从来没人测的环节：Word/PDF 变成 token 的那一层，把「作者用格式表达的意思」整层丢掉了。 《What the Author Wrote, What the Agent Reads: Silent Cue Loss in Enterprise Document Ingestion》（2610.30026，提交 2026-10-21，28 页 5 图，作者 Yikai Zhao、Saurabh Pandey、Pradeep Kumar Misra）用 76 份真实政策文档造了一个任务：把作者特意标出来的要求找回来。判分不用 LLM 当裁判，而是用文件自身的 OOXML 属性做确定性匹配。结果：看得见格式的摄取 micro F1 0.690；换成 docling 掉到 0.150，换成纯文本掉到 0.075。这个差距在六个回答模型、两家厂商上复现——五个 Claude（覆盖 Opus / Sonnet / Haiku 三档）+ GPT-5.6。span 级留一法把损失定位到两个线索：highlight（+0.302） 与 colour（+0.262），Holm 校正后 p < 1e-4；而加粗、斜体、等宽、删除线各在 ±0.003 以内，等于零。同样的不对称在 PDF 上出现。颜色还是「没有一个主流转换器保留、也没有一个解析基准打分」的那个线索，但它很常见：6,460 份文档里 32.8% 带刻意的颜色或高亮，10.3% 落在义务条款上。一个预注册实验给出最实用的一条：把线索「打标」告诉 agent，比只是「保留」它，再涨 +0.085（Holm 校正 p = 0.049）。作者还用渲染后的页面图像做独立模态核验（kappa = 0.72），并给「只靠措辞」能走多远划了上限（AUC 0.664）。

认知价值：① 这一层没人测，是因为它不在任何一张基准表上。 解析基准测「字对不对」，不测「格式承载的语义」；转换器比的是版面还原度，不是「作者用哪种记号在打招呼」。所以这类损失不会报错，只会让 agent 自信地错——原文的说法是「confidently wrong rather than visibly incomplete」。② 但「加粗无效」这一条同样重要，别读漏。 不是所有格式都有用，是只有作者用来做筛选的那两种有用；视觉上最显眼的粗体，在数据里等于零。这直接否掉「把所有格式都保留」的重活，改成先问：这份文档里，作者用什么记号把重点挑出来？③ 修复极便宜，而且可度量。 两步：保留（结构化保留格式）+ 打标（在文本里显式写出「此处被高亮」）。+0.085 这一步说明：告诉模型「这里被标过」比「原样保留」更值钱——模型缺的不是像素，是「这处是重点」这个断言。④ 这对我们自己的管线是一条硬提醒。 我们的知识库是「md 单源 + Obsidian 直读」，从 docx/pdf 转 md 时，高亮与颜色是第一顺位消失的东西；而合同、政策、需求文档里，人恰恰是用这两种记号说「这条要执行」。以后转文档，先把这两层转成显式标注，再谈摘要与切块。⑤ 边界：预印本、单一任务族（政策文档）、判分依赖 OOXML 属性（只对原生 Word 文件成立，扫描件与网页导出不在范围内）；对照实现是作者自己的摄取器，摘要未给代码链接；差距在六模型上复现，但样本是 76 份文档。

领域：ocr-doc ｜ 去向：feeds（喂养「文档摄取层的静默损失」实测：用我们自己的合同/规范文档复现 highlight/colour 两个线索，对照 docling、纯文本、以及「保留+打标」三档；同时修正我们现有 md 单源管线的转换约定——格式线索必须转成显式断言再入库）｜ 等级：🟡

来源：🟢 一手已核（2026-10-22 直读 arXiv 摘要页全文）https://arxiv.org/abs/2610.30026 《What the Author Wrote, What the Agent Reads: Silent Cue Loss in Enterprise Document Ingestion》Submitted on 21 Oct 2026，cs.CL / cs.AI / cs.IR，28 页 5 图（原文含：76 real policy documents、scored against the file's own OOXML properties by a deterministic matcher with no LLM judge、micro F1 0.690 to 0.150 (docling) and 0.075 (plain text)、六个回答模型两家厂商（五个 Claude 档位 + GPT-5.6）、highlight (+0.302) 与 colour (+0.262)、bold, italic, monospace and strikethrough each sit within +/-0.003 of zero、32.8% of 6,460 documents、10.3% on an obligation、预注册 +0.085 p=0.049、kappa = 0.72、AUC 0.664、confidently wrong rather than visibly incomplete）｜⚠️ 预印本、未经同行评议、单一任务族、作者自建摄取实现为对照、第三方未复现 → 按 🟡 记

③ 记忆是给弱模型打的补丁：Mem0 只在 GPT-4o-mini 上赢过全文，换成 Opus 5.5 之后最强的是「不建记忆、让 agent 自己搜」（arXiv 2610.29823，2026-10-21）

这项研究只问一件事：当模型强到能自己搜原始历史时，专门设计的记忆系统还帮不帮忙。 《MemoryTax: The Bitter Lesson of Agent Memory》（2610.29823，提交 2026-10-21，作者 Zedong Peng，单人独立研究）拿 LoCoMo 的一段对话（419 轮、152 个问题）做了个小规模对照：四种记忆方式——全上下文、BM25、Mem0、Zep；三种编码 agent——Pi、Codex、Claude Code；每个 agent 配三个模型——GPT-4o-mini、GPT-6 Luna、Claude Opus 5.5；每个格子跑一次，并记录每次 rollout 的真实成本。结论三条：一，Mem0 只在最弱的 GPT-4o-mini 上赢过全上下文，而且它「建库」那一步的成本就超过一次全上下文 rollout；二，记忆系统有天花板，天花板由写记忆的那个模型决定——换成更强的读者，也读不回更弱的写者当初漏掉的东西；三，在 Claude Opus 5.5 下，成本-准确率前沿上最好的是 Pi（99% 准确、成本不到全上下文的一半），它唯一失手的那题是答案键本身写错了；它领先的一部分来自「只有 agent 能读到的图片说明」——在 88 道证据里没有图片的题上，Pi 与全上下文只差一题。

认知价值：① 反直觉，但结论可操作：先别建记忆。 判断顺序应该是——先让强模型拿着工具去搜原始历史（它有检索能力就够了），只有当模型弱到搜不动的时候，才值得上记忆系统。这条和我们过去默认的「agent 必须配记忆」正好相反，而它的论据是成本账而不是口味。② 「上限由写者决定」是今天最该抄的一句。 记忆系统的质量不是检索质量，是当初写入时的判断质量；换更强的 reader 救不了弱 writer 写下的记忆。对我们的直接含义：知识库的问题不在检索层，在「当初写进去的那一版对不对」——这也解释了为什么我们宁可守「md 单源 + 人工审」也不急着上向量库。③ 成本要算「建 + 查」，不能只算「查」。 Mem0 的建库成本 > 一次全文 rollout，这个比较一旦摊开，很多「省 token」的记忆方案在低频场景下根本不回本。④ 作者自己拆了「99% 里有多少是记忆的功劳」。 在 88 道无图题上 Pi 与全文只差一题——意味着那点优势很可能来自多模态输入，而不是「记忆」。这类结论读法要固定下来：先问「差异来自哪一类题」。⑤ 边界必须说清：一段对话、152 道题、每格只跑一次、单人作者、预印本、未同行评议。这是「方向」不是「结论」；但方向足够清楚，而且我们手上就有可复跑的条件（同一个 LoCoMo 子集 + 三个 agent + 三种记忆），值得自己跑一遍再引用。

领域：agent-frameworks ｜ 去向：related（挂钩 10-21 ②《Cache Engineering for Agents》的「缓存可以不删、只是不看」与 10-20 ④ harness 论文的「事实不可再观察」：三篇合起来是「上下文三层」——留在窗口里（cache）、存到外面（memory）、怎么被复用（harness）；本条补的是「存到外面到底值不值」，并接我们知识库「md 单源 vs 向量库」的既有判断）｜ 等级：🟡

来源：🟢 一手已核（2026-10-22 直读 arXiv 摘要页全文）https://arxiv.org/abs/2610.29823 《MemoryTax: The Bitter Lesson of Agent Memory》Submitted on 21 Oct 2026，cs.CL / cs.AI，作者 Zedong Peng（原文含：Mem0 and Zep decide what to keep before any question arrives、one LoCoMo conversation (419 turns, 152 questions)、四种方法＝full context / BM25 / Mem0 / Zep、三个 agent＝Pi / Codex / Claude Code、三个模型＝GPT-4o-mini / GPT-6 Luna / Claude Opus 5.5、one run per cell、Mem0 beats full context only with GPT-4o-mini、its build alone costs more than a whole full-context rollout、a ceiling, set by the model that writes it、a stronger reader does not recover what a weaker writer left out、Opus 5.5 下 Pi 99% 且 less than half the cost of full context、its one miss is a wrong answer key、88 questions whose evidence has no photo）｜⚠️ 预印本、单段对话、每格单次运行、单人作者、无第三方复现 → 按 🟡 记

④ 引用审计：335 个 PMID 里 327 个真实存在，但跨家族裁判认为只有 3 个真的相关——「查得到」不是安全网（arXiv 2610.29812，2026-10-21）

这篇把「agent 做科研核验」拆成四个 harness 做消融，最后发现最危险的不是答错，是引用。 《Real PMIDs, Wrong Papers: Harness Design for Biomedical Claim-Verification Agents》（2610.29812，提交 2026-10-21，作者 Mohammed Saqlain）在 SciFact 生物医学论断核验上，把 backbone 与输出格式固定，只换 harness 四档：闭卷、单次检索（拿论断原文当 query）、ReAct 式（自己写 PubMed query）、oracle（直接给金标准摘要），两个 efficient frontier backbone。结果：单次检索只在 6% 的论断上找到金标准论文，它把「过度自信的错」变成了「弃权」，准确率并没有提高；让模型自己写 query 把金标准召回翻了三倍，判决最好（62%，其他现实 harness 49–59%），但在这个样本量下不显著，而且 agent 只用掉不到一半的检索预算；一旦给金标准摘要，同一批模型到 79–86%，显著高出 17–24 点——说明瓶颈在检索，不在推理。最锋利的是引用审计：闭卷模型给出的 PMID 几乎都存在（327/335），但跨家族 LLM 裁判认为其中只有 3 个真的相关；而检索 agent 产出的引用有 67% 被判相关。原文结论一句到位：「Existence checks are therefore insufficient safeguards for scientific agents.」

认知价值：① 「存在性检查」是一种假验证。 327/335 存在，意味着任何「ID 能查通、链接能打开」的自动校验都会放行。这和今天 ① 的假 PoC、② 的格式线索是同一类错误——只验证了最容易验的那一半。任何「AI 给的参考文献自动校验」如果只做到存在性，等于没做。② 17–24 点的差距把优化顺序钉死了：先修召回。 对做 RAG 与检索 agent 的人，这条比任何推理技巧都便宜：给对材料，同一批模型从 62% 到 79–86%。③ 但「自写 query 更好」不显著，这句话要一起写进去。 作者自己标了不显著，也标了 agent 只用一半预算——意思是它不是不会搜，是没被要求搜满。这类「机制对了但没跑满」的失败，比「方法不行」更有改的价值。④ 直接改我们的做法： 我们每条雷达都标来源与证据等级，本质就是拒绝「存在性验证」——引文要能给出处（仓库路径 + 文件 + 版本 / 论文摘要原句），而不是「这个链接是通的」。以后凡是 AI 给的引用，都过一遍「相关性」而不是「可访问性」。⑤ 边界：单一数据集（SciFact）、两个 backbone、裁判本身也是 LLM（虽跨家族）、样本量不足以支撑 harness 间差异的显著性结论；代码、prompt 与全部缓存调用已放出，可复跑。

领域：eval-evidence ｜ 去向：related（挂钩 10-21 ④ Toolflation 的「验证层」与 10-20 ④ harness 论文：三篇共同回答「谁来验」——toolflation 验工具声明真伪、harness 论文验策略、本条验引用相关性；喂养「评测的重心从生成挪到验证」一讲，并作为我们自身来源纪律的引文）｜ 等级：🟡

来源：🟢 一手已核（2026-10-22 直读 arXiv 摘要页全文）https://arxiv.org/abs/2610.29812 《Real PMIDs, Wrong Papers: Harness Design for Biomedical Claim-Verification Agents》Submitted on 21 Oct 2026，cs.AI / cs.CL / cs.IR / cs.LG，作者 Mohammed Saqlain（原文含：SciFact + 活的 PubMed API 为唯一工具、四档 harness＝closed-book / single-shot retrieval / ReAct-style / oracle、两个 efficient frontier backbone、单次检索 6% 找到金标准、自写 query 召回翻三倍、62% accuracy vs. 49-59%、not significant at our sample size、fewer than half of their search budget、oracle 79-86%、a significant 17-24 point gap、retrieval, not reasoning, is the main bottleneck、引用审计 327/335 存在但 only 3 of 327 相关、检索 agent 67%、Existence checks are therefore insufficient safeguards）｜⚠️ 预印本、单一数据集、两个 backbone、裁判为跨家族 LLM、样本量小 → 按 🟡 记

⑤ 同一天两家把「判断」从生成里拆出来：29B/4B 的意图模型拿 58 分，前沿通用模型只有 39–49（星辰 Xing4.0-29B-Intent 权重 2026-10-15 已上架；蚂蚁 LingDT-Decision-1.0 2026-10-22 发布）

两家厂商，同一天发通稿，做的是同一件事：不要模型「说」，只要模型「判」。 一头是中国电信人工智能科技公司·星辰通用人工智能实验室的 Xing4.0-29B-Intent：29B 总参 / 4B 激活的 MoE，基于自家的 Xing4.0-29B-A4B，Apache-2.0，输出统一为 category + args 的 JSON 数组，一套 schema 覆盖意图识别与槽位填充、命名实体、关系抽取、事件抽取四类任务。可核的落地痕迹很硬：HF 仓 2026-10-15 建（702 次下载 / 18 赞，10-20 更新）、GitHub 仓 10-17 建（25★）、FP8（10-15）与 GGUF（10-16）版本同周到位、配套 275 万条训练语料（HF dataset）与 XingIntent SDK 一起放。它自报的评测（6,000 条测试样本、48 个公开数据集、macro 平均的字段级 Micro-F1、四任务等权）里，最值得看的不是自己多少分，而是对照组：总体 58（类别 69 / 事件抽取 40 / NER 72 / 关系抽取 38 / 意图理解 81），而 Gemini-3.6-Flash 49、Qwen3.8-Max 46、Kimi-K3 45、GPT-5.6-Sol 45、GLM-5.3-Flash 44、DeepSeek-V4.1-Flash 42、DeepSeek-V4-Pro 41。模型卡自己加了一句克制的话：类别分不代表字段全对，接口、prompt 与推理设置都会影响结果。另一头是蚂蚁数科的 LingDT-Decision-1.0（2026-10-22 发布）：4B 与 27B 两个版本，主打原生多选与按序决策，已在自家 DTMaaS 平台上线；官方称在 23 项开源评测基准上综合评分超过 Microsoft-Decision-1、Jev 1.13 等决策模型，并在客服/风控/金融场景自测「token 消耗降 90% 以上、响应快 10 倍」。

认知价值：① 这类模型的卖点不是更聪明，是输出协议。 它直接吐 category + args 的结构化结果，不写散文——通用模型在这类任务上只有 39–49 分，掉分不在「看不懂」，在「要它按 schema 交付」。这对我们有直接影响：以后看到「某模型意图识别准确率 X%」，第一件事是问判分判的是字段，还是句子像不像；这两件事差着 20 分。② 58 这个绝对值比排名更值得记。 连专用模型也只有 58/100，事件抽取 40、关系抽取 38——这类任务远没被解决。排行榜上「超过 GPT-5.6」很容易被读成「这件事做完了」，实际是「通用模型根本没在这个口径上被优化过」。③ 成本口径变了，横向比较要先换算。 决策输出只有几十个 token，按「每百万 token」比价在这里失真；这类场景该比的是每千次判断的成本 + P95 延迟。厂商自报「token 降 90%、快 10 倍」正是这个新口径，但也正因此不能直接搬去和「每百万 token 单价」并列。④ 一边可核，一边不可核——这个差别本身就是信息。 星辰这条能一路核到权重、语料、FP8/GGUF、SDK 与模型卡评测口径（虽然分数仍是自测）；蚂蚁这条目前只有通稿与平台入口，我们在 HF 上搜不到对应权重仓。开源与否不看通稿措辞，看仓库里有没有文件。 ⑤ 把今天这条接上 10-07 的 OpenAI Decisions API（按输入 $0.10/M）与 AWS 的 2B Decider，「判断」正在从通用模型里拆出来，变成一个有自己的价目表、自己的基准、自己的尺寸档位的品类。 这也是一个我们能真跑一遍的赛道：同一套 schema、同一批测试样本，比字段级 F1 + 每千次成本 + P95 延迟，三家一起测——比转述通稿有价值得多。

领域：inference-efficiency ｜ 去向：feeds（喂养「判断比生成便宜」横向实测：固定 schema 与 6,000 条测试集口径，测 Xing4.0-29B-Intent（Apache-2.0，单卡可跑）/ 通用前沿模型 / LingDT（若拿到权重）三档的字段 F1、每千次判断成本、P95 延迟；与 10-07 ③ 的 Decisions API 定价并列成「决策模型品类」一讲）｜ 等级：🟡

来源：🟢 一手已核（2026-10-22 直读 HF 模型卡 README 与 GitHub API）https://hf-mirror.com/XingChen-AGI/Xing4.0-29B-Intent （createdAt 2026-10-15T05:54:58Z / lastModified 2026-10-20T09:02:16Z / downloads 702 / likes 18；license: apache-2.0、base_model: Xing4.0-29B-A4B、tags 含 intent-recognition / slot-filling / schema-guided；模型卡原文含：29B 总参约 4B 激活 MoE、category + args 输出、四类任务一套表示、评测＝6,000 samples / 48 个公开数据集 / 每任务 macro-average 字段级 Micro-F1 / 四任务等权、Xing 58（类别 69 / 事件 40 / NER 72 / 关系 38 / 意图 81）vs Gemini-3.6-Flash 49、Qwen3.8-Max 46、Kimi-K3 45、GPT-5.6-Sol 45、GLM-5.2 44、GLM-5.3-Flash 44、DeepSeek-V4.1-Flash 42、DeepSeek-V4-Pro 41、LongCat-2.0 41、GPT-6-Luna 39、「category 分不代表字段全对」的提示）｜🟢 一手已核 https://api.github.com/repos/XingChen-AGI/Xing4.0-29B-Intent （created 2026-10-17T01:54:24Z / pushed 2026-10-19T09:59:50Z / 25★ / 2 fork / Apache-2.0）｜🟢 一手已核 HF 同族（Xing4.0-29B-Intent-FP8 2026-10-15、-GGUF 2026-10-16；基座 Xing4.0-29B-A4B 15,279 下载 / 1,854 赞，GGUF 14,496 下载）｜🟡 厂商通稿（元新闻日期 2026-10-22）https://www.qbitai.com/2026/10/504832.html 《既能「做选择题」，也能「做填空题」——星辰意图理解模型 Xing4.0-29B-Intent 发布》2026-10-22 15:11（275 万条训练语料、USP 统一模式驱动语义解析、百毫秒级、电信万号客服与智能家居音箱落地）｜🟡 厂商通稿 https://www.qbitai.com/2026/10/504879.html 《又一国产决策模型发布！准确率超过微软和 Jev 等决策模型》2026-10-22 17:07（LingDT-Decision-1.0、4B/27B、DTMaaS、23 项开源评测基准、token 降 90%+、响应快 10 倍；HF 上以 LingDT 检索为 0 条，权重情况未核到）｜⚠️ 两家全部基准与成本数字均为厂商自测，无第三方复现 → 整条按 🟡 记（权重/语料/评测口径可核，分数不可核）