锐Owl 雷达 · 2026-10-30：第一名的缝隙

覆盖 2026-10-29 18:00 → 2026-10-30 18:00（北京时间）。

今天五条都指向同一处：榜首与第二名之间那道缝。一个 1.3B 的国产文档模型把三个榜全拿了第一，我逐榜核完，olmOCR-Bench 上领先的是 0.24 分（87.84 对 87.60），OmniDocBench 是 0.27 分，真正的优势在速度——百页 100.972 秒，比第二名快 33.5%；英伟达与 MIT 把 H3 的 2K 重生成开源成一个 LoRA，同一段视频 87.26 秒降到 22.45 秒，其中 45.8% 的时间是一只稀疏注意力省下来的，而画质评测里它赢了静态细节、输了运动平滑；Oracle AI 在 NeurIPS 2026 的论文把「最终成功率」拆开给你看——一个 agent 终局成功率 0.93，轨迹可执行率只有 0.35，它是靠「先错再修」把分补回来的；一篇新论文让六个前沿模型当研究 agent 排优先级，它们的首选比随机好、却没能超过「论文里写在第一个的那个实验」；百度把搜索 API 开到 4.9 元/千次，单次检索 0.0049 元——检索正在变成不花钱的那一项。分数越接近满分，分数之外的账越值钱。

① 1.3B 的 OXR 三榜第一，但 olmOCR-Bench 只领先 0.24 分；真正的差距在速度：百页 100.97 秒，快第二名 33.5%（SoMark 开源，2026-10-05 精度快照）

当头名的分差小于测量误差的常识范围，「第一」这个标签的信息量就转移到别的列上。 SoMark 团队从 2026-10-02 起（HF 仓建仓日，GitHub 仓 10-05 建）在 SoMarkAI/OXR 与 SoMarkAI/OXR-1.0 开放 OXR-1.0：一个从零预训练的 1.3B 文档解析模型，官方定位是 Optical Everything Recognition——把 PDF 与文档图转成带版面坐标的 Markdown / JSON，覆盖 13 类元素（表格、公式、代码块、图片、化学方程式、化学结构、脚注、页眉页脚、印章等）。方法上两处是新的：后训练引入面向文档解析的 RSI 循环（不依赖新增人工标注，让系统自己找错、归因、造数据、再训）；架构上把版面分析（LA）拆成独立可插拔模块，阅读顺序（RO）并进主模型的识别阶段。我 2026-10-30 直读仓库 docs/benchmark.md（作者标注的精度快照为 2026-10-05），三个榜的第一名与分差是：olmOCR-Bench 87.84（第二 Infinity-Parser2-Pro 87.60，差 0.24）、OmniDocBench 97.18（第二 TeleOCR 96.91，差 0.27）、DocParsingBench 87.76（第二 PaddleOCR-VL-1.6 85.17，差 2.59）。分项更说明问题：olmOCR 的八个子项里，OXR 赢在 arxiv_math 92.76（对手 88.10）、tables 93.05（91.20）、multi_column 85.18（这一项它其实落后：jina-ocr-v1 85.50、dots.mocr 85.30、Falcon-OCR 87.10）、old_scans 59.32（58.20），而 baseline 97.35 低于对手的 99.90、headers_footers 94.34 低于 95.80、long_tiny_text 90.95 低于 93.70——它是「难题赢、简单题输」的画像。速度同机同框架实测（一张 RTX PRO 6000 Blackwell 96GB、vLLM 0.25.1、24 核、96 GiB 内存、无 swap、冻结的 100 页分层子集）：串行解码 557.77 tok/s（第二名 PaddleOCR-VL-1.6 516.39，+8.0%），端到端 100.972 秒 / 100 页 = 0.9904 页/秒（第二名 OvisOCR2 134.778 秒，+33.5%）；同一张表里 TeleOCR 是 735.8 秒，Infinity-Parser2-Pro 是 6439 秒。生态与授权：GitHub 2,611★ / 181 fork（2026-10-05 建，10-24 最后推送），HF 仓 2026-10-02 建、likes 125、downloads 2,481，仓内还直接放了 .eval_results/olmocrbench.yaml（八个子项分数齐全，可对账）。许可证不是 Apache-2.0，而是**「Apache 2.0 + 附加条款」的 OXR License**：商用仅在你与关联方合并计算融资 ≤ 200 万美元且年营收 ≤ 200 万美元时免单独许可；对外提供在线服务必须在界面或文档显著标注 SoMark OXR；无论营收多少，都不得用它提供与 SoMark 竞争的托管 API。

认知价值：① 0.24 分的第一名，读作「榜已饱和」。 三个榜里两个的第一名分差都在 0.3 分以内，前三名的分数挤在一起——这时「第一」的排序意义让位于稳定性（分项不一致的人，换个数据集就可能翻车：OXR 在 multi_column 上其实落后 jina-ocr-v1 与 dots.mocr）。这与 10-28 期② 的 GPU 算子榜是同一条：榜单一旦被解满，分辨力就从「做了多少」转到「做得多好」，再转到「换一批题还行不行」。 ② 速度快 33.5%，不是靠参数小。 1.3B 只解释了内存与吞吐的一半：真正的杠杆是任务级重构——把阅读顺序判断并进识别（主模型有语义理解，判断更准且几乎不额外耗时），把 LA 卸成独立轻量检测器（可用自家 D-FINE 权重替换），于是 LA 回到毫秒级、识别不再背着排序的包袱。这是本周第二例「拆开职责比换更大的模型更省」（第一例是 H3 把解码器换掉，见本期②）。③ 「开源」现在至少要分三档来读：权重可下（✅）／可商用（有条件：200 万美元门槛）／可做对外服务（禁止竞争性托管 API）。OXR 属于第二档且带竞业条款——对绝大多数自用与小团队无感，但任何想做「文档解析 SaaS」的人，这条是硬约束，不是免责声明。④ RSI 能用，前提是任务有客观真值。 文档解析每个位置都有确定答案，所以「自己判对错 → 归因聚类 → 造数据 → 再训」这条闭环成立；把它照搬到「答案本身有争议」的任务上，RSI 只会把模型的偏好越练越硬。⑤ 边界：对手模型的分数来自各自论文、模型卡与 olmOCR-bench 官方榜（口径不完全统一，作者已注明来源）；精度快照是 10-05 而非今天；速度是单机单卡、100 页子集、两轮取均值（作者自己写明是同一批 100 页跑两次的 200 次计时）；1.1K★ 是媒体稿写作时的数字，我今天直读是 2,611★。

领域：ocr-doc ｜ 去向：feeds（喂养「榜首分差取证法」＋「开源许可证三档」两条：与 10-28 期② 算子榜 88→72 同线，本期把「分差」这一维补上；许可证三档可直接进选题清单）｜ 等级：🟡

来源：🟢 一手已核（2026-10-30 直读仓库文档与模型卡）https://github.com/SoMarkAI/OXR （docs/benchmark.md 原文含：87.84 on olmOCR-bench, 97.18 on OmniDocBench, and 87.76 on DocParsingBench、557.77 native tokens/s、0.990373 pages/s、100.972 seconds per 100 pages、33.5% higher throughput、精度快照 5 October 2026、硬件「one NVIDIA RTX PRO 6000 Blackwell GPU (96 GB), a 24-CPU quota, and 96 GiB RAM with no swap」、vLLM 0.25.1、冻结 100 页子集与 frozen-100-pages.json；表 1 全 16 行、表 2 全 23 行、表 3 全 17 行、表 4/5 各 21 行）https://huggingface.co/SoMarkAI/OXR-1.0 （README：「Pretrained from scratch … recursive self-improvement (RSI) loop during post-training—a first in document parsing」「With just 1.3B parameters」；13 类元素表；运行要求 Linux + NVIDIA BF16、CUDA 13.0、24GB 显存起步 / ≥48GB 推荐；仓内 .eval_results/olmocrbench.yaml 八项：overall 87.84 / arxiv_math 92.76 / baseline 97.35 / headers_footers 94.34 / long_tiny_text 90.95 / multi_column 85.18 / old_scans 59.32 / old_scans_math 89.74 / table_tests 93.05）https://github.com/SoMarkAI/OXR/blob/main/LICENSE （OXR License 原文：「licensed under the Apache License, Version 2.0, subject to the additional terms below」；「permitted without a separate commercial license only while you and your Affiliates … do not exceed … (a) USD 2,000,000 in Total Funding; or (b) USD 2,000,000 in Annual Revenue」；「you must prominently identify SoMark OXR in the service's user interface or publicly accessible documentation」；「you may not use OXR … to offer, operate, or make available to third parties a hosted API service that competes with a hosted API service offered by SoMark Team」「applies regardless of Total Funding or Annual Revenue」）｜🟢 一手已核（GitHub/HF API，2026-10-30）SoMarkAI/OXR 2,611★ / 181 fork / created 2026-10-05 / pushed 2026-10-24；SoMarkAI/OXR-1.0 created 2026-10-02 / likes 125 / downloads 2,481｜🟡 媒体口径 https://www.qbitai.com/2026/10/506686.html 量子位《RSI立大功！国产开源登顶全球第一，1.3B OXR重塑OCR》2026-10-30 13:52（「1.1K+ GitHub Star」「单张 RTX PRO 6000 完成 100 页端到端解析仅耗时 101 秒」、RSI 三阶段描述、免费 API「免注册免申请 Key」）

② 英伟达与 MIT 把 H3 的 2K 重生成开源成一个 LoRA：同段视频从 87.26 秒到 22.45 秒，省下的 45.8% 时间来自一只稀疏注意力（2026-10-26 放权重）

加速不是一件事，是七件小事按顺序叠加——账要按模块记。 英伟达与 MIT 组成的 Efficient-Large-Model 团队（代码落在 NVlabs/Sana 仓的 sol-engine 分支，主仓 9,722★ / Apache-2.0，10-30 仍在推送）在 2026-10-26 发布了 Open-H3-Regenerate-2K 的权重：MiniMax H3 的完整系统里，基础模型负责在 768P 把内容与运动定下来，官方 H3-Regenerate-2K 再把这个草稿重生成到 2K——而这一步只有托管 API，没有开放权重。这个项目就是给这一步做开放替代：H3 transformer 与视频 VAE 全部冻结，只训一个 refiner LoRA（rank 384、5,000 步 EMA，在 σ = 0.91 以下做 flow-matching 速度损失）；训练对不是人工标注，而是「真实高清片段（1280×704 或 2560×1440）」对「它自己降采样 8–64 倍再用双线性放回来的退化副本」。推理四步：草稿 latent 编码一次 → 社区的 3D 卷积潜空间放大器直接把 latent 放到目标网格（2K 时 36×64 → 90×160，每边 2.5 倍；4K 用两次）→ 部分重新加噪到 σ = 0.909 → 三步 Euler（0.909 → 0.857 → 0.667 → 0），CFG 关闭，每步一次全分辨率 transformer 调用 → 解码。为了让三步够用，refiner LoRA 在推理时与社区适配器合并成一个：refiner(384/384) + LightX2V FL2VA Turbo v1.2(128/8) + LMS Sharp v1.0(64)，合并后是 rank 576、覆盖 312 个 linear，与三个独立适配器的相对误差 2.2e-8（MERGE_VERIFY.json）。速度账（单张 B200，5 秒片，768P latent → 2560×1440，预热、3 次取中位）：87.26 秒基线；+无损核（strided cuDNN + torch.compile）81.38；+Sol-Attn 稀疏注意力 41.38（这一步省 39.99 秒，占全部收益的 45.8%）；+MXFP8 线性层 38.12；+融合 SwiGLU 37.85；+CUDA graph 35.87；+快 VAE 解码器 22.45（3.9×，解码从 15.0 秒降到 1.6 秒）。单看「潜空间放大 + 三步细化」那段：73.11 → 20.46 秒（3.57×）。能力边界写得很清楚：输入可以是 384P/512P/576P/768P 任意低分辨率草稿（H3 出的，或 LTX-2、SANA-Video 这类别的模型出的），输出原生 768P / 1080P / 2K(2560×1440) / 4K(3840×2160)，5–15 秒片一次过。质量上，项目方在 RefinerBench-150（同为 2K 输出）报：UniPercept 三个维度全部高于官方 API，VBench 的美学质量、成像质量、主体一致性更高，而运动平滑度与动态程度仍是官方 API 更好；200 次盲评里开源版被偏好 87%。授权是混合的：refiner LoRA、快 VAE、base_model/ 跟 MiniMax H3 Community License（含地域、用途、再分发条款），而潜空间放大器、Turbo、Sharp 各有自己的许可，官方明写「这个 bundle 不被单一许可覆盖」。

认知价值：① 按模块拆账，才知道下一个杠杆在哪。 七步里稀疏注意力一个人贡献 39.99 秒（45.8%），换解码器贡献 13.4 秒（15.4%），而「无损核 + MXFP8 + 融合 SwiGLU + CUDA graph」这四件加一起只有 2.02 秒。做实测算力的团队最容易犯的错是「先上量化」，而这里量化（MXFP8）单独只省 1.5 秒。② 冻结主干、只训 LoRA，是「后训练」里最便宜的一档。 代价小、可复现（合并误差 2.2e-8 说明工程上没糊弄），而且社区适配器能拼进来——这解释了为什么 H3 生态一个月内长出几百个衍生仓：主干越稳，增量越能外包给社区。③ 质量榜的分项比总分重要。 静态细节赢、运动平滑输——「重生成」这类任务里，画质与运动一致性是两条互斥的账：三步低 CFG 的采样天生偏向「照着草稿重新画细节」，而不是「重新设计运动」。用一条 VBench 总分去决定选谁，会选错。 ④ 「开源」在这里是四份许可拼起来的，和本期①的许可证问题是同一件事：权重能下不等于能随便用，尤其视频模型带社区许可的地域条款。⑤ 口径提醒：项目页大标题写「5.0× faster than the official API」，模型卡写的是对 dense 基线 3.89×——两个不同分母；媒体稿（由 MiniMax 提供、量子位授权转载）里的「最高支持 4K」与我核到的项目页一致（4K 是把放大器用两次），但它同时给的「H3 一个月下载 2,400 万次、300+ 衍生模型」是厂商口径。⑥ 边界：所有质量数字来自项目方自建的 RefinerBench-150 与自家盲评；速度是单 B200、预热、5 秒片；LoRA 训练数据与 SoL-Refiner Stage I 同配方，Stage II 的 RL 与 Stage III 的一步蒸馏官方注明「尚未使用」。

领域：inference-efficiency ｜ 去向：feeds（喂养「逐模块加速账」：与 10-27 期④ LoopFold「9 个串行阶段折成 5 个」、10-28 期② 算子榜同线——一条算步数、一条算内核、这条算注意力与解码器；可合成一期「视频生成的秒数去哪了」）｜ 等级：🟡

来源：🟢 一手已核（2026-10-30 直读模型卡与项目页）https://huggingface.co/Efficient-Large-Model/Open-H3-Regenerate-2K （原文含：2560×1440 输出、「One merged LoRA (FP32, rank 576 on 312 linears, scale 1)」、「released H3 VAE 87.26 s / 1.00× → sol_engine_fwd 37.39 s / 2.33× → + fast H3 VAE decoder 22.45 s / 3.89×」、「decodes … in 1.6 s instead of 15 s」、「Latent upscale + refine alone go from 73.11 s to 20.46 s (3.57×)」、「merged delta matches the separate adapters to a relative error of 2.2e-8」、采样「three Euler steps on sigmas [0.909375, 0.857143, 0.666667, 0], CFG 1」；license 字段 license_name: minimax-h3-community、「This bundle is not covered by a single blanket license」）https://nvlabs.github.io/Sana/Open-H3-Regenerate-2K/ （原文含：三步去噪 0.909→0.857→0.667→0、CFG off；输入 384P/512P/576P/768P、输出 768P/1080P/2K/4K、5–15 s one pass；「At 2K it maps a 36 × 64 latent grid to 90 × 160」、4K 用两次；「Sparse attention saves the most: Sol-Attn removes 39.99 s」；七行累计加速表 87.26/81.38/41.38/38.12/37.85/35.87/22.45；「5.0× Faster than the official API」；「In a blinded user study, ours was preferred in 87% of 200 judgments」）｜🟢 一手已核（GitHub API，2026-10-30）NVlabs/Sana 9,722★ / Apache-2.0 / pushed 2026-10-30；HF 仓 Efficient-Large-Model/Open-H3-Regenerate-2K created 2026-10-26 / likes 129，社区已现 father558/…-ComfyUI-r128（likes 5）等衍生仓｜🟡 媒体/厂商口径 https://www.qbitai.com/2026/10/506743.html 量子位《英伟达团队基于 MiniMax H3 开源视频增强方案，最高支持 4K 重生成》2026-10-30 15:31（「87.26 秒降至 22.45 秒，约 3.9 倍」「解码 15 秒 → 1.6 秒」「UniPercept 60.0 vs 官方 API 53.4」「VBench 运动平滑度、动态程度官方 API 略优」「H3 一个月下载超 2400 万次、300+ 公开衍生模型」；文末「本文由 MiniMax 提供，量子位获授权转载」= 厂商供稿）

③ 终局成功率 0.93 的 agent，轨迹可执行率只有 0.35——Oracle AI 把「每一步会不会执行失败」做成独立指标（NeurIPS 2026，arXiv 2610.40444，2026-10-29）

「成功率」把「一次做对」和「先错再修」记成了同一分，但这两件事的成本差一个量级。 Oracle AI 的 Amir H. Rezaeian、Weiyi Sun、Yassine Benajiba、Dan Roth 在 2026-10-29 上线的论文（arXiv:2610.40444v1 [cs.AI]，21 页，NeurIPS 2026 已接收）提出前缀可执行性（prefix executability）：不只看最后有没有交差，而是看工具调用序列的每一个前缀在「工具 schema、状态前置条件、跨步数据依赖」下是否仍然可执行。据此给出五个量：PEC（前缀可执行曲线）、FED（首个错误深度）、TER（轨迹可执行率）、horizon-normalized AUC-PEC、RR（恢复率）。评测覆盖三个环境：BFCL-v3 多轮与 ToolSandbox 的分层抽样、τ³-bench 的 Airline/Retail base split 全量；三个模型（GPT-5.4 high / GPT-4.1 / Llama-4 Maverick）× 四种执行结构（ReAct / Prompt Planning / Plan-Conditioned ReAct / Dual-Loop），10,000 次任务级 bootstrap。结论是排名会背离，而且背离得很彻底（BFCL，GPT-4.1）：ReAct 终局 0.52、TER 0.62；Prompt Planning 终局 0.77、TER 0.79；Plan-Conditioned ReAct 终局 0.93、TER 只有 0.35，而它的恢复率 RR 是 0.90（ReAct 的 RR 是 0.00）；Dual-Loop（执行前校验计划 + 修复循环）终局 0.96、TER 0.96。换到 Llama-4 Maverick 更极端：Plan-Conditioned 终局 0.74（ReAct 0.27），TER 只有 0.05（ReAct 0.37）。ToolSandbox 同样分裂：GPT-5.4 的 Plan-Conditioned 终局 0.69 高于 ReAct 的 0.59，TER 0.48 却低于 0.74；Dual-Loop 把 TER 拉到 0.94、终局 0.63。

认知价值：① 「先出计划再执行」是当前最容易刷终局的结构。 它把一个长任务拆成「先写一份看起来完整的计划，再照着跑」：计划本身不校验，所以轨迹在中途就不可执行，但它能从错误里修回来（RR 0.90），终局分因此漂亮。任何拿终局成功率当唯一指标的横评，都会把这个结构排到第一。 ② 三个问题被拆成三个可算的量：可不可执行（TER）、第一个错误在第几步（FED）、成功是不是修复来的（RR）。这比笼统说「agent 不稳定」有用得多——FED 小 = 坏在规划，FED 大 = 坏在长程一致性，两者要改的地方完全不同。 ③ 对评测流程的直接用法：以后任何 agent 对比，除终局准确率外至少再记 TER 与 FED；若某方案 TER 远低于对手而终局更高，先去看它的 RR——那多半是「靠修复补分」，不是「更可靠」。这跟我们自己的单变量对照铁律是同一件事的延伸：同一个模型、同一个 harness，也要把「一次做对」与「修回来」分开记。 ④ 与 10-28 期③ 互补成对：那篇说「换 harness 会同时改策略上限与不匹配」，这篇说「换执行结构会同时改终局与轨迹质量」——两篇合起来的意思是：agent 领域里几乎没有「只动一个变量」的实验，除非你同时记两层指标。 ⑤ 边界：可执行性是规则式判定（schema / 前置条件 / 数据依赖），不判「意图对不对」——一个完全可执行但做错事的轨迹，TER 照样满分；三个基准、三个模型，BFCL 与 ToolSandbox 用的是分层抽样而非全量；Dual-Loop 是作者自带的验证干预，不是第三方独立实现。

领域：agent-frameworks ｜ 去向：feeds（喂养并扩充「单变量对照」铁律：与 10-28 期③ HKUST 的「harness 上限 / 不匹配」同线，本期把「终局 vs 轨迹」这一维补上；可直接进我们自己的 agent 评测表）｜ 等级：🟡

来源：🟡 预印本（2026-10-30 直读 arXiv 摘要页与 HTML 全文）https://arxiv.org/abs/2610.40444 《Prefix Executability: Evaluating Tool-Using Agents Beyond Final Success》arXiv:2610.40444v1 [cs.AI] 29 Oct 2026，作者 Amir H. Rezaeian、Weiyi Sun、Yassine Benajiba、Dan Roth（Oracle AI），comments「21 pages, 2 figures. Accepted to NeurIPS 2026」（原文含：五个指标定义 PEC / FED / TER / horizon-normalized AUC-PEC / RR；「agents whose execution is conditioned on an unverified plan often achieve higher point-estimate final success than non-plan-conditioned baselines while substantially lowering TER and AUC-PEC」；Table 2 全表：BFCL×GPT-5.4 —— ReAct 0.69/5.61/0.83/RR 0.00/0.61，Prompt Planning 0.78/5.72/0.85/0.00/0.78，Plan-Cond. ReAct 0.47/4.11/0.54/0.88/0.94，Dual-Loop 0.94/6.41/0.96/0.00/0.94；BFCL×GPT-4.1 —— ReAct 0.62/5.18/0.76/0.00/0.52，Prompt Planning 0.79/5.84/0.87/0.02/0.77，Plan-Cond. 0.35/3.55/0.42/0.90/0.93，Dual-Loop 0.96/6.46/0.98/0.00/0.96；BFCL×Llama-4 Maverick —— ReAct 0.37/4.39/0.62/0.01/0.27，Prompt Planning 0.60/5.51/0.79/0.00/0.56，Plan-Cond. 0.05/1.96/0.15/0.73/0.74，Dual-Loop 0.88/6.22/0.93/0.00/0.79；ToolSandbox×GPT-5.4 —— ReAct 0.74/3.84/0.83/0.27/0.59，Prompt Planning 0.82/4.08/0.88/0.17/0.61，Plan-Cond. 0.48/2.88/0.52/0.73/0.69，Dual-Loop 0.94/4.32/0.95/0.15/0.63；bootstrap 10,000 次重采样，RR 用 Wilson 区间）

④ 415 个最小可行实验里只有 73 个「非显然」，六个前沿模型的首选比不上「论文里写在第一个的那个实验」（arXiv 2610.40488，2026-10-29）

「研究品味」如果存在，它应该表现为「在结果未知前，选对了该跑哪个实验」——这篇论文测下来，前沿模型还没通过。 Art Kanke 的单作者论文（arXiv:2610.40488v1 [cs.CL]，2026-10-29）设计了一个干净的三方结构：给 6 个前沿模型 7 篇近期 NLP 论文，让模型当研究 agent（单人或组队）提出最小可行实验（MVE）、预测每个实验能否过自己设定的阈值、并排序；然后由一个独立执行器把每一个 MVE 都真跑一遍——包括排在最末的；最后 3 个模型审计员判定结果。产出：共 415 个 MVE，其中 194 个被判「可靠、有价值、且新」；而这 194 个里只有 73 个同时被判「超出种子论文之外且非显然」。结论三条，一条比一条不客气：agent 的首选实验确实比随机抽更常命中审计员最看重的那个，但没能证明优于「直接选论文里写的第一个实验」；agent 对通过率的预测优于基准率，但不比同模型的一个新实例（只给论文与登记信息）更准；组队（team）花了更多成本，却没有清晰的整体质量提升。

认知价值：① 「有品味」的门槛是「超过人类作者的第一直觉」。 这个对照基线选得很狠也很公道：论文原本写在第一个的实验，是作者在写论文时做出的判断——它免费、无需额外交互。agent 没能超过它，意味着今天这些系统的「排序」还没有产出超越「读一遍论文就知道先做什么」的东西。② 同模型新实例这个基线，是对所有「自我评估」的通用警告。 很多「让模型预测自己的表现」的增益，在换成一个只看到同样输入的干净实例后就消失了——那不是自我认知，那是多采样一次。 我们做评测时也该按这个标准查：任何「self-X」提升，先跟「同模型不看自己答案的另一次采样」比。③ 415 → 194 → 73 这个漏斗形状值得记住。 可行且有价值砍掉一半以上，再往「超出原论文且非显然」只剩 17.6%——这解释了为什么「让 AI 提出研究方向」类产品的产出，看上去很多、真正能用的极少。④ 组队更贵但没有更好，这条对做多 agent 的人是成本提醒，和本期③「修复补分不等于更可靠」是同一类：多花的算力未必买来质量，先证明它买到了什么。 ⑤ 边界：单作者、7 篇论文、6 个模型（版本未在此摘要列全）；审计员也是模型，「有价值 / 非显然」是模型判断而非人评审；MVE 的「可执行」由执行器保证，不等于真实研究价值；作者的评测 harness 与 415 条 MVE 数据集已公开（论文给出链接）。

领域：eval-evidence ｜ 去向：feeds（喂养「评测的评测」+「预判能力是稀缺资源」：与 10-27 期⑤ SmoothScore、10-28 期④ DocXEval 同线；同时给我们自己「选题须有预判性」的要求提供一条外部证据：前沿模型也做不到稳定预判）｜ 等级：🟡

来源：🟡 预印本（2026-10-30 直读 arXiv 摘要页）https://arxiv.org/abs/2610.40488 《rTaste: Do Research Agents Have Taste? Evaluating Early Stage Research Judgment》arXiv:2610.40488v1 [cs.CL] 29 Oct 2026，作者 Art Kanke（原文含：「six frontier models … seven recent NLP papers」「proposes minimum viable experiments (MVEs), forecasts whether each will pass a threshold it sets and ranks them」「A separate executor then attempts every MVE, including those ranked last, and three model auditors judge the results」「Of 415 MVEs, 194 are judged sound, valuable and new, but fewer than half of these (73) are also judged beyond the seed paper and non obvious」「first choices match the auditors' most valued experiment more often than a random pick, but are not shown to improve on choosing the experiment written first」「forecasts beat a base rate but are not measurably more accurate than those of a fresh instance of the same model」「Teams cost more without a clear overall improvement」）

⑤ 百度把搜索 AI API 开到 4.9 元/千次：单次检索 0.0049 元，检索正在变成 agent 账单里最便宜的一项（2026-10-30 沟通会）

当单价降到「厘」，这一项就从成本问题变成设计问题。 百度于 2026-10-30 在北京开产品升级沟通会，主线是把搜索从「一次提问、一次回答」推到「一项任务、一份交付」：复杂问题做多步查找与整理并返回核实后的结论、高频事务直接交付结果、需要长期关注的事项经用户确认后持续跟踪；官方称这套能力已覆盖 170 余种工具场景。同场宣布的还有 AI 镜头（多目标同步识别与动态追踪、9 种方言实时对话）、GUI 可视化（场景覆盖提升 5 倍、接入政务/民生/央行等「超 50 亿」权威资源、覆盖 20 多个行业）、以及 AI 互动剧/互动应用。技术上他们给的是一套「AI 原生四层架构」：内容层（80 余种语言、千亿级索引、数据可信率提升超 50%）、引擎层（在线反馈闭环、多 Agent 协同自进化，把每次检索与用户反馈沉淀为训练信号，走「检索—反馈—再训练」回路，官方称整体迭代效率提升 80% 以上）、架构层（高并发低时延）、应用层（API / MCP / Skill 全方案接入，文心助手接入后效果提升 20%）。唯一可以被外部核算的数字是价格：搜索 AI API 限时最低 4.9 元/千次，官方口径「低于 DeepSeek 搜索 API」。

认知价值：① 4.9 元/千次 = 单次 0.0049 元。 一个 agent 任务跑 50 次检索，检索成本约 0.245 元——比一次像样的长输出调用便宜一个量级。这意味着「要不要多查一次」不再该由成本决定，而该由「这次查证能不能改进结论」决定：预算从「检索次数」转到了「判断与验证」。② 但单价不是成本。 真正的账是「一次任务端到端多少钱」＝（检索次数 × 每次返回的 token 数，再喂给模型）× 模型单价。搜索 API 便宜会诱导上游多查、多灌上下文，最后的账单可能落在模型侧——这与 10-27 期①「单价减半、每任务成本才算账」是同一条，只是这次换成了检索。③ 「递归自我进化」目前不可外部验证，能验证的是 API 契约。 沟通会给的是「效率提升 80%」「可信率提升 50%」这类比例，没有基线、没有测法；可查的是：限价是不是活动期价（现在是「限时最低价」）、MCP/Skill 接入的字段与限流、以及 170+ 工具场景里哪些真能调到。对写稿的人：把「宣称」和「契约」分开写，前者标明口径，后者给链接。 ④ 对我们的判断：检索层被商品化之后，稀缺的不是「能查到」，而是「能判定查到的对不对」——这正好接上本期③④ 两条：评测与验证是最后一层没被降价的东西。 ⑤ 边界：以上除价格外全部是沟通会与媒体报道口径（量子位 2026-10-30 16:50 稿），无第三方复现；「低于 DeepSeek 搜索 API」未附对比表，未做独立核价；「超 50 亿权威资源」「迭代效率提升 80%」均为厂商表述。

领域：industry-model ｜ 去向：standalone ｜ 等级：🟡

来源：🟡 媒体/厂商口径 https://www.qbitai.com/2026/10/506771.html 量子位《百度 APP 发布四大 AI 升级，搜索已实现递归自我进化》2026-10-30 16:50（原文含：「10 月 30 日，百度 APP 在北京举办产品升级沟通会」「搜索 AI API，活动期间最低价仅需 4.9 元/千次，低于 DeepSeek 搜索 API」「覆盖 170 余种工具场景」「AI 镜头支持东北话、四川话、粤语、长沙话等 9 种方言实时对话」「GUI 场景覆盖提升 5 倍，接入政务、民生、央行等超 50 亿权威资源数据，覆盖 20 多个行业」「数据可信率提升超过 50%」「整体迭代效率提升 80% 以上」「文心助手接入后效果提升 20%」；文内无独立第三方核价）