摘要：DeepSeek团队低调发布V3.1大模型，延续其一贯"夜间突袭"风格。该版本主要升级包括：上下文窗口从128K扩展至100万token、增强复杂推理与多语言处理能力、优化工具调用格式（更简洁的函数参数传递方式），并引入可切换的思维模式。技术架构保持671B总参数规模，采用稀疏MoE与MLA注意力机制。测试显示其物理理解和代码能力有所提升，通过"思考-搜索-工具

这是一个关键的经济优化：Claude Code 的 prompt 缓存文档指出，缓存命中时输入 token 的价格仅为未缓存的 10%。独立验证来自 Tekkix 的技术分析，该分析在更大的代码库上重现了类似结果：VS Code（4002 文件）从 52 次工具调用降至 3 次（94% 减少），Swift 编译器（25,874 文件、272,898 节点）在 4 分钟内完成索引，Agent 以 6

这是一个关键的经济优化：Claude Code 的 prompt 缓存文档指出，缓存命中时输入 token 的价格仅为未缓存的 10%。独立验证来自 Tekkix 的技术分析，该分析在更大的代码库上重现了类似结果：VS Code（4002 文件）从 52 次工具调用降至 3 次（94% 减少），Swift 编译器（25,874 文件、272,898 节点）在 4 分钟内完成索引，Agent 以 6

一个理想的小模型 Agent，应当在模型契约层有可靠的结构化调用能力，在生态层接入 MCP 这样的标准化工具网络。在金融领域的 8 类任务中，<10B 模型在需要多步推理的任务上（如因果分析、趋势预测）与大模型的差距最大，且增加 Agent 工具并不能弥补推理缺陷，工具帮助的是信息获取，而非逻辑推理。3.8B 的 Phi-4-mini 在 AIME 2025（美国数学奥林匹克预选赛）上接近了 67

一个理想的小模型 Agent，应当在模型契约层有可靠的结构化调用能力，在生态层接入 MCP 这样的标准化工具网络。在金融领域的 8 类任务中，<10B 模型在需要多步推理的任务上（如因果分析、趋势预测）与大模型的差距最大，且增加 Agent 工具并不能弥补推理缺陷，工具帮助的是信息获取，而非逻辑推理。3.8B 的 Phi-4-mini 在 AIME 2025（美国数学奥林匹克预选赛）上接近了 67

摘要： 基础模型能力提升后，Agent系统的表现差异主要源于外部控制栈（AgentHarness）的设计。Harness负责工具调用、状态管理、异常恢复等，决定了模型能力的实际发挥水平。行业共识表明，Agent竞争已从模型能力转向系统工程优化。OpenAI、Anthropic等通过分层治理（行动接口、观测回路、状态管理等）提升稳定性，而Meta-Harness则探索自动化优化Harness的方法。

NVIDIA在GTC2026大会上发布的NemoClaw是一款面向AI Agent的安全运行时解决方案。作为OpenClaw的安全基座，NemoClaw采用操作系统级隔离技术（Landlock LSM、seccomp BPF等）构建安全沙箱，通过四层架构实现细粒度管控：CLI插件层提供交互入口，蓝图编排层实现声明式部署，OpenShell沙箱层提供强制隔离，推理路由层保障API密钥安全。该方案解决

我们分析过目前一般使用的 Attention 的计算，是当前的 query 和历史上所有的 key 的内积所产生的 attention score，然后对所有历史输入 token 的 value 进行加权平均后得到 context。未来，基于这个架构已呈现出的原生能力的基础上，如果我们给它一些更高质量的数据，让它学到更多世界知识的同时，补充更高强度的强化学习过程，一定会展现出更强的能力。mHC 的

作为 DeepSeek V4 系列的全新模型，V4-Pro 在逻辑推理、代码开发、长文本理解、专业创作等核心能力全面升级，综合实力稳居开源模型第一梯队。数学、STEM、竞赛型代码推理能力，超越当前所有已公开评测的开源模型，实现与顶级闭源模型同级的推理表现。：参考说明文档提供的 Python、Go、Node 等多语言示例，将 DeepSeek-V4-Pro 模型接入你的业务逻辑。，相比传统方案大幅降

摘要：Anthropic将Claude从模型API升级为Managed Agents，反映出AI行业正从单纯追求模型能力转向构建完整的Agent系统。核心观点包括：1）Agent的核心价值在于模型之外的系统层（harness、runtime和infra）；2）上下文管理成为关键，低效的prefix cache复用会导致高昂成本；3）好的harness需要解决稳定前缀、工具规范化、上下文分层等七大问