Qwen3.8-Max 商务智能体基准领跑开源权重

概览

本期共 9 条，前 3 条为今日重点；正文按板块展开。

热门模型动态

1. 重点 · Qwen3.8-Max 商务智能体基准领跑开源权重
2. 重点 · MiniMax H3 借 vLLM-Omni 实现快于播放的实时生成
3. 重点 · Bedrock 报错疑似 Anthropic 预备 Claude Fable 5.1

全球 AI 资讯 4. Gradium 新默认 TTS：难例通过率 81%、首音 216 毫秒 5. DataAgent 融资 1000 万美元，让 AI 在 K8s 集群内自修生产故障 6. 腾讯 Marvis 开放自定义模型，可接入 Kimi、智谱 GLM、DeepSeek

区域与早期信号 7. 清华 AIR 提出具身自进化模型 Zeva，成功率从 26% 升到 73% 8. 雷锋网拆解 1.1 万个 DeepSeek Harness 插件：几无治理机制 9. Lovart 更新围绕设计工作流：灵感采集插件 + 100 多个技能

九凤根据本期已引用来源整理。

热门模型动态

Qwen3.8-Max 商务智能体基准领跑开源权重

阿里 Accio 团队自建有状态商务基准，称 Qwen3.8-Max 是开源权重里综合最强，但成绩来自厂商自评。

阿里国际 Accio 团队的 Yukun Lian、Sicong Xie 等十余人构建了 Commerce Agent Bench，在商务软件的有状态副本中检验智能体能否真正完成交易类工作，评分看最终业务状态而非对话记录。Qwen3.8-Max（Qwen3.8 系列）在 107 项任务中，经 Accio 完成 56 项、经 OpenClaw 完成 47 项、经 Pi 完成 53 项，阿里官方 Qwen 账号称这是开源权重模型里的综合最佳。仓库公布的三张结果表显示，Qwen3.8-Max 以两个总分优势领先 DeepSeek V4 Pro，而闭源的 Claude Opus 5 领先 Qwen 达 35 个通过数。

局限：数据出自阿里自建、自测的基准，属于「厂商公布结果」而非独立审计；RuntimeWire 指出该榜存在 harness 波动、且缺少可复现的任务级公开材料，可审计性存疑。

图片来源：GitHub；已转存至九凤 R2。

来源：RuntimeWire · Qwen 官方 X · Commerce Agent Bench

MiniMax H3 借 vLLM-Omni 实现快于播放的实时生成

vLLM 官方博客称，经系统级优化并接入 FastVideo 的四步 FastH3 后，MiniMax H3 生成速度快过播放。

vLLM-Omni 对 MiniMax H3 的完整栈做了系统级优化与扩展，再集成 FastVideo 的四步 FastH3，使 MiniMax H3 栈的生成速度快于播放（faster than playback），面向实时服务。该文由 vLLM 官方博客发布，属一手工程说明。

局限：博客聚焦服务栈与工程优化路径，公开摘要未给出具体吞吐（tok/s）、时延或硬件配置等量化数字；「快于播放」为其定性结论，需以完整博文为准。

来源：vLLM Blog

Bedrock 报错疑似 Anthropic 预备 Claude Fable 5.1

一个未公开的 Fable 5.1 slug 在 Bedrock 返回 404 而非无效 ID 报错，被视作上线前的早期迹象——但不能证明即将 GA。

据 8 月 31 日曝光的一则 API 响应，研究者 Leo（@synthwavedd）用 Fable 5.1 的模型 slug 请求 Amazon Bedrock，得到「Model not found」的 404；而 Opus 5.1 的 slug 与一个故意乱写的 Anthropic 标识都返回「provided model identifier is invalid」的 400。AWS 称错误的 Bedrock 模型标识通常给出后者那种校验错误，404 则可能表示服务已识别该资源形态、只是尚不能对该账号/端点/区域提供。Bedrock 公开目录当前仍指向 Fable 5。

局限：这是单一 API 错误码差异，Leo 本人称这类情况「通常出现在发布前几天」；RuntimeWire 则明确指出，这一迹象并不构成 Fable 5.1 即将正式可用的证据；Anthropic 未官方确认。

来源：RuntimeWire · @synthwavedd on X · Bedrock 模型卡

全球 AI 资讯

Gradium 新默认 TTS：难例通过率 81%、首音 216 毫秒

Gradium 把新 TTS 设为 API 与 Studio 默认，报告 81.0% 难例人评通过率与 216 毫秒首音时延，并开源了评测集。

Gradium AI 8 月 31 日把新语音合成模型设为其 API 与 Studio 的默认，现有音色（含自定义克隆）无需迁移即可继续使用。官方在一套 500 句、覆盖英德法西葡五语的难例集上报告 81.0% 的人评通过率，高于 Cartesia Sonic 3.6 的 75.1% 与 ElevenLabs v3 Conversational 的 65.4%；Coval 上首音时延 P50 为 216 毫秒，较被替换的旧模型快 170 毫秒。该评测集已以 CC BY 4.0 开源到 Hugging Face，含五语、10 类共 100 项条目，覆盖拼写、缩写、字母数字、日期、数字与邮箱等原子标准。

局限：通过率与时延均为 Gradium 自报，对手成绩由其在同一评测集下测得；难例集虽开源，但榜单仍是厂商自评口径。

来源：MarkTechPost · Hugging Face 评测集

DataAgent 融资 1000 万美元，让 AI 在 K8s 集群内自修生产故障

以色列公司 DataAgent 带 1000 万美元种子前融资亮相，主打在客户自有 Kubernetes 集群内直接修复生产故障。

DataAgent 今日正式亮相，获 1000 万美元 pre-seed 融资，平台在客户自己的 Kubernetes 集群内修复生产故障，资金将用于加速北美客户采用。创始人 Ishay Yaari（CEO）与 Nati Shalom（CTO）于今年 1 月创立公司，两人此前均供职于开源云编排公司 Cloudify——该公司 2023 年被戴尔以传闻约 1 亿美元收购。与「先检测故障、再交给工程师、并把日志指标复制到厂商云」的传统可观测性不同，DataAgent 让智能体直接读取实时系统状态与拓扑并就地处置。

局限：产品定位与省钱主张来自公司自述；文中援引 Grafana Labs 2025 可观测性调查称这类支出平均占总算力基建开销 17%（最常见为 10%）作为行业背景，并非 DataAgent 自身效果数据。

来源：SiliconANGLE

腾讯 Marvis 开放自定义模型，可接入 Kimi、智谱 GLM、DeepSeek

腾讯操作系统级助手 Marvis 于 9 月 1 日上线自定义模型，用户可接第三方模型或跑本地模型。

腾讯的操作系统级 AI 助手 Marvis 于 9 月 1 日推出自定义模型功能，用户可接入 Kimi、智谱 GLM、DeepSeek、MiniMax 等第三方模型，或运行本地模型，使其从固定后端转向由用户自选模型后端。

局限：目前仅见 Pandaily 报道，摘要未给出接入方式、计费、可用地区或对本地模型的硬件要求等细节，属早期产品信号。

来源：Pandaily

区域与早期信号

清华 AIR 提出具身自进化模型 Zeva，成功率从 26% 升到 73%

参数冻结下，Zeva 靠「上下文内因果学习」从自身交互中持续学习，多个具身基准累计成功率由 26% 升至 73%。

清华 AIR 与域变换发布 Zeva，称其是首个实现「上下文内因果学习」（In-Context Causal Learning, ICCL）的具身 WAM：在不更新权重的情况下，从自身动作后果中学习物理因果。论文称在多个典型具身基准任务上，把冻结模型的累计成功率从 26% 提升到 73%；在真实化学实验室里，机械臂多次尝试中越用越稳。模型通过 Causal Interaction Extraction、双时标 Causal Memory 与 In-Context Policy Injection 在部署中自进化。

局限：成绩来自团队论文与量子位报道，尚无第三方复现；除累计成功率外，摘要未给出跨任务、跨本体的更多量化对比。（中文来源）

来源：量子位

雷锋网拆解 1.1 万个 DeepSeek Harness 插件：几无治理机制

DeepSeek Harness 开源后，dsh-plugin 标签下 GitHub 仓库超 1.1 万个，雷锋网实测称官方几乎未建插件治理机制。

DeepSeek Harness 开源后，「一切皆插件」的口号迅速扩散。雷锋网称，GitHub 上 dsh-plugin 标签下已有一万多个仓库；他们把这些仓库逐一清点，写了一个探针插件装进去试探，又装了二十几个下载量最高的插件跑了一夜，结论是官方几乎没有建立插件治理机制。

局限：为雷锋网单一来源的实测调查，摘要未公开具体的漏洞样本、受影响插件名单或量化风险数据，仅点出治理缺位这一现象。（中文来源）

来源：雷锋网

Lovart 更新围绕设计工作流：灵感采集插件 + 100 多个技能

Lovart 悄悄大更新，重点从生成效果转向设计工作流，新增浏览器灵感采集插件与 100 多个技能。

爱范儿实测称，Lovart 本次更新把重心放到设计前后的工作流：新增「灵感采集」浏览器插件，支持在 Pinterest、小红书、淘宝、亚马逊、Instagram 等站点一键收藏素材到账户并顺手分类；生成过程中 Agent 会自动联网补充参考素材，并把 Pinterest 与 Google 图片搜索纳入搜索源。它还引入技能市场，含官方与社区贡献的 100 多个技能，覆盖营销素材、品牌视觉、社媒内容、产品设计与创意风格五类。

局限：以上为爱范儿单篇上手实测，未给出模型版本、生成质量的量化评测或定价信息。（中文来源）

来源：爱范儿