小米直播 MiMo 强化学习训练，每小时烧 3 万美元

概览

本期共 10 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 · 小米直播 MiMo-V2.6 强化学习训练，每小时约 3 万美元
2. 重点 · 五款 AI 助手同题横评，Grok Bot 以 4.00 分居首
3. 重点 · 清华与 Stable AI 发布 LimiX-2 结构化数据基础模型
4. 腾讯开源 WeKnora，附官方 DeepSeek Harness 插件

全球 AI 资讯

5. OpenAI 测试 Sponsored Agents，把 ChatGPT 广告变成对话
6. OpenRouter 周 token 消耗涨到 126.2 万亿
7. 开放权重模型公司 Arcee AI 估值超过 10 亿美元
8. AgentCore 把生产 trace 变成系统提示改进建议

区域与早期信号

9. GLM-5.3 驱动的 Infra Agent，在 10 万卡国产集群上做推理优化
10. 蚂蚁集团全员接入千问办公，私有化部署在内网

九凤根据本期已引用来源整理。

热门模型动态

训练页面公开花费、步数、奖励曲线与显卡故障，Pro 与 Flash 两款模型 36 小时已花掉超过 108 万美元。

罗福莉沉寂半年后官宣在小米做强化学习，并把 MiMo-V2.6 系列的 RL 训练过程做成了公开页面：花了多少钱、跑了多少步、奖励曲线涨没涨、哪个节点的显卡出了故障，全部可查。从 Pro 模型开训算起 36 小时，两款模型合计花费超过 108 万美元，平均每小时约 3 万美元。

训练配置也一并公开：每个 Step 大约处理 20 亿 Token，由 1568 个 Prompt × 每个 Prompt 16 条 Rollout 构成，一轮就可能产生超过 2.5 万条 Rollout，而 Agent 任务的一条 Rollout 往往包含几十轮思考、工具调用与环境反馈。系统把生成、执行、评分、训练改成异步流水线，不再严格排队；代码、通用任务、视觉、Chat 可以混进同一次 RL Run，并运行在不同的 Harness 里。

公开的评测数字如下：

局限：Flash 从更低的起点快速追近，Pro 目前只保持小幅领先；Pro 训练完一个 Step 更慢，最新评分还没出来。两款模型在 DeepSWE v1.1 上的 62.24 与 60.77，都还落后于来源列出的 DeepSeek-Flash v1.1 的 74.2%。训练页与全部数字均由小米自行公开。

来源：量子位 · 罗福莉 X

九项任务、一个模型裁判、四类动作全程需要人工批准，五款产品的分数从 4.00 排到 2.46。

RuntimeWire 在 9 月 16 日跑完第一轮横评：桌面版 Grok Bot、走 iMessage 的 Instinct、云端沙箱里的 Claude Cowork、网页 harness 上的 ChatGPT Work，以及 muse.ai 上的 Muse，面对同一套九项任务，由 GPT-6 Astra Pro 一个裁判用同一把 key 打分。

规则是冷会话起步、允许访问公开网页、运行途中新的 OAuth 授权一律拒绝；发送、付款、预订、发布四类动作必须由操作者手动输入 approved 才放行，而操作者全程没有输入。共享任务之一是整理固定的五封邮件收件箱：PG&E 142.18 美元 9 月 28 日到期、Figma 180 美元 10 月 1 日、Honda 2240 美元 9 月 22 日，外加一次会议改期和一份 newsletter。五款产品里，仿冒收款人这一项全部通过。

局限：这只是一轮测试，RuntimeWire 自己说这是「开场，不是最后一场」，会随产品更新重跑；判分只有一位模型裁判。安全项只在产品真正跑到那一步时才成立。没有一款拿到「可无人值守通宵运行」的评级——Grok Bot 是「仅在人监督下」，其余为否。Hermes 与 OpenClaw 没参赛，因为它们是套在别人模型上的 harness；五款产品里只有两款救回了被暂停的周五摘要任务。

来源：RuntimeWire

4 亿参数，团队称在三个表格类基准上拿到最高 Elo。

LimiX-2 面向结构化（表格）数据，采用 Contextual Mechanism Networks 架构，发布方给出的成绩如下：

• 参数量：4 亿
• 架构：Contextual Mechanism Networks
• 榜单 Elo：TabArena 1935 · BCCO 1432 · TALENT 1506

局限：这三个 Elo 分数是发布方自称的最高成绩，尚无第三方复核；目前只有 Pandaily 一则英文简讯，报道没有给出对比基线、评测协议、许可证以及权重是否开放。

来源：Pandaily

微信团队把一个从 RAG 走向智能体的知识平台开源，并给 DeepSeek Harness 出了官方插件。

WeKnora 由腾讯微信团队开源，定位是面向企业文档的知识平台，GitHub 上已有 2.5 万以上 star。同时放出的官方 DeepSeek Harness 插件，为企业文档检索场景增加四个只读检索工具。

局限：四个工具都是只读检索，不涉及写入或修改；这条目前只有 Pandaily 一则英文简讯，报道没有给出许可证、插件支持的模型版本，也没有企业接入规模或检索质量数据。

来源：Pandaily

全球 AI 资讯

用户可以从广告点进与广告主 AI agent 的标注对话，广告主接 HubSpot 做归因、接 Shopify 拿商品目录。

OpenAI 于 9 月 16 日开始测试 Sponsored Agents：人们可以从 ChatGPT 里的一条广告，进入与该广告主 AI agent 的对话，对话带有明确标注。配套集成让广告主把 ChatGPT 上的投放接到 HubSpot 的归因，以及 Shopify 的商品目录与购买数据。OpenAI 8 月 31 日曾表示 ChatGPT Ads 已达到 10 亿美元的年化收入规模。

局限：测试只对选定的美国广告主开放，公告里没有给出广告主名单、定价与效果基准，商家需要另行申请。来源同时指出，运营方真正的难题是衡量这些对话到底转化了没有，又不让付费劝说与独立回答之间的边界变模糊。

来源：RuntimeWire · OpenAI

自 2025 年 1 月上涨超过 25,000%，但这条曲线更多反映 token 指标本身在膨胀。

OpenRouter 的周 token 消耗量从 2025 年 1 月的 0.5 万亿涨到 126.2 万亿，涨幅超过 25,000%，图表由 OpenRouter 的 Peter Walker 提供。The Decoder 指出，推理模型在给出答案前会生成大量「思考」token，使用量的小幅上升就可能带来 token 消耗的大幅跳升，未优化的 agentic 系统尤其烧得快。OpenAI 的 GPT-5.6 Luna 近期在 OpenRouter 上的 token 消耗居首，但这不必然意味着用它的人更多，也可能只是它生成得更多。

局限：来源明确说这条曲线不能等同于实际使用量或商业价值的同等增长；数据只来自 OpenRouter 这一个分发平台，不覆盖各家模型的直连调用。

来源：The Decoder · OpenRouter X

B 轮由 Vista Equity Partners 等三家领投，金额未披露；公司最强的 Trinity Large 为 4000 亿参数、每 token 激活 130 亿。

Arcee AI 宣布完成新一轮融资，估值超过 10 亿美元。这轮 Series B 由 Vista Equity Partners、Cambium Capital 与 Emergence Capital 领投，A10 Ventures、Hitachi、IAG、微软的 M12、P7 与咨询公司 Wipro 参与。公司位于旧金山，做的是开放权重模型——公开核心数值参数，任何人都可以下载、修改并跑在自己的基础设施上。

模型侧的数字：Trinity 系列里最强的 Trinity Large 为 4000 亿参数、每 token 激活 130 亿参数；公司称去年开发这批模型花费约 2000 万美元。此外它还与美国能源部及 17 个国家实验室合作了 Genesis-Science-1。联合创始人兼 CEO Mark McQuade 对 Fortune 表示，企业不该在前沿模型的能力与自主控制之间二选一。

局限：具体融资金额没有公布，「至少 1.5 亿美元」的说法来自 Fortune 引述的一位消息人士；Trinity Large 的参数规模与约 2000 万美元的开发花费都是公司自述的数字。

来源：SiliconANGLE

先离线批量评测、再线上流量 A/B，胜出的配置才推广。

Amazon Bedrock AgentCore 的优化能力用 AgentCore Observability 记录的 agent trace 加上奖励信号，产出改写后的系统提示，再走一套固定流程：先给出 recommendations 和 configuration bundles，经离线批量评测与线上 A/B 测试验证，赢的那版才被推广。过去改一个低分 agent 靠人读长 trace、逐个调提示词、工具描述和 skill，再重跑评测。AWS 用仓库里的 market trends agent 作为示例。

文章还给出 Single Agent Reflector 与实验性开源的 Sub-Agent Reflector 在两个公开基准上的评测结果，并与 GEPA、MIPROv2 这两种提示优化方法作对比。

局限：Sub-Agent Reflector 仍是实验性的开源实现；这是此前发布文的技术配套篇，示例跑的是 AWS 自家样例仓库里的 agent，而非第三方生产环境。

图片来源：GitHub；已转存至九凤 R2。

来源：AWS Machine Learning Blog · market trends agent

区域与早期信号

两周从首次跑通到承载全部生产流量，端到端吞吐做到 3.2 倍。

智谱首席科学家唐杰公布了一项 GLM-5.3-Flash 推理系统优化的结果：集群由超过 10 万颗国产 AI 加速器组成，从模型首次在这批硬件上运行，到完成全部生产流量承载，用了两周。大量优化工作由 GLM-5.3 驱动的 Infra Agent 完成——读系统反馈、提假设、改代码、跑实验，再按结果继续迭代。

具体手段包括：针对线性注意力与 LM Head 的节点内张量并行、用 ReplaySSM 以计算换显存、W8A8 量化与 INT8/FP8/BF16 混合精度缓存量化，以及 Encode-Prefill-Decode 分离式架构。团队称硬件利用率和单 token 成本已接近主流 NVIDIA GPU 平台的水平，GLM-5.3-Flash 还以匿名模型 Ox-Alpha 的身份在 OpenCode 与 OpenRouter 上接受真实调用检验。

局限：唐杰本人说距离真正意义上的递归自我改进仍然很远，眼下只是一种早期形态。国产 AI 加速器的软件生态仍在发展，部分 Kernel 支持不足、很多资料要工程团队自行摸索；模型还需要支持 100 万 token 上下文与多模态请求。上述数字均由智谱公布，目前只有中文媒体报道。

来源：量子位 · 爱范儿

数万人规模的公司把千问办公当成全员智能办公 Agent 底座，方案跑在自家内网。

蚂蚁集团 9 月 17 日宣布全员接入千问办公。出于数据安全与合规要求，这次采用 K8S 私有化部署，全面运行于蚂蚁内网，支持企业自有模型接入，口径是数据不出域、日志可审计、结论可验证。方案融合蚂蚁自有的 Agent 能力，打通数字员工、蚂蚁钉、项目管理等内部服务，并衔接蚂蚁内部的 AI 安全管控底座。

千问办公方面称产品上线一个月用户数突破 3000 万，其中企业用户占比过半，已接入的企业包括长安汽车、中集安瑞科、汇付天下、传化集团、老乡鸡等。

局限：3000 万用户数与「业内首个企业级通用 Agent 产品」都是厂商口径；报道没有给出蚂蚁内部的实际使用规模、覆盖了哪些任务或效果数据；目前只有中文来源。

来源：雷锋网