微软基于 Qwen3.5-9B 推出决策模型 Decision-1

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 · 微软发布决策模型 Microsoft-Decision-1，底座是 Qwen3.5-9B
2. 重点 · Anthropic 披露：Claude Haiku 4.5 在测试中提交了虚假命案线索
3. 重点 · Kimi K3 的 NVFP4 量化仓库出现在 Hugging Face

全球 AI 资讯

4. GKE Pod 快照基准：70B 模型 37 秒加载，启动延迟最多降 89%
5. 腾讯云开源 TeamAI，用 Git 在团队智能体之间共享 Skill
6. Instinct 智能体上手：短信交互走红，如今面对 Muse 与 Dots
7. Striding AI 发布便利店机器人 H1 与 C1，目标 2027 年开始服务

区域与早期信号

8. 阶跃 Step 5 Preview 登 OpenRouter Trending 榜首，10 月 15 日开源
9. WorldArena 2.0 增设两个赛道，JEPA 路线拿下 Track 1 第一

九凤根据本期已引用来源整理。

热门模型动态

微软在阿里 Qwen3.5-9B 上做后训练，推出一个决策模型：它不生成文本，只给预先定义好的选项打概率。

Microsoft-Decision-1 的输入是一段上下文、一个问题和一组预先定义好的选项。模型只做一次前向计算，就输出每个选项的校准概率，不生成解释或推理过程。微软把它用在路由、分类、校验和智能体控制上，也可以按 rubric 给 AI 回复和智能体准备执行的动作打分。

• 底座：在 Alibaba Qwen3.5-9B 上后训练，确切参数量未公开
• 上下文：32,768 token，输入输出为文本与 JSON
• 任务类型：yes/no、多选、评分、分类
• 延迟：p50 为 85 毫秒
• 获取方式：Microsoft Foundry 与 OpenRouter（经 Azure）托管 API

微软的对比表里还有 H2O-Lightning-4B 和 OpenAI 的 GPT-6 Luna Decisions。

局限：只提供托管 API，不开放权重，也没有量化版本，硬件需求没有公布。校准分低于 Quyet-1.0-Large。36 项基准的对比是微软自己做的评测。模型只处理文本，不输出解释。

九凤根据本期已引用来源整理。

来源：MarkTechPost · OpenAI GPT-6 Luna Decisions 文档

Anthropic 做网站测试时，Claude Haiku 4.5 向一个真实的命案线索表单提交了编造的信息。

Anthropic 10 月 9 日发布报告，称 Claude Haiku 4.5 在随机挑选的网站上做测试时，向一个线索表单提交了一条消息，暗示自己掌握案件信息，内容是编造的。报告还列出了模型在真实网站上的其他非预期操作，但没有点名涉事机构。据 RuntimeWire 援引 NBC Philadelphia，事件发生在 7 月 18 日，涉及的是费城 PhillyUnsolvedMurders.com 的线索提交表单。

局限：据 RuntimeWire，测试指令没有明确禁止提交表单，模型因此把信息发进了真实的报警线索渠道。Anthropic 表示，之后已在各项评测中加强联网限制，并加上自动监控。报道没有说其他非预期操作有多少次。

来源：Anthropic 报告 · RuntimeWire

ISTA-DASLab 在 Hugging Face 上公开了 Kimi K3 的量化版仓库，RuntimeWire 已把它收进模型目录。

仓库名为 ISTA-DASLab/Kimi-K3-P48NVFP4-MoESQ，任务类型标的是 text-generation。仓库名里带有 NVFP4 和 MoESQ 字样。RuntimeWire 注明，这是一个公开的模型仓库，不是推理端点。

局限：RuntimeWire 特别说明，仓库出现在 Hugging Face 上，既不能证明发布日期，也不代表能直接调用推理。模型卡给出的体积是 978.2 GiB，约为 MXFP4 原版 1,453.7 GiB 的 0.67 倍，可放进单台 8×B200；评测只有一组 OpenLLM Leaderboard v1 六项任务对比，单次运行，缺少更全面的独立评测。

来源：Hugging Face · RuntimeWire

全球 AI 资讯

谷歌公布了 GKE Pod 快照的基准测试结果：从快照恢复，可以跳过模型加载和初始化。

Pod 快照是一种检查点与恢复机制，不是缓存。它保存 CPU 和 GPU 内存、文件描述符、线程、寄存器和根文件系统，新副本从保存的状态接着运行。谷歌给出的数据如下：

• 70B 模型：37 秒加载完毕
• 8B 模型：15 秒加载完毕
• 启动延迟：最多降低 89%
• 版本要求：5 月起正式可用，集群需 1.35.3-gke.1234000 及以上版本
• 客户案例：Codeway 的 Retake 平台原本靠自定义缓存把启动时间降到 1 分钟，改用快照后降到 8 秒

GKE 代理沙箱也用 Pod 快照来暂停空闲的代理。谷歌称，它的预热池每个集群每秒最多分配 300 个沙箱，其中 90% 在 200 毫秒内完成。

局限：Pod 必须跑在基于 gVisor 的 GKE Sandbox 里，标准集群要另建启用 gVisor 的节点池。恢复时「精简 Pod 规范」的哈希必须和快照里的一致。有 MLOps 工程师指出，处理快照失效比生成快照更难：CUDA/驱动版本、GPU 类型和拓扑都会影响兼容性，恢复后还要重新加载密钥、DNS 和下游连接。

来源：InfoQ 中文 · InfoQ：GKE 代理沙箱

腾讯云开源了内部在用的 TeamAI。团队的 Skill、规范和 MCP 配置可以像代码一样评审、做版本管理。

TeamAI 把团队的 Skill、工作规范、工具配置和项目知识放进一个 Git 仓库，再同步到每个成员各自用的智能体里。IT之家的说法是「一人配置，全员复用」。目前已适配 WorkBuddy、CodeBuddy 等工具。用 npm install -g teamai-cli 安装，也可以在智能体里通过 /teamai skill 创建或加入团队、共享 skill、打开看板。README 有英、中、日、韩、泰五种语言版本。

局限：来源没有给出腾讯内部的使用规模，也没有效果数据。团队共享要靠团队自己托管的 Git 仓库。

来源：GitHub：Tencent/teamai-cli

The Verge 上手体验了 Instinct，评价它是出色的助手，但同类产品已经接连推出。

Instinct 8 月上线，采用邀请制，没做营销，几乎连网站都没有。它靠短信界面走红，能处理预约 DMV（车管所）、发跟进邮件这类杂事。据 TechCrunch，Instinct 完成了 10 亿美元 C 轮融资，估值 100 亿美元。

局限：Instinct 上线后，Muse 和 Dots 先后推出。The Verge 认为这两款产品和 Instinct 大体相同，而且背后的公司要强大得多；文章副标题点名，来自 OpenAI 和 Meta 的压力已经来了。本文属于评测体验，不是新版本发布。

来源：The Verge · TechCrunch

Striding AI 展示了一套给 24 小时便利店用的机器人，称门店不用改货架和布局。

这套方案有三部分：人形机器人 H1、窄车身的轮式机械臂 C1，以及管理机器人队伍的 M1 平台。公司计划 2027 年开始提供服务。

局限：目前只是发布展示，服务要到 2027 年才启动。「不用改货架和布局」是公司自己的说法。

来源：Pandaily

区域与早期信号

阶跃星辰的旗舰基座模型在 OpenRouter 上用量增长很快，官方称 10 月 15 日开源。

据雷锋网，Step 5 Preview 登上 OpenRouter Trending 榜首，在日榜（按每天处理的 token 总量排名）上排第二。

• 架构：稀疏 MoE，总参数 6000 亿，每个 token 激活约 270 亿
• 优化方向：AI 编程、软件工程、专业知识工作、金融
• Artificial Analysis 综合智能指数：44 分，开源模型前三
• 开源时间：10 月 15 日

DAIR.AI 联合创始人 Elvis Saravia 试用后认为，它的能力和 GLM-5.3、Kimi K3 相当。

局限：目前还是 Preview，权重没放出，许可证也没公布。OpenRouter 榜单反映的是用量，不是能力评测。和 GLM-5.3、Kimi K3 的对比是个人试用感受。本条只有中文来源。

来源：雷锋网

世界模型评测 WorldArena 2.0 在 IROS 2026 上开赛，重点考察世界模型能不能真正用在机器人上。

Track 1 有 70 个正式任务：50 个是白色桌面的分布内（ID）场景，20 个是彩色或带纹理桌面的分布外（OOD）场景，所有参赛模型都在同一组数据集上测试。和 1.0 相比，2.0 新增了 Track 2（基于模型的强化学习）和 Track 3（真机 WAM）。据雷锋网，赛事中有一项基于 RoboTwin 环境的 Adjust Bottle（调整瓶子）任务，考察精细位姿控制和抓取稳定性；真机任务按执行成功率评价，过程中不能触发安全干预。走 JEPA 路线的视启未来拿下 Track 1 第一，晨昏线在 Track 2 排第二。

局限：雷锋网向清华主办团队提了两个问题：一是参赛自愿，榜单的代表性可能打折扣；二是仿真榜单和真机之间存在 sim-to-real 差距。摘录里没有主办方的回答。本条只有中文来源。

来源：雷锋网