Claude 为 123 个开源库生成约 1.8 亿行证明

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 · Claude 为 123 个开源库生成约 1.8 亿行形式化证明
2. 重点 · MiniMax 开放 M3.1 Flash 权重，vLLM 首日支持
3. 重点 · 微软用 187 个任务训练 Qwen3.8-27B，平均成功率提高 9.08 个百分点
4. 开发者称用 Codex 辅助做出 Switch 2 越狱

全球 AI 资讯

5. Google Cloud 推出 Agent Compute Engine，每个智能体一台微虚拟机
6. Cerebras 公开如何把约 3T 参数的 Kimi K3 拆到多块晶圆上
7. Amazon Polly 升级生成式引擎，新增 14 个声音

区域与早期信号

8. Kimi 官方发布 K3.1 预热视频，代码显示新增 medium 思考档
9. 千问：复杂任务的平均 Token 消耗三个月增长 1.6 倍，千问 Go! 开测「我的应用」

九凤根据本期已引用来源整理。

热门模型动态

Anthropic 让 Claude 为现有代码生成形式化证明，证明这些代码是正确的。Claude 用几周时间写出约 1.8 亿行证明代码，过程中还发现了数百个常规测试没有查出的 bug。

Anthropic 的 Frontier Red Team 与合作方 Theorem 一起做了这项工作，证明部分交给 Claude 完成，不再由人工专家编写。

• 规模：约 1.8 亿行数学证明代码，覆盖 123 个开源库
• 耗时：几周
• 输入：这 123 个库的测试程序取自 Google 的 OSS-Fuzz
• 副产品：发现数百个常规测试没有查出的 bug
• 对照：据 The Decoder，过去人工形式化验证小型操作系统内核 seL4 花了 20 人年，因此这种方法以前只用在 Airbus 航电软件这类极端场景

Anthropic 表示，希望用 AI 做形式化验证这件事能像常规测试一样日常。

局限：这次验证的是已有的开源代码。The Decoder 同时指出，这套方法「有严格的实际限制」：算力成本很高，单个证明就要消耗数亿 token，报道也没有公布项目的总成本。报道没有给出所用 Claude 的具体版本。

图片来源：GitHub；已转存至九凤 R2。

来源：The Decoder · Anthropic Frontier Red Team · OSS-Fuzz

M3.1 Flash 于 10 月 19 日发布，四天后的 10 月 23 日开放权重。Together AI 同步提供托管推理，vLLM 首日给出了针对 Blackwell、Rubin 和 MI350 的专用内核。

MiniMax 在开放权重的同时接入了 Together AI 的生产推理服务，开发者不想自己管 GPU 的话，可以直接调用托管版本。Together AI 的模型页注明，权重以 MiniMax Community License 发布。按 vLLM 的介绍，这个模型原生使用 NVFP4 KV cache 和 NVFP4 量化的 MoE 权重，另外附带一个 DSpark 草稿模型，用于投机解码。

vLLM 公布的内核级加速如下：

局限：表中数字是 vLLM 自己测的单个内核或单个环节的提速，不是端到端吞吐。权重采用的是 MiniMax 自己的社区许可证，不是 MIT 或 Apache 这类通用开源许可证。

来源：RuntimeWire · MiniMax on X · Together AI · vLLM Blog · vllm-project/MSA

微软与 Hugging Face 做了一项实验：根据智能体完成任务后数据库的最终状态来给强化学习奖励。用这种方法训练 Qwen3.8-27B 后，平均成功率提高了 9.08 个百分点。

做法是把「数据库评分」变成强化学习的奖励：智能体做完任务后，用可执行的检查来核对它留在数据库里的实际状态。

• 底座：Qwen3.8-27B
• 训练：187 个任务，奖励来自可执行的检查
• 评测：共 507 个基准任务，平均成功率 +9.08 个百分点
• 作者：微软应用科学家 Tuhin Kundu 及合作者

局限：模型变得更稳定了，但覆盖面反而缩小：「至少有一次尝试成功」的任务数比训练前少了 7 个。

来源：RuntimeWire · Hugging Face Blog

改机作者 Sammy Hajhamid（pepsipu）发布了 Switch 2 越狱「ns2jb」，并称 OpenAI Codex 帮助完成了这个漏洞利用。他已经演示了改版的 Mario Kart World。

ns2jb 是纯软件的 tethered 越狱：主机每次开机后，都要通过游戏 SmileBASIC 4 重新运行一遍才能生效。演示视频里，Mario Kart World 加入了 Cinnamoroll、红色愤怒鸟、Peter Griffin 和 Minecraft 的 Steve 等可玩角色。

局限：The Verge 的说法是 Switch 2「显然」已被越狱，Reddit 用户还在讨论这次越狱的影响到底有多大。Codex 在其中具体做了哪些工作，只有作者本人的说法。

来源：The Verge · pepsipu on X

全球 AI 资讯

每个智能体会话分到一台硬件隔离的 microVM，沙箱里不放任何凭据。这项服务已经在支撑 Gemini 处理工作任务。

Google 在 AGNTCon + MCPCon 上发布了 Agent Compute Engine（ACE）。

• 隔离单元：每个会话一台 microVM，有独立的 guest 内核、root 权限和 Hyperdisk
• 底层：运行在 Google 托管的主机上，使用 Titan 芯片和 Titanium IPU
• 闲置处理：闲置的智能体会做检查点，不占任何活跃资源，需要时从快照恢复
• 开源版本：Agent Substrate 可在任意 Kubernetes 集群上运行，支持 Claude Code、OpenClaw、Hermes 等 harness

局限：ACE 的客户预览要到未来几个月才开放，Google 没有公布启动时间和部署密度的数据。

来源：MarkTechPost · agent-substrate/substrate

单块 WSE-3T 晶圆只有 44 GB 片上内存，Cerebras 把万亿参数模型拆到多块晶圆上运行，速度达到每秒 1000-2000+ token。

Cerebras 以开源模型 Kimi K3 为例做了说明。K3 约有 3T 参数，由 69 层线性注意力层和 24 层稠密层组成。文章讲了三件事：怎样把整个模型放进片上内存，怎样把它映射到多块芯片上，以及怎样处理大量并发请求。文中列出的 K3 成绩如下：

局限：这是 Cerebras 自家的技术博客，部署速度是厂商自己给出的数字。

来源：Cerebras · Kimi K3 博客

Polly 的生成式引擎完成升级并已正式上线。现有应用不用改代码：声音名称和 API 调用都不变。

这次升级新增了 14 个声音，分布在 9 个地区语种；印地语和芬兰语的生成式声音首次正式可用。按 AWS 的定位，Polly 主要用于客服中心、基于 LLM 的智能体应用、媒体娱乐、在线教育和无障碍场景。

局限：AWS 说新版语音「更有表现力、更准确、延迟低」，但没有给出量化指标，只提供了示例音频供试听对比。

来源：AWS Machine Learning Blog

区域与早期信号

Kimi 官方账号 10 月 23 日发布了一段 24 秒的预热视频，Kimi Code 界面的模型栏显示「Kimi K3.1」。正式发布日期还没有公布。

IT之家梳理了此前的线索：9 月，月之暗面 API 后台出现了「kimi-k3-1」标识，开放平台的预告写明支持 1M tokens 上下文；10 月 19 日，SGLang 仓库合入了 K3.1 对话编码适配的提交，附带 107 个测试用例。据智猩猩整理，K3.1 在 low、high、max 三档思考强度之外新增了 medium 档，默认仍是 max；分词器文件和 K3 逐字节相同，16 个特殊 Token 也没变。

局限：SGLang 的提交只验证编码兼容性，不涉及性能跑分。前端代码里出现的「make3d」「OK_COMPUTER_SWARM」等标识，月之暗面尚未确认。以上细节来自第三方整理，目前只有中文媒体单源报道。

来源：IT之家

在 2026 中国计算机大会上，千问 AI 算法负责人蒋冠军介绍了 Personal Agent 的技术框架，讲了模型、记忆、生态三个部分。千问 Go! 同期开始邀测无代码搭应用的功能。

蒋冠军介绍，千问整理了一张覆盖 30 多个头部行业的用户需求透视图，从中拆出 8000 多项原子模型能力要求，并请行业专家参与评估。记忆系统按事件之间的关联强弱分层存储和调用。过去三个月，用户发起的复杂任务平均 Token 消耗增长了 1.6 倍。新功能「我的应用」让用户直接说出需求，就能搭建生活、工作、学习类应用，不需要编程。

局限：以上数据来自千问在会上的自述，没有经过外部验证。「我的应用」目前只开放邀测。

来源：InfoQ 中文