MiniMax M2.7能打但别乱用：办公自动化首选，强推理场景慎选_服务软件

1. 国产大模型“春节档”混战，一文看懂豆包是怎么打这仗的

2. 神秘霸榜模型现真身：小米MiMo-V2 Pro，国内首个万亿参数+1M上下文，为Agent而生！

3. 我们用「西游取经团」实测 MiniMax M2.7 ，发现 AI 已经进化成这样了？

4. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

5. 35 天，从 M2.5 到 M2.7，模型训了下一个自己

6. 大模型Agent的核心还是prompt？

7. 给建议的AI看够了？MiniMax Agent 让AI直接住进你的电脑干活#AI新星计划#科技改变生活#MiniMAX#Agent#minimaxagent

8. Skill 调用 Skill：Agent Skills 的乐高式组合写 Skill 的时候遇到一个问题：我的漫画生成 Skill 需要画图，但用户可能装了 Nano Banana Pro 的 Skill，也可能装了 Midjourney 的。我要在代码里写死调用哪个吗？不用。这正是 Agent Skills 设计的精妙之处。原理：启动即感知Claude 调用 Skill 时会加载 SKILL.md、注入指令、修改执行环境。但更关键的是启动阶段——Agent 启动时就预加载了所有已安装 Skill 的名称和描述。换句话说：Agent 一启动就知道自己有哪些能力。实践：松耦合调用我的漫画 Skill 里，画图环节是这样写的：> Check available image generation skills If multiple skills available, ask user preference> 检查可用的画图 Skill，如果有多个则提示用户选择好处是解耦。我不依赖任何特定的画图实现，用户装了什么画图 Skill，Claude 就调用什么。更妙的是 Claude 能动态适配目标 Skill 的能力：- 支持参考图 → 传角色设计图- 只支持文本 → 传文字描述所以我只需要说：“帮我画张图”，而不用：“用 Nano Banana Pro 的 API 帮我画张图”。为什么这样更好这种松耦合带来几个实际好处：1. 可替换：换画图引擎不用改上游 Skill2. 可扩展：新画图 Skill 自动可被调用3. 低维护：Skill 作者不用追踪下游依赖4. 用户自主：用户选自己喜欢的工具Skill 间相互调用是基于能力描述的松耦合。你只描述“需要什么能力”，Claude 在运行时自动匹配。这让 Skills 成了真正的乐高积木——独立模块，自由组合，构建复杂工作流。

9. OpenClaw AI Agent 小龙虾能力排行榜专门测试各家大模型在 OpenClaw 框架下执行实际编码任务的成功率。用一套标准化的 OpenClaw Agent 任务来跑各个模型，通过自动化检查 + LLM 评审来打分，衡量每个模型完成任务的成功率。前三名分别为： Gemini 3 Flash Preview MiniMax M2.1 Kimi K2.5 然后是： Claude Sonnet 4.5 Gemini 3 Pro Preview Claude Haiku 4.5 Claude Opus 4.6 Claude 家族三个模型都在 90% 以上，GPT-5.2 反而只有 65.6% 排名靠后，DeepSeek V3.2 在 82% 左右。

10. MiniMax M2.7+OpenClaw实战！AI到底能接管多少工作？

11. Kimi K2.5来了：杨植麟亲自站台，还能分身出100个Agent！

12. 这是个好问题：> 随着基础模型继续进化，Skills 是否会逐渐被更强的自主规划取代？作为创业者现在去布局 Skills，究竟是短期红利还是长期壁垒？我的看法是：Skills 是短期红利，也是长期壁垒——但壁垒不在 Skills 本身。让我用 AI 发展的三个阶段来解释这个判断。第一阶段：AI Chatbot + Prompt回归第一性原理：AI 也好，Agent 也好，能解决问题才有价值。最早的 AI Chatbot 加上好的 Prompt，已经能解决很多「生成类」问题——回答问题、情感陪伴、翻译、写作、摘要。那时候 Prompt 就是短期红利。你会写出好的 Prompt，就能得到好的结果。我那时候花了大量时间研究 Prompt 工程，确实吃到了红利——很多网友就是那时候认识我的。但要说长期壁垒？没有。现在让 AI 辅助写 Prompt 已经不是什么难事了。不过，AI Chatbot + Prompt 只能解决生成问题，不能使用工具，不能与外部世界交互。第二阶段：AI Agent + 上下文工程然后是 AI Agent 的出现。Agent 能规划、能调用工具，解决了「与环境交互」和「完成特定目标」的问题。这时候上下文工程（Context Engineering）就是短期红利。你知道怎么组织 Agent 需要的上下文，怎么在有限的上下文窗口里塞进足够的信息，那就是核心竞争力。但同样没有长期壁垒。很快模型越来越强，上下文窗口越来越大，上下文工程的最佳实践也逐渐系统化——比如借助文件系统压缩上下文、利用渐进式披露（Progressive Disclosure）解决工具描述占用太多 token 的问题。这些方法现在大家都知道了。第三阶段：Agent + Skills现在是 Agent + Skills 的阶段。Skills 解决的问题是：把特定工作流、特定领域的能力打包成可复用的「技能包」，让 Agent 之上可以长出丰富的应用生态。那些日常工作中琐碎但重复的任务，借助 Skill 的 Prompt 能力和工具能力，可以被高度自动化，带来巨大的效率提升。投资 Skills 是短期红利。 Skills 作为一种具体形式，可能会被更强的模型能力取代——也许未来模型足够强，不再需要人类预先打包好的「技能包」，它自己就能规划出最优路径。但问题来了：谁最能抓住这波短期红利？不是吹 Skills 的自媒体，而是真正懂 Prompt、懂上下文工程的人和团队。他们能借助之前积累的经验，快速做出真正解决问题的 Skills。投资的是能力，不是形式Skills 本身不会成为长期壁垒，但你在 Skills 上投入的学习和实践，会成为你的长期壁垒。这就像当年投资 Prompt 工程的人，后来更容易理解上下文工程；投资上下文工程的人，现在更容易做出好的 Skills。每一波技术浪潮的「短期红利」，都是下一波浪潮的入场券。所以我的建议是：不要纠结 Skills 会不会被取代，而是问自己：通过做 Skills，我能去解决什么问题？积累什么能力？这些能力在下一波浪潮里还有没有用？如果答案是肯定的，那就值得投入。

13. 市值近600亿，大模型公司上市了！ #AI #智谱ai

14. “源神”的新年贺礼！深度实测Qwen3.5，原生多模态表现如何

15. 能上生产才是硬道理！Coding Agent 评测，终于开始关注过程了

16. 一千个开发者在给 OpenClaw 降门槛，最后是模型厂商下场了

17. 姚顺雨在腾讯首个研究：在“上下文”这事上，在座的各位都不及格

18. Anthropic的Agent上下文工程官方指南来了！

19. Airbnb CEO公开表示其公司大量依赖 Qwen 模型，中国开源模型在硅谷是否已有取代GPT之势？

20. 实测 MiniMax M2.7：AI 狠起来，连自己都卷

21. PAI（Personal AI Infrastructure）：给 AI Agent 装上持久记忆 Daniel Miessler 开源的 PAI，核心是把 Claude Code 改造成一个能持续进化的个人 Agent。关键在记忆系统。普通 AI 每次对话都从零开始，PAI 会记住： 1. 你的目标和偏好 2. 历次决策的过程和结果 3. 哪些方法有效、哪些踩过坑 4. 你对输出的评分和反馈设计上三个关键点： 1. Agent 的价值上限取决于记忆质量——每次交互都是训练数据 2. hook 系统是关键：在工具调用层面捕获信号，比对话层面更准确 3. 个人 AI 基础设施的竞争点不是模型，是上下文积累的深度整个工作循环：观察 → 思考 → 规划 → 执行 → 验证 → 学习 → 改进。每跑一次，Agent 对你的理解就深一点。实现方式不复杂：在 Claude Code 上加一层 hook 系统，每次工具调用前后自动捕获信号，沉淀进 MEMORY 目录。跨会话持久存储，下次启动直接读取上下文。大多数人现在搭 personal agent 的方式是手动维护一个 MEMORY.md，PAI 做的事是把这套流程系统化：自动写入、自动分层、自动迭代。项目：github.com/danielmiessler/Personal_AI_Infrastructure #HOW I AI# #程序员#

22. Gemini 3实现智能水平断层碾压。Artificial Analysis智能指数73分（行业平均42分），在Humanity's Last Exam等基准测试中刷新纪录。核心突破在于生成式UI，可创建交互式界面和微型应用，从"回答问题"跃升至"生成体验"。原生多模态能力无缝处理文本、图像、视频、音频，并集成Nano Banana图像模型；支持100万token超长上下文。智能体能力实现自主规划与多工具协同，代码生成在SWE-bench达76.2%，搭配Antigravity平台构建自动化编码代理。响应速度达128 tokens/秒，但输出成本较高。Gemini 3无疑是当前最强大脑，适合需要顶尖推理和企业保障的场景；Grok 4.1以2M上下文和超低成本称王，适合海量文本处理；ChatGPT 5.1仍是均衡的通用选择，生态最成熟；国内Kimi K2在开源和Agentic方向独具特色，适合定制化部署#Gemini3凭什么被称为最强AI#

23. 企业级AI Coding的落地方法，都在这本实战手册里了｜甲子光年

24. 豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事

25. 创新Transformer！面壁基于稀疏-线性混合架构SALA训练9B模型，端侧跑通百万上下文

26. AGI时代下半场，比拼的不再是单纯对话，而是能落地、能干活的智能体能力。小米深夜重磅官宣，一口气推出MiMo-V2-Pro、Omni、TTS三款自研大模型，其中旗舰基座MiMo-V2-Pro直接击穿行业天花板，用硬核技术改写全球大模型格局，国产AI迎来里程碑时刻。作为专为高强度Agent场景打造的旗舰模型，MiMo-V2-Pro硬件规格直接拉满：超1T总参数量、42B激活参数，较前代扩容3倍；创新混合注意力架构配比升级至7:1，兼顾超大参数量与高效推理；1M超长上下文加持，轻松驾驭长文处理、复杂任务流，彻底解决大模型“记不住、理不清”的行业痛点。在权威Artificial Analysis榜单，这款模型跻身全球第八、国内第二，实力坐稳世界第一梯队。实际体验更是碾压同级：无人工干预即可完成复杂工作流编排、长程规划与工具调用，Coding、通用Agent能力对标Claude Sonnet 4.6、GPT 5.2，体感逼近Opus 4.6，API定价却仅为其1/5，彻底降低前沿智能使用门槛。早期测试版Hunter Alpha上线OpenRouter便登顶日榜，调用量破1T tokens，社区口碑直接封神。这不是单点技术突破，更是小米人车家全生态的深度闭环。MiMo-V2-Pro已全面落地Xiaomi miclaw、MiMo Studio、金山办公、小米浏览器，联动五大开发框架限时免费体验一周；打通WPS全生态，覆盖主流文档格式；手机端miclaw实现系统级执行，真正让AI从“聊天工具”变成“生产力大脑”。从技术研发到生态落地，小米走出了独有的国产大模型破局路。放眼行业，小米此举意义深远。当下大模型扎堆内卷对话能力，小米率先聚焦Agent刚需，攻克长周期规划、复杂推理难题，推动AI从“交互”向“执行”跃迁。凭借极致性价比与顶尖性能，既打破海外巨头高价垄断，又为全球开发者提供优质选择，让国产AI不再是追随者，而是规则参与者。从手机硬核科技到AGI底层布局，小米始终坚持长期主义自研。MiMo-V2-Pro的问世，不仅是品牌技术力的集中爆发，更是国产大模型走向全球的关键一步。未来小米将持续攻坚复杂推理与决策能力，向着真正通用智能迈进，让世界看见中国AI的硬实力。小米

27. 【阿里发布Qwen3-Max，性能超GPT5跻身全球前三】9月24日， 2025云栖大会开幕，阿里通义旗舰模型Qwen3-Max重磅亮相，性能超过GPT5、Claude Opus 4等，跻身全球前三。Qwen3-Max包括指令（Instruct）和推理（Thinking）两大版本，其预览版已在 Chatbot Arena 排行榜上位列第三，正式版性能可望再度实现突破。Qwen3-Max为通义千问家族中最大、最强的基础模型。该模型预训练数据量达36T tokens，总参数超过万亿，拥有极强的Coding编程能力和Agent工具调用能力。

28. 粮厂半夜放大招，一次性发三个大模型，其中MiMo-V2-Pro最值得关注，万亿参数+百万级上下文，国产大模型第一个，能跟全球顶级闭源模型掰手腕。事实也是如此，匿名Hunter Alpha上线海外的时候，在openrouter平台拿了好几次日榜第一。海外都说龙虾体验不错，官方也强调为Agent而生，值得试试 #中国大模型调用量包揽全球前四#

29. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

30. #为什么AI大厂开始卖Token#3月17日，在钉钉2.0AI年度新品发布会上，钉钉创始人、CEO陈航（无招）重磅发布全球首个企业级AI原生工作平台——“悟空”，让每一家企业、每一个团队都能轻松拥有一个24小时工作的“龙虾军团”。发布会上，无招表示当前钉钉用户数已经突破8亿，钉钉软件付费企业数达到30万，服务企业数超2000多万，即日起悟空开启邀测，并将直接内置到超2000万企业组织的钉钉之中。目前，市面上大多数AI Agent还只是个人轻量级的智能体，尽管它可以帮你整理资料、撰写文案，但在企业的实际业务中，受限于个人设备与账号，并不涉及企业组织权限，没有企业级的安全管控能力。悟空就不一样了！它是阿里专门为企业设计的，简单来说它自带企业级安全环境，AI 会自动跟着公司的权限走，你能看什么、能改什么，AI 就只能干什么，不会越权；所有操作都在安全笼子里跑，不怕数据泄露、不怕乱操作；用了多少算力、花了多少钱，清清楚楚、明明白白；企业管 AI 成本，就像管预算、管报销一样简单。未来，悟空还将接入如微信、Slack等全球主流聊天工具，用户通过手机或电脑就能远程召唤悟空干活。此外，阿里巴巴旗下的淘宝、1688、支付宝、阿里云等ToB业务的Skill也将逐步接入悟空。近年来，“一人公司”不断兴起，对此，悟空发布了OPT（一人团队）十大解决方案，涵盖了电商、跨境电商、知识类博主、开发、门店、设计、制造、法律、财税、猎头十大场景，一键启用悟空，就能轻松实现一个驾驭一支精通业务的“Agent团队”。悟空也被阿里定位为“打造B端AI应用入口，将模型能力深度融入企业工作流”，成为阿里企业级AI的战略布局。同时，它还承担着阿里AI技术在B端商业化落地的关键使命，以钉钉为核心载体，把 AI 从概念转化为企业可直接使用的生产力。

31. 全球大模型第一股，为啥是家中国公司？ #智谱 #智谱上市 #智谱IPO #GLM大模型 #全球大模型第一股诞生

32. 综合能力比肩GPT5，万亿参数思考模型Ring-1T来了！#AI #国产大模型 #蚂蚁百灵 #AIGC

33. 最近海外开发者圈子里，确实开始频繁提到中国的开源大模型了，小米 MiMo 也在其中。 OpenRouter 的真实调用数据显示，MiMo-V2-Flash 开源之后，API 使用量一路走高，已经冲到周榜前列，国产模型里更是排在第一。这个榜单不是主观评测，是开发者真用出来的结果，这一点分量不小。当然，海外评价和调用数据只是参考，但你不得不承认，小米在大模型这条路上，进步是真的快，不少海外开发者直言，MiMo-V2-Flash 在分析能力上已经明显超过同级竞品，尤其是在 Agent 场景下，实用性非常强，不再是演示型智能了更有意思的是，MiMo-V2-Flash 在海外的讨论热度，甚至不输同期发布的 Gemini 3 Flash。很多人干脆把它当成Gemini 平替，原因也很直接，效果够用，价格极低，而且现在还是免费。这波不是情绪输出，是全球开发者用脚投票。中国开源大模型，真的开始被认真对待了。

34. RAG、LangChain、Agent 到底有什么关系？

35. 【#Kimi发布并开源K2.5模型# #月之暗面发布Kimi迄今最智能模型#】月之暗面Kimi发布并开源迄今最智能模型Kimi K2.5，该模型在Agent、代码、图像、视频及通用智能任务上获开源顶尖表现，支持视觉文本输入、思考/非思考模式及对话与Agent任务。 K2.5融合视觉理解推理、代码、Agent等能力，用户难用语言描述时可拍照、截图或录屏交互，突破文字表达限制，降低AI交互门槛。模型还深耕办公场景，将Kimi Agent能力拓展至Office领域，熟练掌握Word、Excel、PPT、PDF等软件中高阶技能，助力用户产出准专业办公文档。目前Kimi K2.5已登陆kimi.com、最新版Kimi App、Kimi API开放平台及编程助手Kimi Code等平台，企业和开发者可通过开放平台调用API，兼具Turbo级速度且大幅降低API价格。即日起，Kimi开放平台开启为期7天的充值赠送活动。

36. 看看这篇论文"Where LLM Agents Fail and How They Can Learn From Failures" 对我们构建Agents有什么可以借鉴的↓一、Agent 设计1. Agent 应显式模块化为四大核心环节：- Memory（记忆）：跨步检索过去状态、关键实体、任务目标。- Reflection（反思）：判断上一步是否有效、目标是否达成。- Planning（规划）：生成下一步策略，考虑约束与目标。- Action（执行）：把规划转化为具体操作（API、点击、文本输出等）。2. 系统级模块要独立定义- System 模块单独追踪环境层问题，如 API 报错、超步长、网络错误。- 避免模型把这些外部失败“误归因”为自身逻辑错误。3. 每一步应有完整的四模块流水线每个 step 输出 <memory>、<reflection>、<plan>、<action> 四段内容。这让后续错误追踪、纠错具备结构化基础。4. 模块化输出格式化用明确标签 ...，确保后续调试能准确分区分析。对 Reflection、Plan、Action 模块统一采用自然语言模板输出。二、错误理解与防护层5. 错误不是孤立的，而是系统的绝大多数失败并非某一步的局部问题，而是“早期错误的放大效应”。6. Error Propagation（错误传播）是核心敌人一次错误记忆或误判，会导致后续所有步骤都偏离正确轨迹。所以设计 Agent 时，应重点强化 early-stage robustness。7. 每层的错误类型- Memory：记忆失败、虚构记忆、过度简化。- Reflection：进度误判、结果误读、错误归因。- Planning：忽略约束、不可能行动、低效计划。- Action：格式错误、参数错误、计划-行动不一致。- System：API、环境、步数上限、模型限制。8. “根因错误（Root Cause Error）”是比“错误点”更重要的概念根因定义：若修正此处错误，则任务能成功。其他错误可能是“衍生”或“掩盖”错误。9. 错误识别应遵循最早原则找到第一个导致结果不可逆的步骤，而不是最后失败时的那步。10. 错误标注应以模块为单位每一模块都单独判定错误类型，保持因果可追踪。三、Agent 自调试与学习机制11. AgentDebug 的三阶段循环非常值得模仿（1）细粒度错误映射（Fine-grained Analysis）（2）关键错误检测（Critical Error Detection）（3）迭代反馈执行（Iterative Feedback Rollout）12. Fine-grained Analysis 阶段可由 LLM 直接完成使用错误定义表（taxonomy definition）自动匹配模块输出，判断是否符合特定错误模式。13. Critical Error Detection 阶段要引入“反事实测试”模拟性地修改一个步骤，若任务成功，则说明该步是根因。可用 binary search 或最早匹配法来确定。14. 反馈生成要具备可操作性（actionable feedback）Feedback 不是总结，而是对下一步执行的“修改建议”或“策略指令”。15. Agent 应能在下一轮 roll-out 中读取上一次反馈相当于“带记忆的 retry”，让每次失败成为学习信号。16. Re-rollout 不必从头开始从根因错误所在的步骤重新执行，节省算力，提高修复效率。17. AgentDebug 的本质是“以 LLM 驱动的调试层”它可作为任何 LLM Agent 框架（如 ReAct、AutoGen）的外挂组件。18. Iteration 控制设置最大调试轮数（如 3–5 次），防止死循环。每次迭代记录失败原因与修复建议。19. 反馈结构标准化使用结构化 JSON 输出包含：{ "critical_step": x, "critical_module": "planning", "error_type": "constraint_ignorance", "correction_guidance": "考虑任务约束条件重新制定计划"}20. 建立自成长记忆（Self-Learning Memory）记录每次任务失败的根因 → 在新任务中预防重复错误。类似“调试经验库（Debug Memory）”。四、数据与评估层（构建 AgentEval）21. 构建类似 AgentErrorBench 的内部测试集自己收集失败轨迹，手动标注错误类型和模块。用于回归测试与Agent鲁棒性评估。22. 聚焦三个代表性任务环境ALFWorld（具身交互）、GAIA（信息检索与推理）、WebShop（结构化交易场景）。分别对应不同 Agent 能力维度：感知、工具调用、交互执行。23. 评估指标要分层Step Accuracy：能否找到正确错误步骤。Step+Module Accuracy：能否同时识别模块。All Correct：步骤 + 模块 + 错误类型三者全对。24. 强调“检测准确率”和“任务恢复率”双指标检测正确 ≠ 任务成功；关键是能否利用检测结果指导恢复。25. 设计错误可视化工具使用 Sankey 或 heatmap 显示错误传播路径。可快速定位在哪些阶段最易出错。五、实践实现与架构优化技巧26. Prompt 层要分模块定义Memory、Reflection、Planning、Action 各有独立 prompt 模板。Prompt 中明确上下文依赖（Memory → Reflection → Planning → Action）。27. Reflection 模块应包含明确问句“是否完成任务？”、“上一步有效吗？”、“需要调整策略吗？”保证反思不是复述，而是真实的进度监控。28. 引入“Consistency Checker”在 Planning 与 Action 之间插入一致性验证器（plan–action alignment check）。29. 强化外部记忆的可控性限制记忆检索范围、使用关键片段索引，减少 false recall。30. 监控任务长度与中途崩溃对 step limit exhaustion 进行提前检测与主动调整。31. 测试小模型的鲁棒性时可配合 AgentDebug实验表明，小模型在有调试反馈时性能提升幅度更大。32. Debug 可与 Self-Refine、Tree-of-Thought 互补ToT 负责拓宽思考空间，AgentDebug 负责收敛错误与修复。33. 设计“学习率型调试”每次迭代调整反思深度或思维链长度，类似于 meta-learning。六、总体启发：让 Agent “学会失败”34. 失败不是终点，而是数据每一次失败都能产出一条训练样本：(错误类型 → 改进策略)。35. Agent 的进化逻辑从“执行任务”到“理解失败”再到“自我修正”，这一步是让 Agent 从工具变成认知体的关键。36. 未来方向构建“Debug Memory + Root Cause Feedback + Iterative Rollout”三位一体架构。让 Agent 不仅能反思，还能真正“debug 自己的反思”。如果你后续打算设计一个具备自调试能力的 Agent 框架，可以直接基于本论文提炼出一个五层结构原型：> Memory → Reflection → Planning → Action → Debug Layer（AgentDebug）其中 Debug Layer 执行 “错误识别 → 根因检测 → 修复反馈 → Re-rollout”。论文：www.researchgate.net/publication/396048725_Where_LLM_Agents_Fail_and_How_They_can_Learn_From_Failures#人工智能##ai创造营#

37. 分化、新范式、Agent 与全球 AI 竞赛，中国模型主力选手们的 2026 预测

38. 华为昇腾宣布0Day支持DeepSeek-V3.2-Exp DeepSeek-V3.2-Exp重磅发布！华为宣布零Day支持！国产大模型牵手国产算力的背后是国产AI基建越来越成熟的适配能力！#华为 #昇腾 #DeepSeek

39. -agent是模型能力扩展的一个里程碑，也是体现ai模型进入人类真实（虚拟/物理）世界的关键。没有agent能力，大模型将停留在（理论学习）阶段，就类似一个人不断学习，哪怕学习到博士，也只是知识积累，还没有转化为生产力。原来的agent是通过模型应用来实现，现在模型已经可以直接将agent数据集成到训练过程，增强了模型的通用性，其实难题还是不同agent环境的泛化和迁移并不是那么容易，因此最简单办法也只有不断增加不同agent环境的数据和针对不同环境的强化学习。

40. LangChain Agent 年度报告：输出质量仍是 Agent 最大障碍，客服、研究是最快落地场景

41. GLM-5深夜官宣：Pony Alpha身份揭晓，编程能力逼近Claude Opus

42. 智谱GLM-5强调的Agentic Engineering能力是什么？｜甲子光年

43. DeepSeek V3.2 正式版发布，V4 还没来，但已经是开源模型里 Agent 能力最强了

44. 盘点一周AI大事(3月22日)｜OpenAI红色警报字节开源AI超级员工DeerFlow 2.0 英伟达开源Agent安全补丁NemoClaw Okara发布AI CMO Junior开源能雇佣的AI员工Junior 清华开源Agent课堂OpenMAIC MiniMax发布最强开源大模型M2.7 Miro开源最强深度研究模型Miro Thinker H1 Unsloth开源AI训练工具Unsloth Studio Google升级AI Studio和Stitch 阿里开源最强影视配音模型Fun-CineForge Google开源最强视频超分模型Spark VSSR 研究员开源最强数字人模型ID-LoRA 研究员开源首个城市级别的世界模型Seoul World Model #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #OpenAI

45. 上个月月底Gartner刚给全球大模型开发平台排了座次，这月国产排名第一，也是最接近「领导者」象限的火山引擎就举办了「FORCE原动力大会」。从行业的反应来看，火山引擎举手投足的重要性已经不用再赘述了，毕竟大模型公有云服务逼近半数的市场份额摆在这，单是豆包的日均token使用量已经突破50万亿——10倍于去年的水平——虽然还不至于到「不服就是不客观」的程度，但领先者会受到更多关注是情理之中，这很现实。而从具体动作上讲，FORCE原动力大会也属于字数越少事越大的那一类，豆包和Seedance都在不同程度上做了升级，前者依然主打多模态通用性，可以说是目前国产里最接近六边形战士形态的大模型，后者则进一步降低了AI视频创作门槛，护住抖音基本盘的同时还在追求探索上限。两个模型的更新，其实最终目的都是往Agent基建上靠拢，火山引擎最大的那步棋，在于搭建出能被广泛应用的AI云原生架构，让千行百业的企业们可以真正落地Agent，做到「真听真看真感受」。还是那句话，大模型的智能自今年开始普遍在溢出，所以需要Agent来做承接，证明AI有真正解决复杂问题的能力，根据火山引擎披露的数据，已经有超过100家企业在平台上的token消耗量达到了万亿级，现在有了先行者做背书，火山引擎接下来需要考虑的是如何扩大这部分客户。答案无非要在两个层面上找，降本和增效。增效，指的是通过升级企业Agent平台AgentKit，去全链路解决Agent在企业端的落地难题，把Agent服务打造成一套能覆盖前期开发、中期部署、后期管控的完整商业化体系，彻底打消「能不能用」的顾虑。除此之外，新推出的HiAgent智能体工作站，直接开箱化地赋予了企业更多Agent应用场景，对应的是企业想用AI，却不想成为AI专家的普遍诉求，回答了「好不好用」的问题。最后在降本方面，火山引擎的「AI节省计划」，用阶梯式的折扣给企业创造出了一个越用越便宜的体验，最高能节省47%的成本，反馈了客户「能不能用得起」的踌躇。将这几个问题叠加起来，就能看懂火山引擎在Agent领域的探索究竟深入到了什么程度，这也是火山引擎作为领先者跟其他平台的本质区别，人人都能用的同时，还要做到术业有专攻，日后企业级市场的AI普惠工作，深度和广度定然缺一不可。

46. 这篇调查论文认为小型语言模型可以处理大多数代理任务，而大型模型仅在需要时介入。此设置可将常见工具任务的成本降低 10 倍至 30 倍。代理的工作主要是调用工具并产生结构化输出，而不是回忆大量事实。因此，路由器默认运行小模型，只有当置信度较低时才会升级到大模型。输出遵循验证器检查的严格 JSON 样式模式，这提高了正确性并减少了重试次数。这使得小型模型在函数调用和结构化数据方面可靠，同时响应更快、能耗更低。大型模型仍然处理长上下文合成、复杂的多跳推理、深度代码修复和更高风险的决策。对于常规步骤使用小模型，根据不确定性进行路由，并将大模型留给困难的情况。论文 – arxiv.org/abs/2510.03847论文标题：“代理系统的小型语言模型：架构、功能和部署权衡的调查”

47. 【MiMo 大模型实力强劲震惊海外开发者】国产大模型这波在海外直接杀疯！OpenRouter 最新周榜里，小米 MiMo-V2-Flash API 调用量飙到第二，还是国产大模型第一；Artificial Analysis 数据里，它更是冲进全球开源大模型第二。海外开发者都在夸：AI 分析碾过同价位对手，面向 Agent 时代的实用性不搞虚的，甚至被当成 Gemini3 Flash 平替 —— 关键这模型不仅效果能打，还免费又便宜！之前总说国产大模型出海难，现在小米这进步是真肉眼可见，全球关注都不输同期的 Gemini3 Flash，这波确实有点东西！

48. Magic8系列10.0.0.135版本更新，要立即收到推送，可点击右上角升级尝鲜新增媒体胶囊实时音频律动效果，优化胶囊文本过长显示效果截屏编辑新增AI编辑入口，调用更畅快优化相机拍摄效果，色彩稳定性、清晰度和对焦新增锁屏后可下拉控制中心，需要去设置打开新增悬浮球记忆位置，新增横屏游戏等场景也可记忆悬浮球位置新增任意门GIF图拖拽功能，需要在任意门设置实验室，打开该功能优化亮度调节，智能调节睡前等场景亮度效果优化荣耀互联体验，优化相关连接稳定性优化游戏、视频播放、相机等场景续航体验提升系统稳定性，优化部分第三方应用无响应或闪退问题

49. #DeepSeek新模型重磅发布# 今日，DeepSeek两款正式版模型亮相！DeepSeek-V3.2强化Agent能力，网页端、App及API已同步更新；DeepSeek-V3.2-Speciale则以临时API服务形式开放，供社区评测研究～

50. 阿里基于开源模型通义千问 Qwen 打造了一个个人AI助手千问，今天千问APP已经开始公测上线，在各大应用商店都已经能下载，同时面向全球市场的千问 App 国际版也将在近期上线，借助 Qwen 模型的海外影响力与 ChatGPT 直接争夺海外用户。阿里方面表示，这次发布的千问 App 是一个初级版本，将用最先进的模型，打造一个“会聊天能办事的个人 AI 助手”。除了聊天足够聪明外，“能办事”将是千问 App 的一个重要发力方向。千问 App 的战略目标是打造未来的 AI 生活入口。AI要竞争的赛道真是太多了，大家目前用的最多的是哪个AI应用呢？#科技先锋官#阿里巴巴的微博视频

51. Kimi 发布并开源 K2.5 模型，哪些信息值得关注？Agent 集群能力能做哪些任务？

52. 阿里通义千问 Qwen3-Max 上线「深度思考」功能，目前该功能用户使用体验如何？

53. 实测MiniMax M2.7

54. MiniMax M2.7 深度实测

55. MiniMax M2.7实测

56. MiniMax M2.7发布

57. 真实测评MiniMax M2.7，不吹不夸，它到底什么水平？

58. 实测 MiniMax M2.7

59. 2026年OpenClaw全平台部署+MiniMax M2.7集成保姆级图文教程

60. MiniMax M2.7快要追上编程王者Claude 4.6 Opus

61. Agent 能力再升级！MiniMax M2.7 重塑 AI 工作与交互方式

62. MiniMax M2.7 测试

63. PPIO上线MiniMax M2.7

64. MiniMax-M2

65. 通义千问Qwen3-Max重磅发布

66. 通义千问团队开源Qwen-Agent

67. 智谱大模型刷屏技术圈

68. 对微软开源的AutoGen框架（v0.4.0）进行了一次深度技术审计

69. AutoGen v0.4.3 更新

70. AutoGen 全面指南

71. AutoGen框架详解

72. Microsoft AutoGen 框架总结

73. OpenClaw最适合哪个大模型？官方榜单，前三名有两个国产模型！

74. 全民养虾时代，你的”龙虾”选对大脑了吗？PinchBench排行榜揭开残酷真相

75. 龙虾最佳适配模型，OpenClaw 之父给出了推荐

76. OpenClaw选模型难题有解了

77. 龙虾之父亲推榜单揭露残酷真相

78. 如何评价 MiniMax 发布的 M2.7 模型？

79. MiniMax-M2.7 实测

80. MiniMax M2.7 深度评测

81. minmax2.7打响春节后第一枪

82. MiniMax M2.7 重磅发布

83. 35 天，从 M2.5 到 M2.7，模型训了下一个自己

84. 刚刚！MiniMax发布新一代大模型M2.7

85. MiniMax发布新一代Agent大模型M2.7，首次展示模型自我进化路径

86. MiniMax发布M2.7

87. 实测最强的Cowork Agent模型M2.7，这是龙虾最好的模型搭子

88. minmax2.7打响春节后第一枪 minmax2.7打响春节后第一枪

89. 凌晨的GPU终于不闲置了，我用M2.7跑通了自动化科研流水线

90. 全行业都在忙着“吃虾”，MiniMax M2.7已经让虾自己拿起筷子了

91. 拒绝 AI "断片"

92. 多就是少，近期最后一篇国产模型+Agent评论

93. 国产大模型迎来 Agent 时代！阶跃星辰发布开源 Step 3.5 Flash ！

94. 中国AI大模型霸榜！

95. 硅谷程序员疯狂“投喂”，国产大模型61%调用量背后的硬核逆袭

96. 国内大模型如何转向效率与场景适配

97. 全球SOTA编程模型MiniMax M2.5上线重新定义Agent2.0时代

98. 2026 AI爆发

99. 不卷跑分不养虾，MiniMax M2.7 带来了一个真正能打的 Cowork Agent

100. MiniMax发布新一代Agent大模型M2.7,首次展示模型自我进化路径

101. MiniMax M2.7国服第一!龙虾自我进化,海外开发者疯狂刷屏

102. MiniMax M2.7国服第一!龙虾自我进化,海外开发者疯狂刷屏

103. 大摩:料MINIMAX-W迭代步伐正加快评级“增持”

104. MiniMaxһAgent콢ģM2.7 30%ֶ֧˵L·

105. MiniMax

106. 大伙都在养虾，MiniMax 带着新模型来偷偷上分了？

107. 全行业都在忙着“吃虾”,MiniMax M2.7已经让虾自己拿起筷子了

108. 全行业都在忙着“吃虾”,MiniMax M2.7已经让虾自己拿起筷子了

109. 全行业都在忙着“吃虾”,MiniMax M2.7已经让虾自己拿起筷子了

110. MiniMax 平台将在高峰时段实施动态限流

111. MiniMax M2.7— MiniMax推出的新一代自我进化 AI 模型

112. 不卷跑分不养虾,MiniMax M2.7 带来了一个真正能打的 Cowork Agent

113. 全行业都在忙着“吃虾”,MiniMax M2.7已经让虾自己拿起筷子了

114. 大伙都在养虾,MiniMax 带着新模型来偷偷上分了?

115. 一、简介昨天，MiniMax M2.7[1] 发布了。我都惊了，上一个版本 M2.5 发布才一个月，中间还有春节，居然这么快就有新版本。官方的宣传语这次是“开启 AI 自我进化”。这是什么意思，难道模型自己进化出了新版本，所以升级这么快？

116. MiniMax发布新一代Agent大模型M2.7

117. MiniMax发布新一代大模型M2.7

118. 中国模型一周霸占全球调用量TOP4，但"赢了用量"却"输了钱"——这场胜利有多脆弱？

119. MiniMax-M2.7 深度测评报告

120. 国产双雄霸榜！OpenClaw“养虾”最佳模型出炉

121. LangChain 1.0 发布：agent 框架正式迈入生产级

122. 企业级 AI Agent 解决方案的四大形态：2025 落地真相与选型指南

123. MiniMax M2.7震撼发布！🔥MiniMax M2.7震撼发布！全球首个能自我迭代的AI模型，SWE-Pro得分56.22%碾压GPT-5.3！ 🚀三大颠覆突破： 1️⃣ 自建Agent团队完成端到端项目交付（VIBE-Pro 55.6%） 2️⃣ 金融/办公全场景通杀，研报/PPT/Excel一键生成 3️⃣ 40项复杂技能97%执行率，情商智商双在线 💥程序员/分析师/打工人必看： ▸ 3分钟定位生产环境Bug ▸ 台积电营收模型自动生成 ▸ 100轮代码自优化循环 AI革命 #职场黑科技 #程序员末日 #降本增效 #AI金融（附开源项目地址）[火焰emoji][火箭emoji]

124. MiniMax-M2.7 实测：离 Claude 还有多远？

125. 养龙虾，OpenClaw 选哪个大模型更好？

126. MiniMax M2.7 深度评测：OpenClaw龙虾+真实项目编程+Agent

127. 阿里通义QwenLong-L1.5长文RL全链路公开

128. 企业级 AI Agent 的四大形态：2025 落地真相与选型指南

129. 用了两个月国内模型，OpenClaw小龙虾让我终于下定决心充值chatGPT plus

130. 【人工智能】自信的错误：为什么最聪明的AI模型最不擅长自我纠正

131. 高德开源10万+真实出行数据！MobilityBench重新定义路线规划Agent评测标准

132. 现阶段大模型+MCP，为什么还是打不过通用Agent？

133. 美团 LongCat 团队发布 VitaBench：基于复杂生活场景的交互式 Agent 评测基准

134. 只过了一个月，MiniMax 把 M2.7 卷出来了

135. 智谱 GLM-4.7 抢先实测，你的 Claude Code 可以换了！

136. 别追逐“AI 魔法”，先把能稳定落地的系统搭起来

137. GPT-5.4 被国产超车了？别不信，Minimax 2.7 刚把 AI 编程的天给捅破了

138. 如何使用模型聚合降低30%Tokens成本?

139. 美团发布 VitaBench：基于复杂生活场景的交互式 Agent 评测基准

140. LangChain 1.0 全面进化指南

141. MiniMax M2.7 深度实测：Agent 能力强本期视频通过真实任务深度体验 M2.7 的 Agent 能力使用工具：OpenCode / Cursor + Plan 模式 / OpenClaw M2.7 在 SWE-Pro 基准测试中得分 56.22%，接近 Opus 最佳水平，性价比极高，推荐体验！ #MiniMax #MiniMaxM27 #AI编程 #AIAgent #海螺AI

142. 设计AI Agent时，如何选择一款合适的大模型？

143. 为什么你的AI代理总“掉链子”？React与函数调用之争

144. AI Agent落地必读：深度解读OpenAI 姚顺雨的T-bench，如何评测智能体的“真功夫”

145. τ-Bench之后看什么？VitaBench：重新定义Agent任务的“真实复杂性”

146. 为什么通用Agent很难实现企业化落地？

147. 智谱 GLM-4.7 测评

148. 用实例看清楚AI Agent全流程！

149. 中大&港中文：首个白盒智能体系统基准

150. 让大模型更懂工具：用结构化模板提升函数调用能力与可解释性

151. AutoGen：多智能体协作，AI应用新范式

152. LangChain 全面指南：让大模型真正“能做事”的智能应用开发框架

153. arXiv 2026｜APEX–Agents：一个可即插即用的真实世界Agent评测框架，逼近专业工作场景

154. 解构阿里“千问”超级入口，洞察AI Agent时代的价值链受益逻辑

MiniMax M2.7能打但别乱用：办公自动化首选，强推理场景慎选

精选参考来源