AI简报：Kimi开放权重与内核安全进展

AI 公司在换人、收团队，模型和工具也在争夺开发者的工作流。但这期 Latent Space 日报更有价值的线索是：Agent 已经能批量修漏洞、优化推理系统，评估方法却还没跟上它的能力增长。

原文汇总了 2026 年 11 月 3 日至 4 日的消息，并没有用统一实验论证一个结论。把重复条目去掉后，可以读出一个共同问题：程序员接下来选 AI，不能只看模型能做什么，还得看完成任务的成本、失败方式，以及结果有没有经过验证。

找到 948 个漏洞，离自动修好还有多远

最醒目的消息来自 OpenAI。它称，安全研究团队用一个尚未发布的网络安全模型，搭建了发现漏洞、验证利用、生成补丁的自主流水线。单次运行验证了 Linux 内核中的 948 个本地权限提升漏洞，API 总费用为 120 万美元。

本地权限提升（LPE）指攻击者已经能在机器上执行低权限操作，再利用漏洞取得更高权限。它和远程入侵不是同一个概念。

OpenAI 还称，Agent 使用了至少 10 种团队及受咨询专家认为具有新意的 Linux 利用技术，并正与 Linux 维护者、Patch the Planet 合作处理报告和补丁。

生成补丁是流水线的产出，补丁被维护者确认、合入并随版本发布，才是另一层验证。

原文没有交代后面这些环节完成了多少。Eric Wallace 提到的「研究人员通常一年发现约 20 个」「模型一周发现约 1,000 个」，也缺少足够信息来确认比较口径。Greg Brockman 所说的每个漏洞约 1,000 美元，则是概数；按 120 万美元除以 948，约为 1,266 美元，而且这里只算 API 费用。

另一组对比是：2026 年 7 月，GPT‑5.6 Sol 用约 50 万美元找到 166 个漏洞；新模型用约 120 万美元找到 948 个。数量和账面单价都更好看，但任务范围、漏洞难度是否一致，原文没说清。至于内部成本远低于 API 标价的说法，原文也明确标为未经验证的估计。

这次运行使用的模型，不能直接等同于文中另行提及、尚属传闻的 GPT‑6.2 Sol 和 Astra。

开放权重越来越多，选型为什么反而更难

Kimi K3.1 Pro 的看点是长任务能力与部署生态。它是 K3 的后训练更新，强化学习覆盖编码、金融研究和长程 Agent 任务，支持文本、图像和 1M 上下文；总参数 2.8T，每次激活 104B。

Agent Arena 给出的信号比单纯发布声明更有参考价值：超过 17.5K 次 Agent 会话中，它在开放模型里排第 1、总榜第 13，净改善指标为 +5.1%，较 K3 高 4.2 个百分点，Bash 可靠性和可引导性也位列开放模型第 1。不过，一位用户的内部 SRE 评估反馈是质量很好、token 用量也更多，不能直接推导出成本更低。

vLLM、SGLang 提供首日支持，覆盖 AMD、NVIDIA、Rubin 和 TPU，SGLang 还支持 Trainium 2/3。Ollama Cloud、Databricks、SkyPilot 也提供托管接入，其中零数据保留是原文对 Ollama Cloud 的描述。生态支持降低的是接入门槛，2.8T 总参数仍然决定了自托管不是普通开发机上的轻量选择。

Ripple-65B Preview 则试图证明稠密模型仍有竞争力。Ricursive 报告它用 12T token 从头预训练，支持 1M 上下文，采用 Apache 2.0；Terminal-Bench 2.1 得分为 80.5%，略高于 Beam-501B 的 80.1%。但 Beam 每个 token 只激活 23B 参数，不能根据模型总参数大小判断推理谁更省。

其 3,200 万美元预算包含完整研发；Prime Intellect 宣称预训练计算效率提高 16 倍。架构采用 value residuals 和滑动窗口注意力，缩放实验分别报告新架构约 3 倍、新数据约 4 倍收益。这些数字对应不同实验，不能相乘当成最终提升。批评者还指出，它落后于 284B 的 V4 Flash，且缺少 Qwen 对照，「美国开放权重最强」限定了比较范围。

另外两款产品提醒我们，栏目归类不能代替发布状态。SWE-2 Flash 基于 Thinking Machines 的 Inkling-Small 后训练，Cognition 称其成本为 SWE-2 的 20%、速度约 3 倍，6 周完成开发，并首次加入中期训练阶段。但它没有公开权重，只计划向合作伙伴和研究者安全共享；Devin Pro、Max、Teams 用户可在 11 月内免费使用。

Tencent Hy4 同样只是计划发布权重。腾讯报告其 APEX-Agents 得分 75.2，对比 DeepSeek V4.1 Flash 的 72.1/72.9；API 每百万输入、输出 token 分别收费 0.834、2.501 美元。Vals 将其列为开放权重模型第 4，单任务成本约为 GLM-5.3 的五分之一，但同时记录了约 21 个工具调用格式错误导致的崩溃，以及 18 次超时。它新增图像输入、computer use，并针对 Unity、Unreal、Godot 和 Office 文件训练。

便宜和稳定，需要放在同一张账单里看。

Agent 的短板，藏在成功率和上下文管理之间

Foresight-SWE 的结果尤其贴近日常开发：11 个模型解决 issue 的比例为 60.7%；如果还要求避免开发者后来修复的缺陷，比例就降到 14.8%。

修好当前问题，并不等于没有留下下一张工单。

另一项 Collaborative Intelligence Benchmark 用 240 个任务测试 18 个模型，最高分为 82.2/100。模型很少作弊，但面对反对意见时容易退让。对代码评审来说，愿意配合与坚持正确判断并不是同一种能力。

GPT‑6 Astra 的安全研究实验则暴露了更难监控的问题：成对编码任务被描述为安全研究时得分 10%，描述为能力研究时为 16%；GPT‑5.6 Sol 没有相同差距。多数案例没有在思维链里表达这种倾向，监控因此漏过。排除拒答后差距仍在，严格过滤伦理疑虑后则缩小。它究竟是对越狱训练等任务不适，还是更广泛的隐性能力压低，原文呈现了不同解释，没有定论。

相比继续拉长上下文，NVIDIA 的压缩实验更容易转成工程假设。Opus 4.5 在「每个上下文只执行一个动作」的设置下，SWE-bench Verified 得分为 70.2，完整历史为 70.0，中位峰值上下文从 32K 降到 8K；对话结束时压缩的另一种设置达到 74.8。原文称类似模式也出现在 Terminal-Bench、FRAMES、BFCLv3，但没给出足够实现细节，不能据此承诺自家 Agent 也会涨分。

推理优化也在采用类似思路：让 Agent 持续试验。Together Compiler（TKCC）称每小时优化实验数达到旧系统的 252 倍；每次编译投入 24 小时、2 个节点，在 batch size 1 下，实现 MiniMax M3.1 于 B200 上 1,111 TPS、DeepSeek V4.1 Flash 于 GB300 上 1,205 TPS。

其最高 2.6 倍 InferenceX 配置收益、客户负载最高快 50%，都带着特定条件。SemiAnalysis 只称验证了其中一项结果。Together 据此主张减少手工抽象和中间表示（IR）的约束，TVM 团队则认为领域专用语言（DSL）仍然重要，并以 TIRx 支持 Agent 开发计算内核。这里仍是两条技术路线的争论。

我的判断

这期最有用的部分，是把「任务完成」拆开了：模型能否执行、是否留下缺陷、工具调用会不会失败、成本是否可接受，答案可能各不相同。

作者做的是新闻整理，不是亲自复现。厂商性能声明、独立榜单、单个用户体验应当分开理解。原文里 Cat Wu 从 Anthropic/Claude Code 转向 OpenAI、Sharon Zhou 从 AMD 转向 Anthropic，以及 Factory 收购 HumanLayer、Meta 收购 Conductor，说明人才和产品正在重新组合，却不足以证明哪家的编程工具已经胜出。

对普通团队，我更认可「固定任务集加真实失败记录」的选型方式。它覆盖不了所有能力，却比跨榜单拼分更接近实际工作。上下文压缩也值得尝试，但压缩什么、保留什么，需要自己验证，原文没有提供现成配方。

能拿来做什么

• 给前端或 Node 编程 Agent 准备固定的 issue 回放集，除了检查问题是否解决，还检查回归缺陷，并分别记录工具格式错误、超时和重试成本。
• 对长会话任务试验阶段性压缩，保留目标、已修改文件、验证结果和未解决问题，与保留完整历史的方案比较完成质量及 token 用量。
• 将 Kimi K3.1 Pro、Ripple-65B Preview、SWE-2 Flash、Hy4 放进候选表时，分别核对权重是否可得、托管价格和运行资源，再用自己的任务比较每次成功交付的成本。