
Sign up to save your podcasts
Or


SolarWM 開放端到端世界模型流程與 143 萬片段資料集,部分原始資料仍受限。
開源內容 發布者 @enderfga 表示,SolarWM-Data 收錄 143 萬個影片片段、約 25 TB 資料,附有完整標註、品質分數與資料整理流程。該管線整合 14 個資料集,將影片轉成統一且對齊影格的資料格式,並提供觀測內容、攝影機幾何、文字描述、品質中繼資料、選取結果與來源資訊。研究者可從專案頁面、論文、GitHub 程式庫與資料集檢視相關內容。
模型與互動 SolarWM 強調,模型只使用 5 秒影片序列訓練,SolarWM-5B 仍能支援即時互動生成,並維持從數分鐘延伸至數小時的 rollout。單一訓練與推論框架支援 4 個模型變體:5B、14B、LTX-2.5 與 Minimax-H3;程式庫則描述涵蓋 5B 至 33B、基於 Wan2.2、LTX-2.5 與 MiniMax-H3 的模型家族。公開內容包括 SolarWM-5B 各訓練階段權重,以及 SolarWM-14B、SolarWM-LTX 和 SolarWM-H3 的雙向權重。
展示與限制 宣傳影片展示海灘、雪村、冰河、都市與室內場景,並以第三人稱視角呈現角色奔跑、車輛行駛與帆船航行;畫面也展示從數分鐘到數小時的長時間 rollout。影片宣稱所有視覺內容皆由 SolarWM 生成,但部分片段為便於觀看而加速。這些主張目前未附獨立 benchmark 結果,也未說明即時生成與長時間 rollout 所需的硬體規格。
SolarWM 開源長時效影片世界模型的宣傳短片,展示多款 AIGC 生成的長影片與開放資料、模型架構數據。
重現注意事項 公開 SolarWM-Data 包含 release controls、授權條款、recipe 與測試索引、格式範例,以及 SolarWM-Data-Annotation 套件;但不包含 releases-v1/raw-wds/ 與 releases-v1/latent-wds/ 的完整 payload。raw-WDS 可根據標註重建,或透過 Dataset Access Form 申請,因此規劃完整資料重建前,仍需人工核對授權、存取條件與缺少的資料內容。
原文:https://easyvibecoding.app/curated/3254-solarwm-pipeline-1-43m-clips-partial-raw-payloads
Meta 發布 Muse Spark 1.3,內部比較少用約 25% tokens,支援長程 Agentic 工作。
發布與可用性 Meta 的 @AIatMeta 表示,Muse Spark 1.3 已開始在 Muse Code 與 Meta Model API 推出;既有 reasoning modes 目前可用,但 max reasoning 要等額外 safety testing 完成後才會推出,官方尚未公布確切時間。Mark Zuckerberg(@finkd)則稱,這是 Meta 目前在 coding 與 agentic work 上「幅度最大的一次躍升」,成本「幾乎低到不需計量」。這些都是發布方的說法,不能直接當成獨立驗證結果。官方也預告更大型 model 與 Muse Spark open weights,但都還在 roadmap 階段。
Agentic 工作能力 Muse Spark 1.3 能在單一長 thread 中維持多個 workflow,從混亂且互相衝突的來源建立自身 context,修正計畫缺口並完成交付成果。它也更積極與使用者協作:
prompt 含糊時主動提出澄清問題,卡住時向使用者求助。 在 consequential actions 前要求確認,也更能判斷哪些行動具有不可逆風險。 更可靠地遵循複雜、長篇指令,在多步驟工作中保留細節與限制。 在同一 thread 混有新舊要求或遭到中斷時,更準確地把 prompt 對應到正確任務。 對自身能力與限制有較佳校準,遇到無法處理的障礙時,比較不會捏造結果。
官方表示,模型曾在多樣化 harness 上訓練,以適應不同 agentic 環境;長任務也能依使用者偏好頻繁更新進度,或安靜地在背景執行。
Coding 與安全 Meta engineers 的內部比較指出,Muse Spark 1.3 在 coding 工作流程中會減少不必要的往返、縮短輸出,並改善整體 coding style;相較 Muse Spark 1.2,約少 20% tool calls、25% tokens。不過原文沒有提供可重現的獨立效率測試或 production workload 結果,因此這只能視為 Meta 的內部說法。安全方面,官方宣稱改善 對抗性穩健度、提示注入抵抗力,以及 agentic 工作中對不可逆行動的判斷;max reasoning 仍要等額外 safety testing 完成後才會推出,目前不能寫成已全面可用。
評測結果與比較邊界 官方在涵蓋專業 Agent、電腦操作、網路研究、自動化、軟體工程、指令遵循與長 context 檢索的評測中,列出以下結果:
DeepSWE v1.1:75.4;涵蓋 113 項任務、91 個程式庫與 TypeScript、Go、Python、JavaScript、Rust 五種語言。 Terminal-Bench 2.1:88.8;SWEAtlas CodeBase QnA:59.4;OSWorld 2.0:66.9。 DeepSearchQA:89.4;MRCR 512K–1M:98.1;該評測另在 256K–512K 與 512K–1M 兩個區段各使用 100 個範例。 其他分數包括 GDPVal-AA v2 1754、JobBench 64.9、DeepSearchQA 89.4、內部 Agentic IF Index 57.8,以及 AutomationBench 49.4。
但官方 scorecard 以 Muse Spark 1.3 max reasoning 對比 Muse Spark 1.2 xhigh,兩者的 reasoning effort 不同,不能當作同條件的世代比較;第三方 model 的測試也屬 best-effort,prompt、工具與執行環境未必經過各家最佳化。Artificial Analysis 的評測顯示,現階段可用的 Muse Spark 1.3 xhigh 在 Intelligence Index 拿到 61 分,比 Muse Spark 1.2 高 4 分,與 GPT-5.6 Sol max、Grok 4.6 high 並列;合作夥伴 limited preview 中的 Muse Spark 1.3 max 則拿到 62 分。
Muse Spark 1.3 (max) 在 Long Context 與 Coding 多項基準測試(如 MRCR、DeepSWE v1.1、SWEAtlas)中取得最高分,而在 Agent 相關測試中表現各有高低,由 Opus 5 (max) 與 GPT 5.6 Sol (max) 分別在多個指標領先。
成本與取捨 Meta Model API 的標準價格維持每百萬 input tokens $1.25、每百萬 output tokens $4.25,cached input 為每百萬 $0.15。Artificial Analysis 估算 xhigh 每項 Intelligence Index 任務成本為 $0.55,但 agentic 評測約使用 57% 更多 input tokens,output tokens 也增加約 8%,因此每項任務成本高於 Muse Spark 1.2。max 雖在 GDPVal-AA v2 達 1754 Elo、Tau3-Bench Banking 達 52%,卻比 xhigh 分別多使用 62% 與 28% 的 turns 和 reasoning tokens。
退步與驗證建議 評測並非全面上升:AA-LCR 從 83% 降至 79%;AA-Omniscience accuracy 則由 45% 降至 xhigh 的 42%,max 為 44%。Artificial Analysis 認為 xhigh 的下降與較高 abstention rate 有關,而較常拒答同時降低了 hallucination。Muse Spark 1.3 另提供 1M-token context window,支援文字、圖片與影片輸入;實際採用時仍應在 Muse Code 或 Meta Model API 以自身 coding 與 agentic 任務重測,並將澄清、卡點求助、重大行動確認及提示注入納入安全測試。
來源:@AIatMeta|Muse Spark 1.3 的品牌視覺圖,黑色背景上以藍色斜向光束交織出波浪狀的網格與發光的白色粒子,並有多個帶有箭頭指標的藍色軌跡向上延伸。
原文:https://easyvibecoding.app/curated/3252-meta-ai-research-muse-spark-1-3-cuts-coding-tokens
Anthropic 開源 Claude Commerce Agents blueprint,提供可 fork 的購物與商務代理參考實作。
核心定位 Claude Commerce Agents 不是只有概念展示,而是一套可 fork 的 commerce agent 起始架構,協助工程團隊在數天內建立購物與商務營運流程。官方提供零售、旅遊、電信與票務/娛樂等四個垂直領域的參考案例;案例中的 ACME 品牌與商品目錄均為虛構、合成資料,不能直接視為正式產品規格。
Shopping agent Shopping agent 嵌入面向顧客的應用程式,將商品目錄、購物車、訂單、結帳、偏好與客服資訊串在同一段對話中,主要能力包括:
搜尋與比較商品,處理多項商品需求與購買規劃。 根據目錄資料建立購物車,記住使用者偏好。 回答訂單狀態、退貨、換貨與退款政策。 將使用者交給主機或平台的結帳 URL;模型不會看到該 URL,付款執行則由實作者負責。 以商品目錄作為產品與價格的事實來源,透過 guardrails 限制超出目錄的推薦,並避免操弄式加價推銷。
部署時需實作 StorefrontBackend,接上自身的商品目錄、購物車、訂單與政策系統。官方建議先從讀取流程開始,對尚未提供的寫入操作拒絕或暫時 stub。
Claude for Commerce 架構藍圖與 shopping 及 merchant agent 實作介面展示。
Merchant agent Merchant agent 面向後台工作人員,負責回答銷售與庫存問題、維護商品與庫存、處理訂單提醒、提供價格與促銷建議,以及草擬行銷活動。它也包含銷售分析、目錄與庫存管理、行銷與促銷功能,並可透過 Portal UI 顯示圖表與儀表板。
所有可能主動改變商務狀態的操作都會先形成 staged change,必須由人員在核准介面確認後,才透過 MerchantBackend 實際套用。這項設計涵蓋庫存調整、價格、促銷與行銷活動,並非讓 Agent 直接發布變更。
技術架構與部署 同一套角色定義、提示、技能、工具契約與安全閘門,可執行於三條路徑:
Messages API Claude Agent SDK Claude Managed Agents beta
程式也可部署至 Claude API、Amazon Bedrock、Microsoft Foundry 或 Google Cloud Vertex AI。Repository 內的 backend method 在伺服器端呼叫服務,使用由主機持有的 session credentials,模型只能取得回傳結果;有順序要求的商務流程則必須在 backend 強制執行。官方另提供 commerce-builder plugin,供團隊快速建立骨架、擴充、評估與審查實作。
安全邊界與實際成效 fencing(操作隔離)、來源追溯閘門、操作上限、記憶驗證與商務代理核准閘門,都會在三條執行路徑的工具呼叫內執行。不過範例沒有身分驗證,Managed Agents 的 MCP server 也只綁定 loopback,因此實際部署的授權、合規設定與其他安全控制仍由實作者補足,來源沒有提供各部署環境的具體限制。
ClaudeDevs 稱,採用 shopping agent 的零售商觀察到購物車最高成長為 35%,使用者完成購買的可能性最高成長為 60%;這些百分比是廠商自述數據,尚未經獨立基準測試驗證,不能當作普遍成效。完整參考實作位於 anthropics/commerce-agents,官方公告與工程說明則可參閱 Building Commerce Agents with Claude。
Claude for Commerce 架構藍圖與 shopping 及 merchant agent 實作介面展示。 影片中的 Prompt 與操作:
Prompt: 尋找產品
原文:Find a product
Prompt: 規劃房間
原文:Plan a room
Prompt: 檢查訂單
原文:Check an order
Prompt: 儲存偏好設定
原文:Save a preference
Prompt: 我的姪女下個月滿九歲,她非常喜歡組裝模型和拼圖——什麼會是很棒的禮物?大約 45 美元以下。
原文:My niece turns nine next month and she's deep into building sets and puzzles — what would make a great gift? Somewhere under $45.
Prompt: 將木製積木組加入我的購物車——這樣就全部好了。我準備好要結帳了。
原文:Add the wooden block set to my cart — that's everything. I'm ready to check out.
Prompt: 今天早上有哪些事需要我關注?
原文:What needs my attention this morning?
Prompt: 擴充 BC-2102 說明 — searchandcart 與內容品質 - @00:03 點擊 shopping agent 對話框中的預設提示按鈕 - @00:08 在 shopping agent 輸入結帳與加入購物車指令 - @00:10 點擊「Continue in app to place order」 - @00:13 切換至 merchant portal 後台介面 - @00:18 點擊 merchant portal 中的「Approve」按鈕 - @00:26 顯示 git clone 指令與專案資源連結
原文:Expand BC-2102 description — searchandcart and content quality - @00:03 點擊 shopping agent 對話框中的預設提示按鈕 - @00:08 在 shopping agent 輸入結帳與加入購物車指令 - @00:10 點擊「Continue in app to place order」 - @00:13 切換至 merchant portal 後台介面 - @00:18 點擊 merchant portal 中的「Approve」按鈕 - @00:26 顯示 git clone 指令與專案資源連結
原文:https://easyvibecoding.app/curated/3247-claudedevs-open-source-claude-commerce-agents-reference
Cursor Self-Hosted Machines:Agent 在客戶自管機器池執行,推論與規劃仍在雲端。
執行架構 團隊可把 Cursor cloud agents 部署到自管 GPU、Mac、Kubernetes、VM 或難以封裝的建置環境。機器安裝 Cursor CLI 後執行 agent worker start,透過長連線 outbound HTTPS 接收 tool call;Cursor 的 harness 負責推論與規劃,再把工作交給 worker,並接收結果進入下一輪推論。Cursor 表示不會主動對客戶網路發起 inbound 連線。影片畫面中的「Run on」選單則提供 Cloud、This Mac 與 Remote Machines 三種執行目標,其中 Remote Machines 被勾選。
介面選單提供 Cloud、This Mac 與 Remote Machines 三種執行目標選項切換
pool 與生命週期 pool 是供團隊或企業共用的命名 worker 佇列,不綁定單一 repo,因此同一 pool 可服務多個 repo。控制器會監看請求佇列,容量不足時呼叫團隊提供的 spawn script;沒有可用 worker 時,請求會等待。團隊可設定: idle timeout,並在閒置後重設機器、送回 pool。 保留 workspace 供後續工作使用,或建立 snapshot 後停止閒置機器,讓後續任務恢復。 依需求增加或縮減容量;worker 斷線後,容量也會下降。
部署與整合 個人工作流程可用一台 laptop 或 VM 連接至 My Machines;企業則可使用自有內部服務、版本控制系統與特殊硬體。官方列出的合作整合包括 AWS Lambda、Cloudflare、Coder、Daytona、E2B、Modal、Namespace 與 Vercel。Computer Use 現在支援 Linux worker 與 Mac,但 Linux 必須先安裝 Chrome 或 Chromium 相依套件。
資料與限制 Cursor 管理的環境仍是預設選項,包含專用 VM、相依套件設定、網路控制、Agent 隔離、密鑰遮罩、對外連線控制與簽署 commit。Self-Hosted Machines 只把執行環境移到客戶端;tool output 可能包含 source code,仍會回傳 Cursor 進行推論,conversation records 也可能由 Cursor 處理與儲存。原文未說明保留期限或客戶能否自行控管這些紀錄,屬於需人工核對的資料治理風險;此外,pool 容量、定價與全面可用時間也尚未公布。
原文:https://easyvibecoding.app/curated/3249-cursor-launches-self-hosted-machines-cloud-agents-customer
Google 發布 Gemini 3.8 Flash,串起程式執行、除錯與反覆修改的代理式迴圈。
淺藍色背景的發表公告畫面,中央以黑字標示「Introducing Gemini 3.8 Flash and 3.8 Flash Cyber」,下方帶有四色四角星標誌,背景帶有毛玻璃質感的幾何光影。
這次發布同時展示一般 Flash 的廣泛產品入口,以及 Cyber 僅開放給通過審核的防守方使用的 Fairwind 安全邊界。
模型定位 Google 將 Gemini 3.8 Flash 稱為「主力型工作模型」,表示它在維持 Gemini 3.7 Flash 速度與低成本定位的同時,加強程式開發、複雜工程、代理式任務與多步推理。Koray Kavukcuoglu 更稱它在複雜工程任務中勝過多數較大型前沿模型;不過這是第一方定位,仍要在相同評測框架(harness)、模型版本與成本條件下核對。Gemini 3.8 Flash Cyber 則被定位為 Google 目前能力最強的資安模型,主攻找出並修補漏洞,並在 CWE-Bench 位於帕累托前沿。
Gemini 3.8 Flash Cyber 在 CyberGym C/C++ 漏洞發現評測(Pass@1)中以 86.2% 得分領先 GPT-5.5-Cyber、Mythos 5、GPT-5.6 Sol 與 Gemini 3.5 Flash Cyber。
代理式程式開發示範 GoogleAI 展示 Gemini 3.8 Flash 在 Google Antigravity 中完成一段 66 秒的互動流程:模型先建立 3D 奇幻解謎遊戲,再實際遊玩、觀察錯誤,接著修改程式碼來修正問題。重點不只是產生程式碼,而是能在複雜專案中操作,把原生影片理解、程式執行、除錯與反覆修改串成一個代理式迴圈。
來源:@GoogleAI|執行 Google Antigravity 與 Gemini 3.8 Flash 建構的 3D 奇幻解謎遊戲實機展示
影片展示的遊戲包含多個章節與任務,例如第一章「CHAPTER I: THE SEALED VESTIBULE」要求解除偉大符文閘門、閱讀大法師伊芙琳的日誌,並依季節順序點燃四大元素火盆;後續還有「CHAPTER II: THE ALCHEMIST'S DESPAIR」與「CHAPTER III: THE SHATTERED SPIRE」。畫面也出現 100 生命值、100 魔力值,以及火、冰、風、地、光等能力圖示。不過這只是單次能力示範,原始資料未提供提示詞、完整執行紀錄、成功率或可重現的評測框架,不能單獨視為正式評測結果。
一款第一人稱奇幻冒險遊戲的遊玩畫面,左上角顯示章節名稱「CHAPTER 1: THE SEALED VESTIBULE」與任務目標,畫面右側持有一支帶有發光魔法圓環的法杖,下方中央則排列著五個法術快捷列與血量、魔力數值。
官方規格與產品入口 Gemini 3.8 Flash 的 API 文件顯示,模型可接受文字、圖片、影片、音訊與 PDF 輸入,最高支援 1,048,576 個輸入 token 與 65,536 個輸出 token。功能包括脈絡快取、程式執行、電腦操作預覽、檔案搜尋、函式呼叫(function calling)、Google Maps 與搜尋依據,以及結構化輸出;思考等級可選低、中、高。Batch、Flex 與 Priority 推論也可使用,但不支援最低思考等級。完整文件見 Gemini 3.8 Flash API 模型文件。
產品可用範圍包括:
開發者可在 Antigravity、Google AI Studio 與 Android Studio 使用。 代理工作流程可使用 Antigravity 與 Agent Platform,介面工作則可使用 Stitch。 企業可從 Gemini Enterprise 的模型選單使用。 Google AI Pro 與 Ultra 使用者可在 Gemini 應用程式、搜尋的 AI 模式與 Google Sheets 使用。
官方評測結果 Google 的評測矩陣涵蓋程式開發、代理式任務、文件、影片、科學與作業系統操作,Gemini 3.8 Flash 的數據包括:
DeepSWE v1.1:73.7%;GDPval-AA v2:Elo 1545;Vals Finance Agent v2:61.4%。 Harvey Legal Agent all-pass:10.0%;Terminal-Bench 2.1:89.4%;Terminal-Bench 4.0:19.1%;GDP PDF:35.0%。 CharXiv reasoning:86.2%;LVBench 代理式模式:87.8%,靜態模式:87.1%;Humanity's Last Exam Verified:54.9%。
Gemini 3.8 Flash 在 HLE-Verified 多學科專家推理基準測試中以 54.9% 的得分率領先 GPT-5.6 Sol (54.5%)、Claude Opus 5 (54.4%)、Gemini 3.7 Flash (53.6%)、GPT-5.6 Terra (51.1%) 與 Claude Sonnet 5 (31.0%)。
OSWorld 2.0:59.0%;BioMysteryBench 在「人類可解」題目為 88.8%,「人類高難度」題目為 56.5%;LABBench2:86.2%。
Gemini 3.8 Flash 在 Vals Finance Agent v2(61.4%)、Harvey's Legal Agent Benchmark(10.0%)、Terminal-bench 2.1(89.4%)、CharXiv Reasoning(86.2%)、LVBench(87.8%)與 LABBench2(86.2%)等多項 Agent 與推理測試中取得領先,但在 DeepSWE v1.1、GDPval-AA v2、Terminal-bench 4.0、GDP.PDF 及 OSWorld-2.0 等項目落後於 Claude Opus 5 或 GPT-5.6 Sol,整體表現各有高低。
Gemini 3.8 Flash Cyber 的官方數據則分開報告:CyberGym pass@1 為 86.2%,CWE-Bench 為 47.2%;Google 另稱其在涵蓋 20 種程式語言的內部真實世界漏洞測試中,表現超過 70%。Fairwind 頁面列出的 CyberGym 對照包括 GPT-5.5-Cyber 85.6%、Mythos 5 83.8%、GPT-5.6 Sol 83.6% 與 Gemini 3.5 Flash Cyber 77.5%;CWE-Bench 則是 Fable 5 的 47.8% 對 Gemini 3.8 Flash Cyber 的 47.2%。Cyber 仍只開放給通過審核的防守方,須透過 Fairwind Program 取得;實際審核、執行輪次與配額條件未在來源中說明。
來源:@koraykv|Gemini 3.8 Flash Cyber 在 CWE-Bench 的 Pass@1 與每任務成本權衡中位於 Pareto 曲線前沿,在維持高 Pass@1 表現的同時顯著降低單次 rollout 成本。
價格與外部驗證 Gemini 3.8 Flash 的首發優惠價持續至 2026 年 12 月 31 日,每百萬個輸入 token 為 $0.75,每百萬個輸出 token 為 $3.75;自 2027 年 1 月 1 日起調整為 $1.50 與 $7.50,快取讀取另有 90% 折扣。也就是說,模型的低成本定位有明確期限,規劃長期預算時不能只採用首發價格。
來源:@koraykv|Gemini 3.8 Flash 與 Claude Opus 5、DeepSeek v4 Pro 等模型在 DeepSWE V1.1 評測中的每任務平均成本與正確率表現比較。
Artificial Analysis 以自己的評測框架(harness)測試同一發布版本,結果不屬於 Google 官方矩陣:
Intelligence Index:高思考強度 59、中思考強度 57、低思考強度 52;Gemini 3.7 Flash 高思考強度為 56。
來源:@ArtificialAnlys(回覆)|在 Artificial Analysis 的 Intelligence Index 中,Gemini 3.8 Flash 高思考強度拿到 59 分,高於 Gemini 3.7 Flash 高思考強度的 56 分,以及 Gemini 3.8 Flash 低思考強度的 52 分。
每任務成本:高思考強度 $0.58、中思考強度 $0.41、低思考強度 $0.24;Gemini 3.7 Flash 高思考強度為 $0.40。
來源:@ArtificialAnlys(回覆)|Ar…
World Labs 推出 Atlas:生成最長 1 分鐘、1440p 影片,並控制相機路徑與重建 3D 場景。
一座紅色懸索橋橫跨在藍色水面上,遠方為起伏的海岸與陸地,畫面中央疊印著白色的英文字母。
核心定位 Atlas 是面向 spatial intelligence 的 omni 多模態 world model,將文字、影像、影片、camera poses 與 3D depth 視為同一序列中的不同輸入與輸出。World Labs 在官方文章中表示,Atlas 採用自回歸 diffusion transformer,融合大型語言模型與影像、影片模型的設計:
自回歸 transformer 讓 Atlas 能沿用 KV-caching、cache-aware routing 與 disaggregated serving 等 LLM 系統技術。 rectified flow diffusion 模型透過逐步去噪生成輸出,也能藉由調整推論時的去噪步驟,在速度與品質間取捨。 Transformer 架構則利用適合現代硬體的矩陣乘法,作為 world modeling 的核心骨幹。
主要能力 Atlas 會產生影片,也把相機運動、空間結構與時間變化納入同一模型:
來源:@theworldlabs(回覆)|Atlas 透過單張影像與相機路徑控制生成 3D 世界與模擬空間。
從一張或多張輸入影像生成最長 1 分鐘、1440p 的影片,並直接控制 camera path;輸入可以包含 pan、truck、crane 等一至三段電影式運鏡。 以稀疏影像與 camera poses 重建場景,輸出明確的 3D 空間;官方 reframing 範例使用三至五個 camera views,機器人重建範例則各使用 24 個 frames。 將多張具備姿態資訊的影像組合成一致的 3D world,並透過重新取景模擬影片中的時空變化。 產生一般影像或 360 度全景圖,也能模擬機器人視角。
不過,未被輸入影像觀察到的區域可能是模型自行想像的內容,因此稀疏視角重建不能直接視為完整、經驗證的真實場景。
官方評測 World Labs 選擇 camera-controlled generation 與 sparse-view 3D reconstruction 兩條評測軌道。前者由第三方人工評審判斷模型是否遵循指定運鏡;Atlas 在各組比較中獲選的比例為:
相較 MiniMax H3:75%,95% 信賴區間為 68% 至 82%。 相較 Gemini Omni Flash:81%,區間為 74% 至 87%。 相較 Happy Horse 1.1:86%,區間為 82% 至 91%。 相較 FLUX 3:93%,區間為 88% 至 97%。 相較 Seedance 2.5:94%,區間為 90% 至 97%。
3D 重建以平均絕對相對 pointmap error 評估,數值乘以 10^-3,越低越好:Atlas 為 25.3、Pi3X (posed) 為 28.7、pi cubed 為 34.7、VGGT-Omega 1B 為 36.4、Depth Anything 3 為 39.3,MapAnything 為 47.7。
World Labs 公布的兩條評測軌道:左側是 Atlas 相較五個模型的指定運鏡偏好率,右側是 pointmap error;Atlas 原生接收 camera poses,其他模型以文字描述運鏡,條件並不完全相同。
評測限制 這些結果不能直接解讀成完全公平的模型對決。Atlas 使用原生 camera input format 接收 camera path;其他模型不支援原生相機輸入,只能在文字 prompt 中描述同一段運鏡。World Labs 也承認,更複雜的 prompt engineering 或 multimodal prompt 可能改善其他模型的 camera following 表現。此外,這些數字是 World Labs 發布的結果,雖然團隊表示以共同協定重現 baseline,仍沒有獨立 benchmark 報告可供驗證。
開放狀態與後續 Atlas 目前僅向 select partners 提供 early access,官方尚未說明一般可用時間與定價;有興趣的團隊可申請測試,特別適合用代表性場景驗證生成、重建與模擬能力。World Labs 表示,開發期間持續擴大模型規模與訓練計算量,新的計算量層級都解鎖了更多能力,並預期未來 world model 仍會沿著 scaling 路線提升。
Atlas 透過單張影像與相機路徑控制生成 3D 世界與模擬空間。 影片中的 Prompt 與操作:
操作步驟: 1. (00:25)展示 Input Image 與 Camera Path 生成 Output 三維畫面 2. (00:55)展示室內客廳的 Sparse Reconstruction 三維空間重建 3. (01:04)展示 Robotics Simulation 的三維點雲地圖與機器人移動模擬
原文:https://easyvibecoding.app/curated/3244-world-labs-atlas-generates-1440p-video-controls-camera-path
ValsAI 稱 Claude Fable 5.1 用書內索引破解 370 年前密碼,尚無獨立重現。
這項成果仍屬第一方案例,尚未有獨立重現。
事件背景 Geby Jaff 於 2026 年 8 月 31 日發表文章,說明 Claude Fable 5.1 接受一項開放任務,嘗試破解 Sir Thomas Urquhart 於 1653 年出版的「Cyphral Distich」。謎題由兩行、每行 32 個數字組成,共 64 個數字;它曾在 1899 年的《Notes and Queries》被列為開放問題,後來也被歷史密碼研究者 Klaus Schmeh 列入 Top 50 unsolved encrypted messages 的第 28 名。根據 ValsAI 引用的數位化 1834 年版本,相關 Proquiritations 位於第 412 至 417 頁,而密文位於第 417 頁。
ValsAI 的 Cyphral Distich 歷史密碼解碼報告主題拼貼圖,左上方印有「VALS」標誌與「Cyphral Distich 1653」標題,畫面中佈滿模擬古舊羊皮紙的手稿碎紙、符號對照表、星象圖與綠色蠟印標記。
破解方法 Claude Fable 5.1 花了 44 分鐘、使用 176k tokens,過程中沒有收到作者介入。它先嘗試數種方法,最後注意到密文緊接在 Urquhart 的 32 篇 Proquiritations 之後,而作者還特別強調「two and thirty」這個數字。詩句也提到,誠實讀者能在其中找到自己的心願與作者的思想;Proquiritations 則反覆以「desire」「wish」或「hope of」等表述收尾。具體規則是:
對密文每一行的第 i 個數字,找到第 i 篇 Proquiritation。 將該數字當作該篇中的字詞索引。 取出被索引字詞的第一個字母。
這表示真正的 key 不是外部建立的密碼字母表,而是 Urquhart 自己的書。
報告中的明文 依照上述規則,兩行各產生 32 個字母,明文為:
O GOD UPHOLD KING CHARLS THE SECOND AND MAKE HIM THE SUPREME RULER OF THIS LAND
結果與原謎題形式互相印證:兩行長度相同,結尾為「and/land」押韻,符合 distich 的兩行詩結構;內容則是一段祈求 Charles II 成為最高統治者的禱文,也符合 Urquhart 作為堅定 Royalist 的政治立場。ValsAI 因此認為,這個答案在回頭看時顯得相當簡單,過去的 frequency analysis、substitution 與 homophonic substitution 等嘗試則錯過了書內線索。
ValsAI 的 1653 年 Cyphral Distich 解碼檔案與歷史考據拼貼圖,由左上角的 VALS 標誌、大標題「Cyphral Distich」、年份 1653、多張帶有符號密碼與手寫數字的舊紙張碎片、左側的星盤圖表,以及右下角的綠色蠟封章組成。
能力解讀 作者表示,過去幾個月也曾讓其他 frontier model 嘗試已知未解、且答案較容易驗證的歷史密碼,沒有其他模型產生經驗證的解答;但他也不認為其他模型必然無法處理這題。他認為,這次看見的優勢是 Claude Fable 5.1 能持續探索不同方向、知道何時放棄卡住的路線,並快速認出這題較容易下手;這並不是在展示非凡的 cryptanalysis。這個單一實驗只能支持它搜尋歷史資料、發現可行線索並提出明文,不能推導出整體 frontier model 優勢或廣泛的密碼分析能力。
驗證限制 來源明確提醒,結果目前是 ValsAI 的第一方報告,尚無獨立重現;此外,root post 稱謎題已有 373 年,文章則寫 370 年,年代說法並不一致。讀者應核對所引用的 1834 年《The Works of Sir Thomas Urquhart of Cromarty, Knight》 與 Proquiritations 的原始文字,再測試 32 個數字與索引規則,並將明文視為待核實的案例研究,而非已由第三方確認的定論。
原文:https://easyvibecoding.app/curated/3245-valsai-claude-fable-book-index-decodes-ancient-cipher
OpenAI 預告 Astra:達到 Critical 資安門檻但僅分階段開放,ExploitBench 達 100%。
橘色背景的簡報首頁截圖,中央以白色文字顯示「Path to Astra: critical capabilities and frontier safeguards」標題。
評測顯示 Astra 能發現未知漏洞並建立完整 exploit chain;然而公開數據多來自 Daybreak Blue 或未啟用安全防護的測試條件,不能直接視為預設生產設定下的表現。
能力與評測 OpenAI 於 2026 年 9 月 1 日表示,Astra 相較 GPT‑5.6 Sol 更具 token 效率,也更擅長漏洞識別與 exploit 開發。其判定 Astra 達到 Critical 門檻,依據包括模型能否在無需人為介入下,針對許多強化過的真實關鍵系統找出並開發各種嚴重程度的 zero-day exploit,或能否只根據高層次目標,端到端設計並執行針對強化目標的新型攻擊策略。
Astra 在 ExploitBench 達到 100%,該評測用來檢驗模型能否從已知漏洞開發 exploit。 為避免資料污染疑慮,OpenAI 建立「ExploitBench - Internal Port (June–August 2026)」,涵蓋近期揭露的 20 個高嚴重性 V8 漏洞。Astra 以遠少於 GPT‑5.6 Sol 的輸出 token,取得更高的任意程式碼執行率。 測試期間,Astra 發現並利用兩個 zero-day 漏洞組成 exploit chain,OpenAI 表示目前正向維護者揭露這兩個漏洞。 專家在強化過的瀏覽器與作業系統上測試時,Astra 找到未知漏洞,建立逃離沙盒並在主機執行命令的瀏覽器完整入侵鏈,也把作業系統漏洞串成從非特權使用者提升至 root 的本機權限提升鏈。
Astra 的 ExploitBench、內部 V8 漏洞集與 zero-day 證據,連同 cyber jailbreak 拒絕率及 honeypot 嘗試率;圖中數據皆為 OpenAI 公布,且須連同 Daybreak Blue、無防護 harness 等測試條件解讀。
數據適用範圍 OpenAI 特別註明,上述 Astra 結果反映的是具備 Daybreak Blue 存取權的能力,而不是預設生產設定。部分研究也採用未啟用安全防護的測試條件,因此 ExploitBench 的 100%、zero-day exploit chain,以及專家主導的入侵結果,都應與其 harness、工具和存取權限一併解讀,不能概括成一般使用者立即可取得的能力。
發布與安全門檻 OpenAI 稱,Astra 的開發與發布部分階段曾延後數週,用於強化防範資安濫用與未授權模型行動的防護。Astra 預計很快提供,但最先進的資安能力起初只開放給一批 tester,之後再透過 Daybreak Blue 擴大防禦用途;目前尚未公布 rollout 規模或時間表。OpenAI 也表示 Astra 並未參與 Hugging Face incident,但已把該事件的經驗納入安全方法,並稱回溯測試顯示當時的生產防護原本就能阻止事件;針對 Astra,則進一步加入更可靠的有害資安請求拒絕、濫用防護與可中止疑似未授權活動的監控。
防護成效與限制 Astra 的安全設計同時處理「惡意使用者濫用模型」以及「模型自行採取未授權、失準行動」兩條風險路徑。目前公開的指標有:
在 cyber jailbreak 評測中,Astra 拒絕 91.5% 的請求,高於 GPT‑5.6 Sol 的 59%。 在 honeypot 存取測試中,GPT‑5.6 Sol 曾於 56% 的測試嘗試存取 honeypot;Astra 則沒有這類嘗試。 對被判定為高風險的帳號,OpenAI 採用更保守的模型行為邊界,拒絕更廣泛的潛在高風險資安協助,並擴大監控所使用的跨對話 context。
OpenAI 仍持續進行內外部 red-teaming、回歸測試、漏洞修補與 24/7 快速回應;部分小型實驗訓練仍暫緩,較大型 frontier RL run 則在 2026 年 8 月 28 日完成新的安全與資安要求後重新啟動。完整安全、資安與 alignment 評估要等 Astra 上線時的 system card,在 system card 公布前,這些結果還不能當成完整驗證。
可監控性爭議 2026 年 9 月 2 日,Merettm 針對 Astra 引發的報導補充表示,包含 Astra 在內的現有 OpenAI frontier model,其 computation graph 深度仍在 GPT-4 的兩倍範圍內,並不代表已經進入不可監控階段。OpenAI 自最初的 reasoning model 起便保留並使用 chain-of-thought monitoring,將其視為觀察 alignment 是否能泛化到訓練分布之外的訊號;但 Merettm 同時直言,這項技術很脆弱,可靠性趨勢令人擔憂,而且原因不取決於架構變更,詳細說明將另行發布。因此 chain-of-thought monitoring 只能作為 classifiers、行為邊界與 containment 的分層訊號,不能被視為單獨的安全保證。
原文:https://easyvibecoding.app/curated/3241-openai-previews-astra-reaches-critical-security-threshold
UTM v5.0.5 beta 在 macOS 為 Windows 11 實驗性加入 DirectX 12 加速。
核心更新 UTM 於 2026 年 9 月 2 日發布 v5.0.5 beta,官方稱這是首款能在 macOS 上執行 Windows 11、並支援 DirectX feature level 12_1 的虛擬化軟體。macOS 13.0 以上可在可用時使用 D3DMetal backend 提供 DirectX 12。
iOS/iPadOS(支線) UTM 透過 DXMT 提供受限的 DirectX 11,支援 M1/M2 iPad,但受 TrollStore、Hypervisor 與 iPadOS 16.3.1 以下版本條件限制。
使用限制 Release 明確標示 graphics driver 為 experimental,遊戲相容性目前有限,部分遊戲可能無法啟動或執行速度緩慢,團隊預計在未來數月持續調整。DirectX 支援也受 macOS 13.0 與 iOS 16.0 限制;iOS 舊版系統為配合 TrollStore 與 Hypervisor 所帶來的限制,遊戲相容性會更差。這次版本仍保留 v5.0.4 的 Neptune backend,未列出的問題則應依官方 release 指示回報。
安裝方式 UTM 建議以全新的 Windows 11 安裝建立測試環境,並使用最新版 UTM guest-tools:
建立 fresh Windows 11 VM,安裝或重新安裝最新版 UTM guest-tools。 在 guest-tools 安裝程式中選擇 experimental 3D graphics driver。 若使用既有 VM,先移除舊的 display-only driver,再安裝 experimental 驅動程式。 逐一記錄遊戲是否能啟動與執行速度,不要把單一 demo 視為廣泛 benchmark。
測試證據 官方的 standalone d3dmetal-native 程式庫在 macOS 14 或更新版本提供 D3DMetal.framework 的原生介面;這是元件層需求,與 UTM v5.0.5 beta 本身的 macOS 13.0 以上條件不同,支援 D3D11、D3D12、swapchain、跨處理程序資源分享、fence 與 keyed mutex;Apple Silicon 還需要 Rosetta 2,並須另行取得 Apple Game Porting Toolkit 的 D3DMetal.framework,該框架未隨程式庫附帶且受 Apple 授權規範。其測試涵蓋裝置啟動、三角形與立方體 demo、資源分享、等待流程、生命週期壓力與多執行緒測試,但只能驗證元件與資源流程,不能證明 UTM beta 具備廣泛遊戲相容性或效能。
《Cyberpunk 2077》與 DirectX Diagnostic Tool 的單一 demo 疊圖;裝置資訊顯示 Red Hat VirtIO GPU 3D controller、D3D DDI 12 與 feature level 12_1,不代表完整功能或跨遊戲效能保證。
展示解讀 靜態縮圖顯示 58 FPS,三個影片取樣點則分別為 43、41、33 FPS;DirectX Diagnostic Tool 列出 Red Hat VirtIO GPU 3D controller、8,192 MB display memory、約 8,187 MB shared memory、D3D DDI 12 與 12_1 功能級別。這些都只是單一《Cyberpunk 2077》demo 的畫面觀察,不是官方遊戲效能保證,也不足以取代逐款遊戲的相容性與 frame-rate 評測。
單一《Cyberpunk 2077》demo 與 DirectX Diagnostic Tool 的畫面觀察;三個取樣點顯示 43、41、33 FPS,並非跨遊戲 benchmark。
原文:https://easyvibecoding.app/curated/3238-utm-beta-macos-windows-11-directx-12-acceleration
Shopify 以 Qwen3.5-0.8B 將 Buyer Profile 產能提高 36 倍;Flow 另用 Qwen3-32B 與 Tangle 建立 production 回饋迴圈。
Buyer Profile 結果 Tobi Lutke 分享的 Buyer Profile slide 顯示,Qwen3.5-0.8B student 在特定任務拿到 84.6,較 GPT-5.6-sol xhigh teacher 的 83.0 高 1.6 個百分點;原本 9.1K-token 的 system prompt 壓到 1.1K tokens,約剩八分之一。在 100 張 H100 上,處理量從每日 2M profiles 成長為 72M,成長為 36 倍。過程中,模型分數由 7 月 23 日的 75.3(29K samples),提升至 7 月 27 日的 78.1(42K samples),再到 7 月 30 日的 84.6(54K samples);Qwen3.5-2B production baseline 則為 77.2。
Qwen3.5-0.8B 在 54k 樣本微調後 Judge score 達到 84.6,超越 GPT-5.6-sol (xhigh) Teacher 的 83.0 與前代生產模型 Qwen3.5-2B 的 77.2,同時 system prompt 壓縮至 1.1K tokens,每日產出 Profile 提升至 72M。
Flow production loop Shopify 另一篇 Flow case study 使用的是 Qwen3-32B,不是 Buyer Profile 的 Qwen3.5-0.8B;兩案使用的資料、評估器、流量與指標都不同,不能把分數或效能數字互相比高低。Flow 將商家的自然語言轉成會呼叫工具的自動化流程。團隊以 300 個人工設計樣本評估語意正確性、語法與延遲;把目標格式從巢狀 JSON DSL 改為 Python 後,語法正確性提高 22 個百分點、語意正確性提高 13 個百分點。模型訓練需在兩個 H200 節點上執行 12 小時。
Qwen3-32B fine-tuned 在 LLM Judge Overall Pass Rate 指標上自 Jan 的 22.9% 升至 April 的 56.1%,並在 April 領先 Closed-Source Frontier Model 的 51.0%。
真實流量驗證 Flow 首次只開放 1% 流量時,即使離線基準測試與原方案相當,實際工作流啟用率仍低 35%,顯示離線測試可能漏掉生產環境的特定失敗情境。Shopify 以數百筆人工標註對話校準 LLM 評分器,接著每週匯入 production 對話並評分,把高品質樣本送進訓練、隔離低品質樣本、找出缺口、重新訓練再部署。Shopify 表示這套 flywheel 在兩週內補上 offline 與 production 的品質落差;目前上線的 32B Flow agent 相較它取代的 frontier model 快 2.2 倍、成本低 68%。官方沒有公開兩週的起訖日期,也沒有提供成本前後值或計算式,因此這些仍是第一方 production 結果。
Tangle 基礎設施 Tangle 是 Shopify ML 與軟體工程師打造的平台無關、可重現的 AI pipeline 系統,不是 learning algorithm。其視覺編輯器把可重用元件組成 pipeline,元件可在容器內使用 Python、Java、shell、Ruby、C++ 或 JavaScript/TypeScript;content-based caching 會重用未受變更影響的 upstream outputs,讓原本約 10 小時的流程在只改動單一元件時縮短至約 20 分鐘。公開的 TangleML/tangle backend 程式庫採 Apache License 2.0。
Tangle Pipeline 的運作流程圖,大框內包含 Data Pipeline 連至 Training(2x H200 / 12 hours)、Evaluation LLM Judge 與 Deploy CentML,右側外接 HuggingFace Datasets & Models 以及下方 CometML Experiment Tracking。
重現邊界 Tangle 提供的是資料、訓練與評估的迭代編排;若沒有評估器、資料分流政策、隔離流程、重新訓練與部署門檻,模型不會自行改善。Buyer Profile 尚未提供評分提示詞、測試切分、信賴區間、訓練成本、teacher 輸出、資料集、可重現的公開 checkpoint 或完整做法,因此 84.6 分仍是第一方報告,無法只靠目前公開的資料獨立重現。
原文:https://easyvibecoding.app/curated/3237-shopify-0-8b-buyer-profile-tangle-production-feedback-loop