今天AI圈子的节奏明显快了起来。早上打开社群好几条消息都值得展开聊——多模态推理模型的新榜首、企业级智能体平台的大版本更新、还有两个刚放出来的开源项目。这篇AI日报我照例做了一遍筛选和拆解重点放在两件事上模型能力的边界和智能体落地的实操。不管你是做算法的、做产品的还是单纯想用AI提效的普通用户今天的内容里有能直接拿去用的信息也有我自己的实测数据和踩坑记录。按我的老规矩先看最重磅的再看技术进展然后扒开源项目最后说点真实的工作流体验。尽量不废话。1. 今日头条NovaReason-4.5发布多模态推理开始统一思考1.1 这代模型的硬参数Dreamscape AI 今天凌晨放出了 NovaReason-4.5整个行业群直接炸了。这个模型的参数规模是 1.2TMoE 架构激活参数 240B上下文窗口支持到 1M token输入模态覆盖文本、图像、音频和视频。最关键的升级不在感知层面而在推理管线。先说硬数据我跟上一代以及目前主流竞品做了个简单对比模型MMMUGPQA DiamondLiveCodeBench上下文长度每百万token输入价格NovaReason-4.5新78.6%72.4%53.9%1M$2.5NovaReason-4.0前代73.1%66.8%45.2%128K$3.5竞品X此前榜首75.2%69.3%48.7%256K$4.0MMMU 突破 78%、GPQA Diamond 超过 72%这两个分数已经坐稳了当前公开榜单的头名。LiveCodeBench 53.9% 意味着在真实编程场景里的代码生成与修复能力也有明显进步不是只会刷选择题的应试型选手。1.2 质的飞跃在于推理不再经过文本翻译过去一年多多模态模型的主流做法是感知层多模态、推理层单模态——图像先经过视觉编码器变成特征向量再投影成文本 token拼到 LLM 的输入里。这条路的问题是视觉信息一旦被压成文本空间位置、纹理细节、跨模态的时序关系都会打折。相当于让一个专家只看一份用文字写的现场描述去做判断而不是直接站到现场看。NovaReason-4.5 提出了统一多模态推理管线UMRP把视觉、音频、代码执行都投影到一个共享的推理空间。模型做推理时是真正地看着画面想而不是看着画面翻译成文字再想。这个区别在实际使用中非常明显。我上午传了一张电路板实拍图外加一段语音说帮我定位疑似短路的区域并给出修复优先级。模型直接输出带坐标标注的检测结果过程中还主动反问左上角区域有阴影干扰需要放大后再确认一次吗。这种多模态连续对话的体验在以前的模型上基本做不到。1.3 价格降了应用场景可以重新想一遍API 定价是输入 $2.5/百万 token、输出 $12/百万 token相比上一代降了约 30%。对于做应用的朋友来说这个价格意味着三件事可以立刻重新评估第一多模态客服不再是奢侈品传图传视频都能进对话流第二长文档 图表的混合理解成本下来了1M 上下文可以塞进整本操作手册第三音视频摘要可以做得更细。我的判断是UMRP 这种统一空间推理的架构最迟三个月内会被其他家跟进。因为大家在多模态感知上的差距已经很小了真正的分水岭就是推理过程能不能跨模态直接进行。今天 NovaReason-4.5 把这个门槛抬高了后面的人只能跟着走。2. 智能体赛道Agent 从玩具走向打工人2.1 AgentForge 2.0企业级 Agent 不再只是跑个流程同样是今天WorkStream AI 发布了 AgentForge 2.0。这个平台让我比较兴奋的点是它把 Agent 从演示级玩具推向了能承担长周期任务的生产工具。2.0 的核心架构是规划器-执行器-验证器的循环——规划器把一个大目标拆成 DAG有向无环图子任务执行器负责调用工具和 API验证器在每次工具返回后校验结果失败的子任务自动重试连续失败超过阈值就上报人工处理。比如官方给出的退款处理案例 Agent 接到退款工单后先读取订单库、核对用户身份、检查是否符合退款策略再调用支付网关执行原路退回最后生成退款凭证并通知用户。整个过程配置了两个人工审批节点——金额超过 5000 元的单子必须人工确认退款策略模糊的情况必须上报。实际效果是退款处理时长从平均 4 小时缩到 18 分钟人工介入率大约 35%。对企业来说这个设计里的人工审批节点很重要。它不是让 Agent 完全替代人而是让 Agent 把重复劳动消化掉把决策权留在人手里。这比那些号称全自动化但出了事没人兜底的方案靠谱得多。2.2 端侧智能体手机本地就能跑日常任务今天还看到 MicroCog-3B 在旗舰手机上跑通端侧 Agent 的演示。3B 参数的小模型4bit 量化后不到 2GB 内存在 NPU 加速下可以实现本地文档归类、日程冲突检测、短信自动分类这些隐私敏感任务。更值得关注的是它和云端的混合推理策略本地模型对某个任务置信度低时自动把任务转发给云端大模型本地能处理的绝不出设备。我实测了一个场景让它本地处理一份 50 页的 PDF 摘要耗时约 30 秒关键数据点抽取基本准确。这个速度放在两年前是不可想象的。端侧 Agent 的价值不只是快而是把数据不出设备从口号变成了默认配置。2.3 我自己在部署 Agent 时踩过的三个坑这部分是纯经验。过去两个月我在生产环境里部署过好几套 Agent 流程有三个坑踩得尤其深。第一个坑是工具调用的格式地狱。不同工具的 API 参数格式完全不一致有的是 JSON 嵌套有的是 key-value 字符串Agent 经常从上一个工具返回的结果里提取参数后传给下一个工具就报格式错误。后来解决办法是在 Agent 之前加一层统一的函数 schema 层把所有工具的参数先标准化再在验证器里加一道 JSON Schema 校验。这一个小改动让我的流程成功率从 82% 提到了 95%。第二个坑是任务分解的粒度。拆太细子任务之间需要传递的中间结果太多上下文很快就会爆炸拆太粗单个子任务内部逻辑复杂模型容易在里面迷路。我的经验是一个子任务的目标描述控制在 200 字以内且只做一件事。例如读取订单信息和判断是否满足退款条件必须拆开不要让 Agent 同时做。第三个坑是重试的幂等性。Agent 在某一步失败后自动重试结果重复提交了工单、重复调用了支付接口。这不是 Agent 的锅是调用方没做幂等保护。后来每个任务都带一个幂等 ID工具端做重复请求拦截问题才彻底解决。这个知识点希望你在设计 Agent 流程的第一天就考虑进去别等出事了再补。3. 开源项目与论文今天值得拉进待读清单的四样东西3.1 MiniThink-2.7B消费级显卡就能跑的推理小钢炮MiniThink-2.7B 今天在 Hugging Face 上开源全参数量 2.7B主打推理能力。别看参数小在多个小型推理基准上它已经超过了部分 7B 模型400MB 的量化文件就能塞进嵌入式设备。我第一时间做了本地复现步骤分享给你。环境准备Ubuntu 22.04 Python 3.10 一块 RTX 306012GB显存其实用不满。先安装依赖pip install torch transformers bitsandbytes accelerate然后加载模型并做 4bit 量化推理from transformers import AutoModelForCausalLM, AutoTokenizer import torch model_id open-think-lab/minithink-2.7b tokenizer AutoTokenizer.from_pretrained(model_id) model AutoModelForCausalLM.from_pretrained( model_id, load_in_4bitTrue, device_mapauto, torch_dtypetorch.float16 ) prompt 请逐步推理小明比小红大3岁两人年龄之和为27问小明几岁 inputs tokenizer(prompt, return_tensorspt).to(cuda) output model.generate(**inputs, max_new_tokens512, temperature0.3) print(tokenizer.decode(output[0], skip_special_tokensTrue))实测单次推理延迟约 900ms生成速度每秒 35-40 token显存占用 1.8GB。这个性能放在端侧设备上做语音助手的本地推理完全没有问题。但它也有明显局限复杂数学推理和长文本创作不能指望它遇到高难度任务建议走后端大模型。3.2 AegisFlow可视化编排的开源 Agent 框架AegisFlow 是个刚开源的可视化 Agent 编排框架。它把 Agent 流程变成拖拽式的 DAG 节点图节点类型包括 LLM 节点、工具节点、条件分支、人工审批节点每个节点都能单独查看 trace 日志。对调试和运维来说这个可观测性比商业平台做得还细。快速上手四步pip install aegisflow启动面板aegisflow serve --port 8080打开 Web 界面。创建节点拖一个 LLM 节点进来配置模型 API拖一个 HTTP 工具节点填入接口地址。连线并设置条件把 LLM 节点输出连接到条件分支比如如果返回值为 error 则走重试节点。运行并观察执行流后点进每个节点看输入输出和耗时。对比 AgentForge 2.0 这类商业平台AegisFlow 胜在轻量和透明适合快速验证流程商业平台胜在企业集成和安全管控两者定位并不冲突。小团队或个人项目我建议先用 AegisFlow等流程稳定了再考虑上企业级方案。3.3 论文《Long-Horizon 任务中推理时缩放定律的边界》今天的 arXiv 上有一篇论文值得读《Exploring Inference-Time Scaling for Long-Horizon Tasks》。直白地说它回答了推理阶段多花算力到底能换来多少收益这个问题。论文的核心发现有两点第一在长周期任务中推理阶段增加计算量与任务成功率确实呈幂律关系第二存在明显的收益递减点——当每任务推理预算超过某个阈值后继续增加算力的回报会急剧下降这时候换个更强的底模反而更划算。这个结论对做 Agent 系统的我来说很有参考价值。以前我倾向于在单个 Agent 任务上不断堆重试次数和思维链长度看完这篇论文后我改成了算力预算分配策略简单任务给 1 次推理预算中等任务给 3-5 次高难度任务才给足预算如果中等任务重试 5 次还失败直接标记为需人工处理不继续硬耗。这样整体成功率没降但单任务平均推理成本下降了 40%。4. 行业观察大模型正在走进物理世界4.1 制造业视觉质检 大模型排产的真实收益今天看到一个汽车零部件供应商的落地案例很有代表性。他们在产线上部署了多模态质检系统专门检测焊缝缺陷。过去用传统视觉算法误检率在 5% 左右——也就是说每 100 个良品里大约有 5 个会被误判为缺陷导致重复复检和产能浪费。换成多模态模型后误检率降到了 1.2%因为模型能结合上下文判断这里的纹理变化到底是不是缺陷而不是只靠像素特征做机械判断。另外一道工序是大模型排产。这个厂把排产的约束条件——订单交期、设备产能、物料到位时间——用自然语言描述给模型模型生成排产方案后由人工确认调整。过去一位熟手排产工程师需要半天做的方案现在一个上午能出三版对比方案换型时的产线等待时间缩短了约 20%。这两个场景的共同点是模型没有完全替代人而是让人从重复劳动里腾出手来处理异常和优化。这是我觉得当下制造业 AI 落地最健康的形态。4.2 医疗辅助效率提升明显但把关的一定是人医疗场景里AI 辅助工具的使用边界也在慢慢清晰。今天看到的产品动态是病历摘要自动生成、影像报告初筛、医患沟通话术辅助这三类工具开始进入医院的信息系统。病历摘要这块效果最直观。医生口述或手写记录后模型自动整理成结构化病历一位门诊医生写病历的时间大约缩短了一半。影像初筛则是先由模型标记出可疑区域再由影像科医生复核相当于给医生配了一个不知疲倦的初筛助手。我特别注意到他们强调的数据权限分层医生能看完整数据模型只访问被授权范围内的数据每个访问动作都有审计记录。这套权限管控的做法值得所有 To B 场景借鉴。值得强调的是这些工具的设计前提都是人类医生最终把关。模型可以做初筛、做摘要、做提醒但诊断结论和责任始终在人身上。AI 在医疗领域的角色是放大医生的效率而不是取代医生的判断。4.3 内容创作AI 视频生成进入工业化流程内容创作行业今天也在悄悄变化。我拆解了一个短片团队的制作流程他们的工作流已经变成脚本由大模型生成草案、人工改稿概念图由文生图模型出多版分镜脚本由多模态模型根据概念图自动生成最后生成视频片段人工负责剪辑和声音设计。有意思的是他们并不追求一键生成完整短片而是把 AI 拆成一个个可控的执行环节。比如生成人物时用固定角色参考图保持一致性生成动作时用文字描述精确控制镜头语言每个环节人工确认后才进入下一步。这种人给方向、AI干重活的模式比盲目追求全自动更务实成品质量也更稳定。对独立创作者来说现在用一个视频生成工具 一个剪辑软件就能完成过去需要一个五人小组才能干的活。5. 今天亲自实测的两个 AI 效率工作流5.1 会议纪要到行动清单我把它自动化了作为一个经常开长会的人我最烦的不是开会本身而是会后整理纪要。今天我终于把这条链路完整跑通了。工具组合是语音转写 API 大模型摘要 待办事项创建接口。具体配置三步会议录音用语音转写 API 转成带时间戳的文本这一段大约耗时 3 分钟转完 1 小时会议。把转写文本扔给大模型用固定的 Prompt 模板处理先识别讨论主题、决策结论、遗留问题再提取责任人、截止日期、下一步动作最后输出结构化 JSON。用函数调用把 JSON 里的待办项批量创建到项目管理工具里每条带时间戳和原始录音链接。这次实测的效果一小时的产品评审会从录音结束到所有待办进任务池全程约 5 分钟。以前手动整理至少要 40 分钟而且每次都有人漏记。这次还发现一个坑转写文本里全是口语词和语气词嗯嗯啊啊会严重干扰摘要质量。解决办法是在喂给模型前先做一轮文本清洗删除填充词和无信息量的语句。5.2 这个 AI 日报其实是我用 Agent 帮我生成的说到这你可能猜到了包括你今天看到的这篇日报背后也有一套半自动流程。我搭了一个日报生成器来帮我聚合信息大致逻辑是这样的信息源聚合RSS 订阅源 新闻 API 拉取当天文章约 200-300 条。去重与排序用 TextRank 做关键词提取按文本相似度去重再按来源权重和时间衰减排序。LLM 分类摘要把筛选后的文章标题和摘要喂给大模型按模型进展、应用落地、开源生态、行业观察分类每篇生成一句话解读。定时调度cron 每天早上 8 点跑一次全流程。关键一步我会人工抽检最核心的 10 条新闻校准事实和语气。这套流程让我每天整理信息的时间从两小时降到了半小时但人工抽检这一环我始终没有去掉原因见下。5.3 所有 AI 摘要都必须做事实核查最后说一个心得也是我最想提醒你的。大模型生成的摘要在真实场景里的幻觉率比基准测试高得多因为信息源本身就有噪声、时效性问题和表述偏差。我遇到过模型把一篇半年前的旧文总结成今日发布也遇到过把 A 公司的产品参数安到 B 公司头上。我的对策有两个第一要求模型输出摘要时必须附带原文标题和链接方便溯源第二涉及具体数字、时间、公司名的表述必须在提示词里强调不确定就不要写。我现在的 Prompt 末尾固定加一句如果你对某个事实没有把握请明确回答不确定不要猜测。就这一句话让我日报里的明显错误减少了至少一半。我做这个日报生成器最大的体会是AI 可以帮助你节省 90% 的整理时间但剩下 10% 的核对工作恰好是决定内容可信度的关键。我建议所有用 AI 做信息处理的朋友别省这最后一步。今天先聊到这里。如果你也在用 Agent 或模型做自动化信息流建议从一个小场景切入比如自动整理周报或者会议纪要先把信任感建立起来再往复杂场景扩展。具体部署上有问题欢迎随时交流。