英伟达让AI重写Kimi注意力内核：速度达到官方版近3倍
相关推荐
Kimi Code桌面端上线：浏览器、终端、多Agent塞进一个窗口
动察 Beating AI 快讯，月之暗面正式上线 Kimi Code Desktop，把原本偏终端的 Kimi Code 做成了独立桌面应用。用户可以直接打开本地项目，让 Agent 读写代码、跑命令、查看 Git 改动，目前支持 macOS 和 Windows。 桌面版直接内置了浏览器和终端。做网页时，Agent 可以读取右侧网页的页面信息，用户也能直接点选元素、框出区域或者截图批注，告诉它具体哪里要改。改代码、看网页效果、跑测试都不用再切窗口。 它还支持计划、目标和 Swarm 三种任务模式。Swarm 可以把任务拆给多个子 Agent 并行处理，长任务也能放到后台继续跑。除了 Kimi 自家的模型，用户还可以自己填 API Key 和 Base URL，接入其他模型供应商。
Kimi推出金融行业方案，Agent直接跑投研、建模和报告
动察 Beating AI 快讯，月之暗面推出 Kimi 金融行业解决方案，把金融数据、Skill 和 Agent 能力打包到一起。方案接入 Wind、东方财富、标普全球、财联社、财新数据等 10+ 数据源，并提供财务建模、机构研报、财报点评、组合复盘、持仓早报等 9 项金融 Skill。 Kimi 称，合作案例中，财务建模的人力投入从 5–7 人天降至 0.5–1 人天，深度研究从 10–20 天缩短至约 2 天。 Kimi 还与中信建投共建「风险评估网关」，处理数据分级、个人信息保护、工具授权、内容核验和审计追溯。试点中，单份临时受托报告的人工制作时间从约 30 分钟降至 10 分钟。 最近一周，OpenAI、Anthropic 也相继推出金融行业产品。现在 Kimi 也跟进，把金融数据、专业 Skill 和 Agent 工作流一起推向机构客户。
SOON 战略投资 Phala TEE GPU 集群，以支持 AI Agent 隐私可验证计算
Foresight News 消息，SVM L2 SOON Network 核心开发团队宣布成为 Phala Network TEE GPU 集群的主要资助方。SOON 生态中的 AI Agent 可使用该算力，在隐私可信环境中运行自定义模型。 SOON 表示，这将为量化智能体提供私密策略执行与可验证计算能力，同时 SOON Stack 支持在多条 L1 上为第三方启动专用 SVM 链。后续将公布算力分成机制及首批 AI 资本市场项目接入计划。
Cua Driver给Agent补上「眼睛」：纯像素界面也能识别按钮和文字
动察 Beating AI 快讯，开源 Computer Use 工具 Cua 给 Cua Driver 加入可选的 Perception 视觉扩展。Driver 原本优先通过网页结构和系统无障碍树找按钮。遇到 Canvas、游戏、远程桌面或自绘应用时，这些结构可能为空。Perception 会直接读取截图，把画面拆成带文字、类型和位置的区域，供 Agent 继续操作。 首版用 OmniParser 识别图标和控件，用 PP-OCR 读取文字。整个解析过程在本机 CPU 完成，不需要 GPU，也不把截图发到网络。官方实测单张截图在 macOS 约需 2 至 2.5 秒，Linux 为 3.5 至 4 秒，Windows 为 8 至 9 秒。它主要在页面结构和无障碍树失效时兜底，不会默认每一步都跑视觉解析。 Cua 还限制了视觉操作对旧截图的复用。每次视觉识别都会绑定当前截图的 `capture_id`，随后点击必须来自同一张截图。截图超过 60 秒，或者已经执行过一次操作，Driver 就会拒绝继续使用，避免界面变化后还拿旧坐标误点。 Cua 过去其实已经能通过 `cua-som` 和 OmniParser 做视觉定位。现在这套能力被直接接进 Cua Driver，上层 Agent 可以通过统一接口拿到识别结果。即使模型本身不会看图，也可以根据这些文字和区域信息决定下一步操作。 Perception 不是默认组件，其中 OmniParser 检测器采用 AGPL-3.0；Cua Driver 仍保持 MIT 协议。
OpenScience自测75.7%超过Codex：科研Agent开始自己循环跑实验
动察 Beating AI 快讯，Y Combinator 2026 冬季批次（YC W26）公司 Synthetic Sciences 正式发布开源科研 Agent OpenScience。它能查论文、处理数据、写代码和调用科研数据库，新加入的 Autoresearch 还能让 AI 自己连续跑实验。 比如训练一个模型，研究者只需要告诉它「把验证集 loss 降下来」。OpenScience 会先跑基线，再自己提出修改方案，一轮轮执行实验。结果变好就保留，变差就回退，再根据前面的结果决定下一步试什么。用户也可以提前限制运行次数、总时长和停止条件，或者规定「接下来只改优化器」。 OpenScience 把原本需要研究者反复盯着做的实验迭代自动化了：提出方案、执行实验、比较指标、淘汰失败方案，再继续下一轮。实验可以在本机运行，也可以交给远程 GPU、SSH 服务器和 Slurm/PBS 集群。每轮实验的代码、结果和判断都会留下记录，方便后续检查。 它还支持直接登录 ChatGPT/Codex 订阅，也可以接入自己的 API Key、本地模型，或使用官方按量付费的 Ace。 官方自测中，OpenScience 在 70 道 Terminal-Bench Science 任务中完成 53 道，得分 75.7%。作为对比，Codex + GPT-6 Astra 的公开成绩为 68.1%。
144M参数就能做Agent决策，Julia-1连安卓平板都能跑
动察 Beating AI 快讯，AI 实验室 Supersonic Labs 发布一款只有 1.443 亿参数的轻量决策模型 Julia-1。它不生成长文本，而是接收上下文、问题和 2 到 20 个候选答案，直接完成分类、打分和是非判断，可以给 Agent 选工具、做路由或决定下一步动作。 Julia-1 基于多语言编码模型 mmBERT-small 开发，模型权重约 550MB，主打低硬件门槛。官方已经在 Apple M4、Intel i5-1235U 和三星 Android 平板上完成测试。M4 单次决策中位延迟约 33ms；三星平板只用 CPU 运行时约 203ms，进程峰值内存约 393MB。 在官方公布的 4 组 Jev 对比测试中，Julia-1 赢了 3 组。Typed Decisions 为 73.15%，Jev 参考成绩为 72.70%；AG News 为 94% 对 91%；情绪分类为 86% 对 48%。但在包含 72 个类别的 Banking77 上，Julia-1 只有 64%，明显低于 Jev 的 87%。官方称，候选类别太多且彼此相似时，目前的分组筛选可能提前丢掉正确答案。 Julia-1 的云端 GPU 训练和实验总成本只有约 104 美元。模型权重、运行代码、完整评测和来源记录均已开放，采用 Apache 2.0 许可。官方还在开发 API，计划按每百万输入 token 0.025 美元收费；由于模型只做判断、不生成长文本，输出 token 不收费。