深兰科技发布自研影视智能体操作系统DFAgent
相关推荐
AGENTIC MONEY 2026 峰会将于 10 月 6 日在新加坡开幕
Foresight News 消息，由 OSL 冠名，Money in Motion 和 LongTree Labs 将于 10 月 6 日在新加坡联合主办首届 AGENTIC MONEY 峰会，该峰会同时获得 PhotonPay、DogPay、Eddid Financial、AWS、United Stables、Huma、FluxA、StableTree 的支持。 官方表示，这将是 TOKEN2049 Singapore Week 期间聚焦 Agentic 时代的全球支付、RWA 与链上金融领域，规模最大、议题覆盖最广的峰会之一。活动现场将介绍正在撰写中的《Agentic Money 2026》白皮书，并围绕智能体支付、全球贸易通道、规模化真实世界资产及华尔街上链四个主题展开讨论，聚焦 Agent 如何进入支付、全球贸易与链上金融。
Jevgrep让Coding Agent少自己找代码：SWE-bench主模型成本降29%
动察 Beating AI 快讯，开发者 David 基于 Jev 开源了一个专门给 Coding Agent 找代码的研究工具 Jevgrep。 用户只要问一句「登录校验写在哪里」，它就会用 TypeSafe 的决策模型 Jev 逐层搜索代码库，找出相关文件和源码片段，再交给 Claude Code、Codex 等 Agent 继续修改和测试。 它主要解决 Coding Agent 很费 token 的「找代码」环节。Jevgrep 不会先把整个仓库塞给模型，也不是只做一次语义搜索。它会先判断哪些目录值得继续找，再检查相关文件和代码声明，最后返回源码片段、行号和后续阅读线索。仓库还提供了 Skill，让 Agent 知道什么时候调用 `jg` 收集上下文。 最新 SWE-bench 实验用了 10 个 Python 任务。使用 Jevgrep 和不用 Jevgrep 都完成了 8 个，但 GPT-5.6 Sol 的总成本从 7.62 美元降到 5.44 美元，减少 28.63%。作者最初在 X 上写的是 40%，仓库随后更新实验结果，目前已经改成「约 30%」。 不过，这个数字只统计 Sol 的费用，没有把 Jev 算进去。实验日志中能够确认的 Jev 调用费用已经至少有 1.57 美元，部分调用缺少完整计费记录，实际总额未知。此外，这组实验只有 10 个任务，而且每题只跑了一次。
斯坦福与英伟达开源Jev同类模型CLM-8B，最高快9倍
动察 Beating AI 快讯，斯坦福大学与 NVIDIA Research 研究人员开源 Jev 同类 System One 模型 CLM-8B，专门帮 Agent 快速做判断和选择。 CLM 和 Jev 做的是同一类事，都让 Agent 跳过长文本生成，直接从几个候选动作里做选择。CLM 的主要区别在底层架构：它把「当前状态」和「候选动作」分开计算，固定动作可以提前算好反复使用，因此在需要连续做决定的场景里更快。官方测试中，CLM-8B 表现整体接近 Jev，最高将延迟压低约 9 倍。 团队还把 CLM 用来给 Coding Agent 挑答案。Opus 5 和 Fable 5 先生成多份候选方案，再由微调后的 CLM 选出最好的一份。在 38 个 DeepSWE 留出任务上，成功率达到 81.6%；在 30 个 Terminal-Bench 2.1 留出任务上达到 87.6%。 CLM-8B 基于冻结的 Qwen3-8B，只额外训练状态和动作投影头。训练数据包括约 6000 万组问答、3000 万个困难负样本和约 100 万条 Agent 轨迹。代码和模型权重均已开放，采用 Apache 2.0 许可。
TypeSafe AI 决策模型 Jev 正式登陆 B.AI API，输入低至 $0.042/百万 Token
ChainCatcher 消息，B.AI 平台宣布 TypeSafe AI 推出的首款 System One 模型 Jev 正式上线 API。 Jev 专为软件内的高速结构化决策打造，不生成任何文本：开发者输入应用状态与类型化问题后，模型直接返回带概率与置信度的决策结果，无需 JSON Prompt，也无需解析输出。模型支持 Choice / Score / Noul 三类原语并行评估，端到端延迟约 70–500ms，输入仅 $0.042/百万 Token，输出免费，适用于工单路由、内容审核、风险评分及 Agent 分支判断等场景。 目前 Jev 已在 B.AI API 的“官方”→“全量接入”列表中开放，可通过 Jev-1.13.0 或 Jev-Latest 调用。
Jev刚火5天，Cua就把决策模型压到2.8MB
动察 Beating AI 快讯，Cua 开源了只有 70.6 万参数、2.8MB 的 CUA-S1-FORMS，专门负责自动填表。系统先从 PDF 中提取姓名、电话等信息，再由模型判断这些信息分别该填进哪个字段，最后交给 Cua Driver 执行。 它走的也是 Jev 最近带火的 System One 路线，只做选择和判断，不生成文字。但 Jev 面向更通用的决策任务，CUA-S1-FORMS 又把范围缩了一层，只解决表单里的信息匹配。 Cua 自测中，CUA-S1-FORMS 在这套填表任务上得分 99.7%，Jev 为 83.6%。这个结果有明显主场优势，前者就是针对填表训练的，不能理解成一个 70 万参数模型全面打败 Jev。 Jev 想把 Agent 里的部分大模型决策换掉，Cua 又继续往下拆。任务足够固定时，甚至不需要一个通用决策模型。
「不会聊天」的AI可以怎么玩？开发者用Jev接管Agent快速决策
动察 Beating AI 快讯，前 OpenAI 研究员 Diogo Almeida 创办的 TypeSafe 昨天刚发布新模型 Jev。它不生成文本，只返回选项、分数和概率。社区很快出现一批开源项目，开始把 Jev 塞进 Agent 和软件流程里。 Browser Use 做的 jev-ultrafast 最直观。浏览器每走一步，Jev 都会从当前页面里判断「下一步做什么、操作哪个元素」，只有需要填写文字时才调用一个小型语言模型。团队用它在 Google Flights 搜索苏黎世到伦敦的航班，一次完整运行只用了 7.1 秒。 Jev Codex Router 让 Jev 先判断每轮编程任务的难度，再决定交给不同档位的模型；jev-mcp 则把它做成 Agent 的事实核验、Prompt Injection 检测和语义排序工具。 这些项目有个很明显的共同点：没人拿 Jev 当聊天机器人，而是把它塞进软件和 Agent 的执行链里，专门负责那些高频、有限选项的判断。