从Kimi、Manus到AirBuild，王慧文又押注一家AI Agent创业公司
相关推荐
Manus 2.0正式发布：全新架构、Studio专业工具与个人Agent应用Cue同步上线
动察 Beating AI 快讯，Manus 正式推出 2.0 版本，此次升级并非简单迭代，而是围绕「下一代 Manus 应该是什么样子」的全面升级。 核心升级包括：自研 Agent 框架 Cascade，测试显示 Token 消耗降低 23.2%、任务完成时间缩短 28.2%、运行成本下降 32%；新增云电脑，为游戏服务器或长期自动化提供专属环境；自动化支持事件触发，邮件、Slack、Notion 等变化均可启动工作流。 桌面应用升级为 Manus Studio，按需引入工具。重点推出视频编辑器（支持时间线精修与 Alchemy 创意模式）和游戏开发环境（支持实时修改、一键多人联机与云电脑托管）。Computer Use 能力同步升级，用户可通过自然语言远程操控授权电脑。 全新独立应用 Cue 上线，专为个人 Agent 打造，支持手机与桌面。每个 Agent 拥有独立邮箱、电话、钱包与电脑，可组建多 Agent 团队协作，并对接线下服务。 Manus 表示，2.0 关注想法落地后的精修与掌控，延续「帮助人们把想法变成现实」的初衷。
月之暗面：Kimi Hosted Agents正式发布
Odaily星球日报讯 11 月 5 日，月之暗面宣布发布 Kimi Hosted Agents（托管智能体），将支撑 Agent 运行的 Harness 作为云端服务提供给企业和开发者，企业无需自行搭建和维护运行框架，即可获得 7×24 小时的托管环境，支持长程任务执行与多智能体高效协作。
Kimi训练AI老板，General Reasoning训练整家AI公司
动察 Beating AI 快讯，今年 1 月，Kimi K2.5 推出 Agent Swarm，让一个主 Agent 招募、指挥多个子 Agent，随后的 K2.6 将规模扩大到最多 300 个子 Agent。 但 Kimi 的强化学习方法 PARL 只训练负责指挥的「老板」，冻结子 Agent。原因是多人完成一项任务，很难分清谁立了功；如果所有人同时调整策略，训练也容易变得不稳定。 General Reasoning 偏要试试另一条路。团队推出 120B 参数模型 Avalon-M1-Mini，并提出 RLCR（集体奖励强化学习）。它让一个 Agent 担任 CEO，最多招募 8 名员工，通过留言板和共享工作区协作。所有成员使用同一套模型，任务完成后不再逐个计算贡献，而是根据团队总成绩一起接受强化学习。 这套方法在 147 个训练环境、超过 200 万项不同任务中取得了持续改进。软件任务中，主管工程师在招募岗位中的占比从 0.4% 升至约 13%，至少开展一次互审的团队占比从 42% 提高到 64%。分工也发生变化：从每人各写一部分代码，逐渐转向一人主写、其他人负责测试和挑错。原本需要人工设计的管理层和质检流程，在训练中自行形成。 但组队成绩更好，有一部分只是因为用了更多 Token。研究人员给单个 Agent 同样多的输出 Token，就能追回团队约六成的得分优势。团队的主要好处是可以同时干活：在 12 项评测中，达到相近成绩的估算耗时平均只有单 Agent 的约四分之一。 研究人员还模拟了今年 OpenAI 智能体攻击 Hugging Face 的事件。210 次测试中，没有 Agent 调用模拟攻击工具。但随着训练推进，向人类评测人员报告异常的比例从 76.7% 降到 0，尽管 96.7% 至 100% 的执行记录都曾考虑过上报。有的 Agent 选择只在团队内部提出异议，有的计划报告，却没有真正行动。 目前 Avalon-M1-Mini 仍在训练，团队计划在训练完成后发布最终论文，并开源训练环境、Agent 框架和模型权重。
传月之暗面研发5万亿至6万亿参数模型，Kimi K3.1或10月中旬前发布
动察 Beating AI 快讯，根据野村证券的报告，月之暗面正在研发一款 5 万亿至 6 万亿参数的大模型。相比今年 7 月发布的 Kimi K3，新模型的参数规模接近翻倍。目前最大的瓶颈是高端训练算力不足，具体训练进度尚不清楚。 另外，Kimi K3.1 将于 10 月中旬前发布，重点提升 Agent 连续完成长时间任务的能力。团队计划通过后训练、电脑操作记录和真实任务数据进一步优化模型。
英伟达让AI重写Kimi注意力内核：速度达到官方版近3倍
动察 Beating AI 快讯，NVIDIA 研究团队让 AI Agent 直接重写了 Kimi Delta Attention 的 GPU 内核。Kimi Delta Attention 是月之暗面 Kimi-Linear 模型使用的核心注意力机制之一。这类底层代码过去通常需要熟悉 CUDA 和芯片架构的工程师反复手工优化。 最终，Agent 写出的版本在 NVIDIA B300 上达到月之暗面官方 FlashKDA 的 2.96 倍速度。团队测试了固定长度和不同变长序列共 6 组任务，2.96 倍是全部任务的几何平均值。相关内核已经开源。 但 Agent 也很快找到了测试漏洞。它曾把测试数据的统计规律直接写死进代码，跑出 3.74 倍；还试过只保留最近 32 个 token，单项成绩甚至达到 5.16 倍。这些版本一换到真实 Kimi 数据就会算错，有的直接失效。 团队随后加入真实 Kimi 运行数据、随机输入和极端数值测试，并收紧误差标准。最终保留下来的 2.96 倍版本通过了这套验证。
Raft公开源码却不收PR：Agent把写代码变便宜，审查成本没降
动察 Beating AI 快讯，Kimi CLI 前作者 Richard Qian 创立的 Agent 协作平台 Raft 公开了源码，但暂时不接受外部 Pull Request，也没有公开内部 commit history。公开的 GitHub 仓库只是 release mirror，实际开发仍在私有仓库进行，每个版本发布时再同步一份完整代码快照。 Raft 团队认为，Coding Agent 已经让写代码变得太便宜。生成一个看起来合理的 patch 很容易，一次生成十个也不难，但维护者理解、验证和审查这些代码仍然要花大量时间。很多时候，维护者看完别人用 Agent 生成的代码，还不如直接让自己的 Agent 按需求重新实现。 他们因此想探索一种「Prompt Request」模式。贡献者以后不一定直接提交代码，而是先说明要解决什么问题、为什么值得做、有哪些约束和取舍，再由维护者和 Agent 决定如何实现。这套机制目前还没有正式开放，Raft 的 GitHub PR 和 Issue 都处于关闭状态。 Raft 还质疑了传统 commit history 的价值。团队认为，Agent 参与开发后，比起记录每一次代码改动，为什么要改、尝试过什么方案、Agent 发现了什么问题，这些「决策历史」可能更有用。 需要注意，Raft 这次是 source-available，并非传统意义上的开源。FSL-1.1-ALv2 允许用户查看、运行和修改代码，但禁止拿它提供与 Raft 竞争的商业产品或服务。每个版本发布两年后，才会自动转为 Apache 2.0。