AI 日报 · 2026-09-28

今天最值得关注的是智能体模型与基础设施的两条更新：Holo4 系列模型发布，包含 27B dense 与 35B-A3B MoE 两个规模，可跨 GUI、代码、MCP、API 调用，并在 OSWorld 2.0 上以较低成本接近部分前沿表现（27B 得 61.7%，对比 Opus 5.5 为 81.8%）。LangChain 则集中更新 LangSmith：Engine v2 加入红队测试与生产 trace 问题诊断，Managed Deep Agents 增加身份范围认证和用户记忆，并推出轨迹视图、微调与 Custom Apps。围绕生产级决策，Jev 与 LangGraph 的文章主张把快速、便宜、确定性的「系统一」决策模型用于路由与分类等窄任务，由编排框架处理其余问题。此外，NVIDIA 追加 1500 亿美元回购授权，Simon Willison 则发布了 2026 年至今 LLM 回顾及一个 Bluesky 回复机器人检测工具。

衍生 & 周边（产品 / Agent / Tools / 观点）

模型发布

⭐⭐⭐ [模型发布] Holo4: powering generalist computer-use agents

Hcompany 发布 Holo4 系列智能体模型，包含 27B dense 与 35B-A3B MoE 两个规模，均已上线 H Models API，同时发布 Holotron 3 的更新版 Holotron4 Nano。Holo4 可通过 GUI、代码、MCP 和 API 任意一种接口与软件交互，同一模型在不同平台上调用方式一致。模型使用监督学习与强化学习在大量环境与任务上训练，其中包括由其 Agentic Task Factory 生成的任务。在 OSWorld 2.0 上，Holo4 27B 得分 61.7%，35B-A3B 得分为 30.9%，文中给出的对比对象 Opus 5.5 为 81.8%。团队开源了公开基准测试得分背后的全部轨迹，可按步骤回放或从 Hugging Face 下载，并称其以远低于前沿模型的单任务成本参与竞争。

产品更新

⭐⭐⭐ [产品更新] New in LangSmith: Engine v2, Managed Deep Agents, Fine-Tuning, and more

LangChain 在 Interrupt NYC 活动上发布了多项 LangSmith 更新，围绕 agent 的运行时与可观测/评测两条主线。LangSmith Engine v2 新增红队测试能力：利用生产 trace 和代码仓库生成尚未在生产中出现的问题假设并加以验证；同时扩展了可检测的问题类型（错误率、延迟、成本趋势，以及重复工具调用、过长轨迹等低效行为），并可在 LangSmith Deployment 上先自动复现问题、再用更大评测集筛选修复方案，最终由用户一键生成 PR；自托管 LangSmith 的下一版本将支持 Engine 的 BYOK。官方称 Engine 自 5 月上线以来已分析超过 6000 万条 trace，诊断出数万个问题。Managed Deep Agents v0.8 增加身份范围认证与用户级记忆，并涉及渠道和工具管理；此外还推出 Trajectories（对话式 trace 视图）、LangSmith Fine-Tuning（将 agent 会话轨迹转为微调数据）以及 Custom Apps（可构建并发布自定义 LangSmith 界面，用于标注队列、实验等流程）。

⭐⭐ [产品更新] LangSmith Custom Apps: Build custom interfaces around your agent data

LangChain 在 LangSmith 中推出 Custom Apps，允许团队在 LangSmith 数据之上构建、发布并直接运行自定义界面。用户可以用 LangSmith Chat 描述想看的数据和展示方式，由 Chat 生成可用的应用；也可以基于提供的模板和编码代理，直接调用 LangSmith API 自行开发。应用发布后成为工作区内的共享界面，省去了自建前端所需的托管、认证、权限和分享工作。该功能面向 Plus 和 Enterprise 方案，适合需要重复评审流程的场景，例如为标注人员定制界面：工程师可看到包含工具调用和中间步骤的完整 trace，领域专家只看用户请求、模型响应、相关上下文和评分标准。文中提到其内部的人机协同评审此前分散在表格和其他工具中，因此构建了一个结构化 LLM 评估与标注的 Custom App，评审者在队列中评估、编辑输出并把结果加入数据集。

⭐⭐ [产品更新] Bluesky reply bot checker

Simon Willison 发布了一个名为 Bluesky reply bot checker 的工具，用 Opus 5.5 以 vibe coding 方式写成，可检查任意 Bluesky 个人资料是否为疑似回复机器人。工具寻找的信号包括：在同一账号发帖后几秒内就出现的回复，以及从不发布自己的内容（图片或链接）、只持续回复粉丝更多账号的账号。它还检测回复中是否含问号，因为作者尤其反感那些逼他去回答一个并非真人提出的问题的回复机器人。文中提到自动回复机器人在 Twitter 上泛滥，如今也开始出现在 Bluesky 上；与 Twitter 不同，Bluesky 仍提供免费可用的 API，这让调查这类账号方便不少。

观点

⭐⭐ [观点] 2026 in LLMs (so far)

Simon Willison 发布了他 WeAreDevelopers World Congress 北美站（圣何塞）闭幕主题演讲的幻灯片与注释，按时间顺序回顾 2026 年至今 LLM 领域发生的事。他把自己眼中的 2026 年起点放在 2025 年 11 月——当月发布了 Claude Opus 4.5 与 GPT-5.1，这两款模型虽属对前代的渐进式改进，但与各自的编码智能体（Claude Code、Codex）配合后，从「经常出错」变成「足以日常可靠使用」。他提到自己用「生成一只骑自行车的鹈鹕的 SVG」来评估新模型，并展示了 11 月时的状态：Claude 仍画不好自行车，GPT-5.1 的车架也很糟。文中还提到 11 月一个名为 Warelay 的 GitHub 仓库出现首次提交，以及他今年把新年目标定为承接更多新项目、把「更有野心」当作全年主题。他也提到在 Oxide and friends 播客上与 Bryan Cantrill、Adam Leventhal 分享了对未来一年、三年和六年的预测，其中包括「LLM 能写好代码将变得不可否认」以及关于编码智能体安全「挑战者号式灾难」的预测。

其他

⭐⭐ [其他] NVIDIA Announces a $150 Billion Share Repurchase Authorization Increase

NVIDIA 宣布，其董事会已在公司现有股票回购计划下额外批准 1500 亿美元的回购额度，使该计划的剩余授权总额增至 2350 亿美元。

⭐⭐ [其他] Building Production Agents with Jev and LangGraph

LangChain 博客介绍如何把 TypeSafe AI 上周发布的决策模型 Jev 与 LangGraph 结合，构建其所谓「prod, not god」的生产级智能体。Jev 不生成文本，而是接收状态和一组问题后返回带概率的类型化答案，被 TypeSafe 称为「系统一」决策模型。TypeSafe 的基准显示，在路由、分类等狭窄决策任务上，Jev 比主流 LLM 快至多 200 倍、便宜至多 400 倍。文章称 Jev 具备结构化、可并行、低成本、跨重复评测结果稳定等特性，并提到在早期的 Jev-as-a-judge 实验中，其 100 次重复运行得分几乎不变，一致性优于 LLM 的非确定性。作者认为当决策变廉价后难点转向编排，LangGraph 用于把模型驱动的决策与确定性代码结合，并解决上下文管理等问题。