AI 日报 · 2026-10-20

两条主线是模型能力向关键遗留系统下沉和端侧推理优化：OpenAI 公布低资源语言评测，GPT-6 Astra 在 MultiLangBench 平均通过率达到 87.4%，COBOL 从 10.9% 跃升至 72.1%，GPT-6.1 Sol 的 COBOL 迁移准确率也接近饱和。Hugging Face 与 PyTorch 社区发布的 2.15 MPS 更新让 Mac 端 MoE 解码比上一版快 5–6.5 倍，并首次支持 FP8、修复了 Qwen-Image-2.1 VAE 的静默图像损坏。此外，NVIDIA 在 JUPITER 上完成了容错量子计算模拟纪录，AnyLanguageModel 1.0 统一了 Apple 平台本地模型与多家托管服务的接入。评测方法同样受到关注：Numan 转向只对单轮回复可判断的维度打分，Hamel Husain 则提醒决策模型评测需要按自身数据调整阈值，而非沿用默认的 0.50。

北美一手（LLMs 官方 & 关联账号）

OpenAI

⭐⭐⭐ [研究] Advancing coding in low‑resource programming languages

OpenAI 发布研究文章，介绍其在 COBOL、Fortran、Visual Basic 等低资源编程语言上的模型能力进展，称最新模型在这些语言的软件开发与迁移上明显增强。OpenAI 指出，这类语言可用的代码与文档远少于 Python、JavaScript，但支撑着关键基础设施：COBOL 支撑超过 40% 的网上银行系统、80% 的线下信用卡交易和 95% 的 ATM 交易，Fortran 用于天气预报与核反应堆安全分析。为衡量进展，OpenAI 构建了两个评测：MultiLangBench 要求模型用 20 种语言从零构建兼容 SQLite 的数据库引擎；COBOL 迁移评测要求模型在保持行为不变的前提下把现有程序迁移到另一种语言。结果显示，GPT‑6 Astra 在 MultiLangBench 上平均测试通过率 87.4%，GPT‑5.6 Sol 为 26.8%，且每个语言均有提升，其中 COBOL 从 10.9% 升至 72.1%；GPT‑6 Luna 达到 40.3%，API 成本估计低约 78%。在 COBOL 迁移评测中，GPT‑6.1 Sol 在低推理强度下准确率 86.6%，GPT‑5.6 Sol 仅 5.4%，且成本低 39%；提高推理强度后准确率达 97.9%，接近评测饱和。

衍生 & 周边（产品 / Agent / Tools / 观点）

产品更新

⭐⭐⭐ [产品更新] MPS in PyTorch 2.15

Hugging Face 的 PyTorch 团队与 PyTorch 维护者及社区合作，介绍了 PyTorch 2.15 中 MPS（Mac 后端）的改进。最突出的是 MoE 模型解码速度比 2.14 快 5 到 6.5 倍：在 M3 Ultra 上配合 torch.compile，Qwen3.6-35B-A3B 从 9.4 tokens/s 提升到 61.3 tokens/s，LFM2.5-8B-A1B 从 23.6 提升到 123.6 tokens/s，主要来自原生 grouped matmul 与专用的解码路径、更少的 GPU-CPU 同步以及更快的 top-k 路由。FP8（float8_e4m3fn）首次在 MPS 上获得支持，占用为 BF16 的一半，并可使用 scaled matmul；稠密模型则通过专用矩阵-向量内核加速单行线性层，词表 softmax 约快 8 倍。内存与正确性方面，Wan2.2 tiled VAE 的视频解码峰值内存从 270 GiB 降到约 8 GiB；同一个 padding 改动修复了 Qwen-Image-2.1 VAE 编码器在 MPS 上静默损坏图像的问题，编码-解码往返与 CPU 的 PSNR 从 10.06 dB 提升到 29.95 dB。此外还包括复数 LU 与三角求解、更快的 QR 分解、公开的 MPS streams 与更可靠的事件计时，要求 macOS 15+ 与 Python 3.11+；文中预告 2.16 将把 attention 完全放到 Metal 上。

⭐⭐ [产品更新] AnyLanguageModel 1.0: One Year of Local Models on Apple Platforms

AnyLanguageModel 1.0 发布，同时发布 swift-huggingface 1.0 与 swift-xet 1.0。该库是 Apple Foundation Models 框架的 drop-in 替代品，开发者只需把 import FoundationModels 改为 import AnyLanguageModel，同一份 session 代码即可用于系统模型、经 llama.cpp/MLX/Core ML 运行的开源权重模型，以及多家托管服务商。过去一年新增的能力包括：所有服务商均可用的工具调用与引导式生成（含嵌套 @Generable 类型及其数组）、按 Foundation Models 27 语法附加图像，以及在 OS 27 上支持任何符合 LanguageModel 协议（含 Core AI 模型）的模型。托管侧现支持 OpenAI 的 Chat Completions 与 Responses API、Open Responses、Anthropic Messages API（带 adaptive thinking 与 effort 选项）、Google Gemini API、Ollama、OS 27 上的 Private Cloud Compute，以及通过自定义 base URL 接入的 Hugging Face Inference Providers 和 OpenRouter 等 OpenAI 兼容端点。此外推理内容会写入 transcript，API key 改为通过闭包获取以便取用短期令牌，并可在 Linux 上运行；文中还列出 Hub 上常用的几个开源权重模型，如约 3.4 GB Q4_0 的 Gemma 4 E2B、约 1.7 GB Q4_K_M 的 LFM2.5 2.6B 和 4 bit 下约 16 GB 的 Qwen3.8 27B。

研究

⭐⭐ [研究] NVIDIA Runs Record Simulation of Fault-Tolerant Quantum Computing at Jülich Supercomputing Centre

NVIDIA 宣布在欧洲首台百亿亿级（exascale）超级计算机 JUPITER 上完成了一次破纪录的量子计算模拟。该模拟位于 Jülich 超级计算中心，使研究人员能够完整探索并验证「魔术态培育」（magic state cultivation）。NVIDIA 称这是通往容错量子计算的主要路径之一，相比此前的方法所需的量子比特数减少 90%。

⭐⭐ [研究] How To Use Decision Models for Evals

文章讨论如何把决策模型（decision models）用于自动化评测：文中列举了 TypeSafe 的 Jev、Perplexity 的 Decider、Liquid 的 d1、Cloudflare 的 Clef 和 OpenAI 的 Decisions API，并指出这类模型是 LLM judge 的低成本替代方案。作者强调，直接沿用 API 默认的 0.50 判定阈值可能严重损失效果，应结合自身数据在精确率与召回率之间取舍并调优阈值（本文用 F1 作为二者等权的衡量）。实验中使用了公寓租赁 agent 的 100 条 trace，任务是找出含错误的轨迹；作者对比了 Jev 1.13、Perplexity Decider 1.1 27B、Liquid d1 与 d1-ultra、Cloudflare Clef Flash、OpenAI Decisions（GPT-6 Luna），以人工标注的通过/失败结果衡量性能，并按 token 用量与厂商价格计算 API 成本，延迟因受实验外因素影响而未纳入比较。文章最后讨论了如何解读模型分数，以及校准如何让分数更适合作为置信度使用。

其他

⭐⭐ [其他] How Numan Built an Eval-First AI Health Coach with LangGraph and LangSmith

Numan 是一家英国数字健康公司，其 AI 健康教练 Nu 面向体重、激素和性健康等长期状况管理，设计上须避免医疗诊断、处方和临床决策。团队最初采用静态单轮测试样例加 LLM 评审，但发现单轮评估难以判断对话中的安全性，且全数据集平均分会掩盖局部失败；预先写好的多轮脚本也会忽略 Nu 实际上一轮的回复。其当前评估框架中，Nu 是一个 LangGraph 图，由 supervisor 模型把请求分派给不同领域子代理。对可由单条回复判断的内容，团队使用覆盖教练质量、安全、用药问题、路由和摘要的主题数据集，并按类别由 LLM 评审分别打分；每条评分标准只考察单条回复能体现的内容，避免因教练式分步推进对话而被扣分。