周日消化Flash-1017：计价单位改成「每任务」，Google Harness²不改权重自进化
北京时间10月18日白天属周日消化窗：主线不是新发模型，而是把昨日DeepSeek-V4.1-Flash-1017的叙事从榜分改写成「cost per task」——Bindu Reddy等把开源价差压到每任务约$0.20区间，Accenture则把Claude额度收成人均$29/月。旁线更硬的是Google Research开源Harness²：冻结权重、让agent改自己的提示词/工具/记忆/子agent；中文圈复述WorkBuddy单步最高+11.5、OpenCode上GLM-5约64.2→75.7。另有OpenAI API误放aurora三色alpha、中国大模型出口草案（开源近乎即报即出、API豁免）、CoreWeave债息与美数据中心延期，以及Odyssey把果蝇脑接入世界模型。
一、主线：从「又涨了几分」到「每任务多少钱」
昨日 DeepSeek-V4.1-Flash-1017 的硬发布已过，周日窗口的传播重心转到计价单位。Bindu Reddy 把 Flash-1017 写成「最好且最便宜的开源模型」，并明确用 cost per task 而非单价作比较轴，同时承认闭源 Argon 仍领先[1]。中文早报复述规格：约 552B MoE、1M 上下文、KV cache 约压到上版 25%，Search/Fetch 约 $0.75/千次，跑分口径大致追平 Opus 5[2]。反面论证同样出现：有帖用「Gemini 4 Argon 单价便宜五倍、按任务从 Day 1 更贵」提醒，token 价与任务价可以反向[3]；另有帖把 DeepSeek 自家表里约 $0.20/任务与闭源 $2–$10+ 并置，称「榜分赛结束、任务成本赛开始」[4]。
企业侧把同一逻辑写进预算线：Accenture 复述口径为人均 Claude 中央额度约 $29/月，个别员工曾刷到约 $1000（多落在 Claude Code），超额记项目账——token 支出变成必须辩护的科目[5][27]。周日综述还把「十五台 $55 电视盒跑模型、四 agent 通关 Minecraft、Accenture 限 Claude」串成一周快照[27]。另有帖把 Flash-1017 与 Replit 默认切到 OpenAI Agent 并置，显示应用栈忠诚度继续按账单重写[28]。
观测者分层：官方发布与 API 定价属一等信号；DeepSWE/任务成本对照多出自实验室或二手表，需独立复现；企业额度政策是强商业信号，以原报道为准。
二、结构位移：Harness²——不改权重，改工作台
比新权重更贴近「agent 时代」的，是 Google Research 开源的 Harness²。Marktechpost 概括其主张：不重训模型，让 agent 改写自己的 harness；核心步骤是对比式 Propose–Probe–Compose——提案、在同任务上探测、只保留有效编辑[6]。Akshay 把 harness 定义为模型外围的一切：系统提示、工具、记忆、skills、子 agent；过去人设计一次、agent 反复沿用，现在要变成可自修复系统[7]。中文解读强调两个开放世界难题：测试时无 ground-truth 验证器，以及如何把单次编辑沉淀到后续任务[8]；另有帖列出「八件套」组件，并称论文口径 WorkBuddy 单步最高约 +11.5 分，本地 demo 可无 API key 跑[9]。回复层有观察：Probe 把「答案对不对」与「harness 有没有变好」拆开；复述 OpenCode 上 GLM-5 约 64.2→75.7、换 harness 后反超 Gemini 基础分——对绑定国产模型的团队，钱更该花在调 harness[10]。
这与昨日 DeepSeek「训练阶段专为 Harness 优化」形成对照：一边是供给端共训，一边是测试时外围自进化。两者都在说：分数越来越像 harness×模型 的联合产物。
三、误放与世界模型：Aurora 三色、果蝇进 Odyssey-3
产品侧，TestingCatalog 记录 OpenAI API 短暂露出 aurora-red/green/blue-alpha，随即撤回，判定为误放[11]。传播帖猜其为对 Anthropic Fable/Opus 线的 Astra 级反击，但官方未确认，只能当情报噪声[12]。
研究演示上，Odyssey 官方称把果蝇脑接入前沿世界模型 Odyssey-3，使其在完全虚构的模拟世界中自主飞行[13]；kimmonismus 与 Ethan Mollick 分别用「近未来入口」和「有趣且令人不安」定性[14][15]。这是世界模型×具身/神经模拟交叉的强视觉信号，尚非可部署产品。
四、治理与资本：出口草案、谈判 agent、算力债
中文日报把「中国拟对先进 AI 出口管制」列为头条：草案口径含大模型/智能体/算力集群等约 23 项；超大规模或顶尖能力权重/源码受限，但开源可走快速许可，API/SaaS 豁免[16]。华泰计算机复述进一步产品化：公开权重近乎即报即出；API/App/Web/SaaS 不在管控；并点到 MiniMax、智谱收入结构中的豁免比例及 Bedrock 上的 GLM-5.3[17]。并行的 SemiAnalysis 口径传播称 GLM-5.3「全靠后训练前代」把 Terminal-Bench 从约 4.6 拉到 28.3，被嘉宾写成对预训练军备的警钟[18]。
Anthropic 侧，FT 信源经 Techmeme：公司咨询律所，开发可代表人类谈判、并与其他 AI 对手交互的 agent[19]；窗口内继续复述 Jack Clark 在 IMF/世行场合的内部模型 GDP 叙事（约至 2030 年美国 GDP $44T 量级）[20]。Yann LeCun 在回复 Jack Clark 相关讨论时强调：数学与编程是少数可用自动校验正确性的领域，另有一些域可经仿真校验——把「奇点可见处」钉回可验证闭环[21]。
资本与基建：NYT 线复述 CoreWeave 债息逾 15%、SoftBank 保险变贵、部分 Oracle 债折价交易[22]；FT/Bernstein 口径称 2026 年逾 47 个大型美数据中心项目延期/撤回/受阻，可信管道约 35%[23]；微软取消与 Nscale 在英国 Essex 约 2.3 万张 Nvidia 芯片的锚定租约[24]。
五、安全余波：harness 即凭证库
OpenCode 蒸馏攻击/密钥暴露事件进入周日复盘：有帖把标题写成「harness 现已是凭证库」，并称 OpenAI/Anthropic/Google 三家卷入补救[25]。PromptArmor 约 9800 次攻击链复述则给出开源 vs 闭源间接注入落差（约 26.7% vs 14.2%），「总结网页并执行恶意软件」一类开源约 49%、闭源约 9%[26]。这与 Harness²「大力改外围」同日并读：外围越强，凭证与工具权限的攻击面越大。
观测者判断
周日真正相关的变化，不是又一份 Flash 复读，而是三条可分开核验的位移：（1）市场话语把比较轴从 token 价/榜分拧到 cost per task 与企业额度；（2）Google 用开源 Harness² 把「不改权重、改工作台」做成可复现程序，与中国开源阵营的后训练/共训叙事形成双轨；（3）出口草案若按「开源便利 + API 豁免」落地，将强化「权重可下载、服务可出海」的分流，同时 OpenCode/PromptArmor 提醒——harness 已是密钥与工具的边界。更稳妥的读法：DeepSeek 官方规格与 Search/Fetch 定价、Google Harness² 开源声明、Techmeme/FT/NYT 转述属一等或强二手信号；Aurora 误放与果蝇演示是情报/研究信号；出口草案与 GDP/$44T 叙事需等正式文本与独立经济核验。
原帖引用
- @bindureddy · 查看 X 原帖 ↗
DeepSeek Just Dropped The Best And Cheapest Open Source Model In The World — scores on top of the open-source leaderboard; beats Muse Wonder, Haiku, and Luna; cheapest in terms of cost per task. Argon is still ahead at the moment.
- @ieddysun · 查看 X 原帖 ↗
【AI 中文早报】10.18：DeepSeek 以 MIT 协议开源 V4.1-Flash-1017：552B 参数 MoE、1M 上下文，KV cache 只有上一版的约 25%。同步上线 Search / Fetch API，每千次成功请求 0.75 美元，跑分大致追平 Claude Opus 5。
- @aimorebou · 查看 X 原帖 ↗
Gemini 4 Argon is 5x cheaper than GPT-6 Astra per token. From Dec 1 it costs more per task. The number to use instead, plus a 30 minute test you can run for about $8. What do you check first: price per token or cost per task?
- @Jay__Coder · 查看 X 原帖 ↗
DeepSeek-V4.1-Flash-1017: 77% on DeepSWE at ~$0.20/task. DeepSeek's chart puts GPT-6 Astra, Gemini 3.8 Flash, Claude Opus 5 at $2-$10+ for similar scores. The leaderboard race is over; cost-per-task race began.
- @yummysoosu · 查看 X 原帖 ↗
Accenture now centrally funds $29 a month per person for Claude. Some staff spent up to $1,000, mostly on Claude Code. Anything above $29 is billed to a project. Token spend is now a line item someone has to defend.
- @Marktechpost · 查看 X 原帖 ↗
Google just open-sourced Harness², changing how AI agents get better: instead of retraining the model, the agent rewrites its own harness. The key innovation is a contrastive Propose-Probe-Compose step. It proposes harness edits, probes them on the same task, and keeps only what works.
- @akshay_pachaar · 查看 X 原帖 ↗
Google just open-sourced Harness² (turn any harness into a self-improving system). A harness is everything wrapped around the model: system prompt, tools, memory, skills, and subagents. Today a person designs it once, and the agent runs every new task with that same design.
- @shao__meng · 查看 X 原帖 ↗
Google Research 最新开源了 Harness²：递归式智能体 Harness 优化框架。Harness² 解决的两个开放世界难题：1. 测试时遇到没见过的任务，没有 ground-truth 验证器；在线改 harness 时你不知道答案对不对。
- @HenyJone · 查看 X 原帖 ↗
Google 开源 Harness²：不改权重，Agent 自己改工作台。据官方论文，单步最高 +11.5 分（WorkBuddy）。八件套：提示词、护栏、记忆、工具说明、子 Agent、skills、脚本、插件；两层递归：先改当前任务，再沉淀经验给下一题。
- @prolibertine · 查看 X 原帖 ↗
最有意思的是 Probe 那步把「答案对不对」和「harness 有没有变好」拆开了，没有验证器就比同一任务下两个候选的行为差异。GLM-5 在 OpenCode 上 64.2 到 75.7，换完 harness 反超 Gemini 的基础分，这对用国产模型的团队挺实际。
- @testingcatalog · 查看 X 原帖 ↗
OPENAI: 3 new model references spotted on the APIs recently — aurora-red-alpha, aurora-green-alpha, aurora-blue-alpha. These model references were removed shortly after so it was a mistake rollout.
- @kimmonismus · 查看 X 原帖 ↗
3 new OpenAI models spotted. Aurora red, green and alpha. I suspect this is a competitor to Anthropic’s Claude — likely new "Astra" models, intended as a countermove to Fable 5.5 and Opus 5.5.
- @odysseyml · 查看 X 原帖 ↗
We placed the fruit fly brain inside Odyssey-3, a frontier world model. The lil’ guy is now flying around totally imagined, simulated worlds all by itself.
- @kimmonismus · 查看 X 原帖 ↗
Holy! Odyssey says it has connected a simulated fruit fly brain to an AI-generated world, allowing it to navigate an environment that never existed. It’s a glimpse of what entering simulated worlds could one day mean for us.
- @emollick · 查看 X 原帖 ↗
Both interesting and viscerally unsettling. (quoting Odyssey fruit-fly brain in Odyssey-3 world model)
- @nangongyuan · 查看 X 原帖 ↗
中国拟对先进AI技术实施出口管制：商务部等发布草案，拟将23项AI技术（大模型、智能体、算力集群等）纳入出口管制。超2万亿参数或顶尖能力模型权重/源码受限，但开源发布可快速许可，API/SaaS豁免。
- @pyy_invest · 查看 X 原帖 ↗
【华泰计算机：大模型出口新规，开源近乎即报即出】公开权重开源可走便利化自动许可；API、App/Web、SaaS不在管控范围。MiniMax 原生App/API部分豁免；智谱开放平台/API占86.5%豁免，并与AWS Bedrock上线GLM-5.3。
- @NFT_Chen · 查看 X 原帖 ↗
SemiAnalysis 嘉宾直言智谱GLM5.3给他敲响了警钟：「GLM 5.3 完全是靠后训练前代模型做出来的」。同一基座，不换架构、不加参数，Terminal-Bench 从 4.6 干到 28.3。后训练比从头预训练省 GPU 太多了。
- @Techmeme · 查看 X 原帖 ↗
Sources: Anthropic is consulting law firms on deal negotiation tactics as it develops AI agents to negotiate on humans' behalf and interact with AI counterparts (Financial Times).
- @Shadowfetch · 查看 X 原帖 ↗
Anthropic co-founder Jack Clark told the IMF and World Bank meetings that fast-improving AI could speed up science, and an internal Anthropic model forecasts U.S. GDP could reach $44T by 2030 under certain conditions.
- @ylecun · 查看 X 原帖 ↗
Math and coding are the two domains where correctness can be checked automatically, without going through real-world experiments or through human evaluations. There are a few other domains where correctness can be checked through simulation.
- @Techmeme · 查看 X 原帖 ↗
AI debt worries mount as CoreWeave's bond yield tops 15%, insuring SoftBank debt gets pricier, and some Oracle debt trades near 80 to 90 cents on the dollar (New York Times).
- @Techmeme · 查看 X 原帖 ↗
RegLayer: 47+ large US data center projects were delayed, withdrawn, or blocked in 2026; Bernstein says ~35% of the planned US data center pipeline is credible (Financial Times).
- @Techmeme · 查看 X 原帖 ↗
Microsoft cancels its deal with Nscale to serve as the anchor tenant and rent 23K Nvidia AI chips at a planned data center facing repeated delays in Essex, UK (Telegraph).
- @botnewsnetwork · 查看 X 原帖 ↗
OpenCode discloses a breach that may have exposed users' OpenAI, Anthropic and Google keys related to a large-scale distillation attack; three labs are in the remediation loop. The harness is now the credential vault.
- @yuanbaopower · 查看 X 原帖 ↗
PromptArmor 9800 次真实攻击链测试：开源模型（DeepSeek/Kimi/GLM/Qwen）被间接提示注入拿下 26.7%，闭源（GPT/Claude/Gemini）14.2%，易感率高 88%。「总结网页顺带跑恶意软件」：开源 49% 中招，闭源 9%。
- @reet_batra · 查看 X 原帖 ↗
Sunday AI recap: an AI model ran on fifteen $55 TV boxes; four AI agents beat Minecraft; Accenture capped Claude at $29 a month per employee.
- @ThriveWithSI · 查看 X 原帖 ↗
DeepSeek dropped a new V4.1 Flash with open weights. Its Search and Fetch APIs are now open to everyone. Replit made OpenAI the default for its Agent.