X 监控

MiniMax 这次开源 M2.7，最值得看的是他们让模型参与自己研发的尝试。他们搭了个研究助手 agent，能帮研究员查文献、盯实验、看日志、改代码、提 merge request，现在能扛起 30% 到 50% 的研发工作量。另一个动作是让 M2.7 自己改自己的测试脚手架，全自动跑了 100 多轮，内部代码评测涨了 30%。 这两件事本质上都是 Karpathy 提过的 Autoresearch 思路，不算新概念，但 MiniMax 给出了具体数字，说明内部已经在跑通了。不过要注意，30% 到 50% 的工作量覆盖和 30% 的代码评测提升都是内部数据，没有第三方验证，也不知道评测集有没有针对性优化。博客没披露 agent 的具体架构、失败率、人工介入频率，也没说这个 30% 的代码提升在外部基准上能不能复现。 我会先打个折：这更像一个工程落地案例，不是方法论突破。但如果你在做 AI 研发流程自动化，这篇博客里的实操细节值得翻一翻。

Meta 的 TBD 实验室花了 9 个月重写整套预训练流程，搞出一个叫 Avocado 的模型，对外叫 Muse Spark。正文说它的能力跟 Llama 4 Maverick 差不多，但训练用的算力不到后者的十分之一——这个效率提升如果属实，确实挺省钱，说明基础设施优化比堆显卡更能拉开差距。 不过现在能确认的信息很少：模型没开源，参数量、benchmark 跑分、具体发布时间都没披露。正文也没解释"能力差不多"是怎么比的，是人工评测还是标准榜单，样本量多大都不清楚。这点先别太激动，等有独立验证再说。 另外作者提到 TBD 实验室 9 个月重写整个预训练栈，这个速度本身也值得关注，但正文没展开说具体改了什么、瓶颈在哪、可复现性如何。如果后续有技术报告，重点看训练稳定性和数据配比，那才是真干货。

GLM-5.1 在 SWE-Bench Pro 上拿了 58.4 分，比 GPT-5.4 的 57.7 和 Opus 4.6 的 57.3 都高一点，而且是 MIT 协议开源的，权重直接给。发帖人说开源和闭源的差距现在大概只剩六个月，这个判断挺乐观，但得看前提成不成立。 正文没披露几个关键信息：各家模型是不是在完全一样的 prompt、环境和预算下跑的，测试有没有第三方独立复现，以及 GLM-5.1 在这个基准上赢的这零点几分到底能不能在真实项目里复现。SWE-Bench Pro 本身测的是修 bug 和改代码的能力，分数差这么小的时候，排名波动可能只是评测噪音。 另外，帖子没提推理成本和延迟。如果 GLM-5.1 是用更大的算力或更慢的速度换来的分数，那“开源追上闭源”这个说法就得打折。想看它到底值不值得切过去，还得等有人拿它跑一遍真实代码仓库，看看成功率、耗时和成本。