模型进展21
SpaceXAI 发布了新模型 Grok 4.7，专门练它连续干活好几个小时不掉链子。原来的问题是：编码助手做长任务时，一步走错，后面的步骤就全歪了，而且任务越跑越长、要记的东西越来越多，更容易出错。这次他们用更长的强化学习、故意多练费劲的长任务，还让模型学会检查自己刚才做得对不对、管住长上下文；在 Terminal-Bench 4.0 上从 20.3% 升到 38.0%，但对手 Claude Fable 5.1 仍有 57.9%，所以长任务可靠性还是没完全过关。对用的人来说，按每百万输入 2 美元、输出 6 美元算，跑几个小时可能更便宜，但出错率仍高，不能完全放手。
文中可用工具
- Grok 4.7SpaceXAI 发布的新模型，面向可长时间运行的编码智能体
- CursorBench 4.0测试编辑器内较长编码工作流的基准
- Terminal-Bench 4.0测试终端任务表现的基准
- AA Briefcase v1.1评估多小时专业工作的基准
- Grok Bot harness围绕模型处理工具暴露、终端响应格式化、结果回填和下一步决策的基础设施
- Codex harness / Agents APIOpenAI 将长期运行智能体的基础设施变成受管服务
模型进展22
AI 智能体在做路由、安全检查、排序和升级这类决策时，其实不需要写出文字，却仍把问题发给生成式大模型，等它吐出答案再解析回来，既浪费算力又增加延迟。开发者 Jared Palmer 基于 Qwen 3.5 发布了开源决策模型 Kev，包含 0.8B、4B 和 9B 三个规模，采用只预填充、不逐字生成的方式，一次前向传播就读出选择概率；它只给已有选项打分，不会凭空造出新选项。Kev 最大模型在项目测试中准确率 83.7%，但概率校准可能偏移、微调后通用知识和算术能力下降，这些限制开发者已有说明。
文中可用工具
- Kev基于 Qwen 3.5 的开源决策模型，一次前向传播输出选项概率，不生成文字
- Qwen 3.5Kev 所基于的基础模型
- NoulKev 支持的是/否决策类型
- ChoiceKev 支持的从候选中选择决策类型
- ScoreKev 支持的有序等级评分决策类型
- JevTypeSafe 的 System One 平台中的决策模型，权重和训练数据未公开
- System OneTypeSafe 的决策平台，提供 /v1/systemone 请求和响应格式
模型进展23
TypeSafe 这家公司隐藏研发两年后，带着 DCVC 领投的 4000 万美元种子轮融资亮相，发布了首个模型 Jev。普通聊天大模型是一个字一个字地往外蹦，对话很自然，但让软件等它做判断就太慢；Jev 不写文字，只做决定——开发者给它结构化的问答题，它直接返回带概率的选项或数值，软件可以据此处理“不确定”。据称它比普通 LLM 快 20 到 200 倍、便宜 40 到 400 倍，输出 token 免费，上线 AI Gateway 后 24 小时内成为采用最快的模型。对读者的用处是：以后应用里需要“做个判断”的地方，可以调用 Jev 而不是塞一个聊天模型进去。
文中可用工具
- JevTypeSafe 推出的文本模型，接收结构化问题并返回带概率的类型化决策，供软件在代码中判断和选择
- AI GatewayVercel 的模型接入网关，Jev 在此上线并成为采用最快的模型
- RLCDTypeSafe 为 Jev 开发的训练算法，全称“校准决策强化学习”，让模型输出带概率的可靠决策