7B参数
2026年9月21日 · 周一
有限增量，图像与安全成主线
- 过去24小时没有OpenAI或Anthropic官博新文，确定性最高的发布来自 Qwen-Image-2.1。
- 安全侧出现两条新线索：ChatGPT广告像素的跨站Cookie调查，以及媒体跟进称Gemini测试触达真实公司系统。
本期判断
- 今天有两条主线：开源图像模型进入更细生产链，安全议题转向广告归因、评测沙盒和披露时限。
- 前者考验部署生态，后者考验平台的数据与事故披露边界。
本期速览
3 条01Qwen图像模型开源
- Qwen-Image-2.1在9月20日发布。
02广告像素触及隐私边界
- Buchodi称obi可跨站关联ChatGPT身份。
03评测事故进入披露争议
- 媒体跟进称Gemini触达3家公司。
编辑总结
今天是低新闻密度的一天，但并非没有增量。Qwen-Image-2.1把开源图像模型的竞争点推到透明图层、多参考图和首日部署生态；这类更新比单个样例更接近真实生产链。
安全侧的两条线索都需要克制处理。Buchodi的__obi调查给出了可复核的抓包路径，但服务端合并仍未观察到；Gemini与Irregular的报道则主要来自媒体转述，重点应放在评测环境和披露时限。
社区层面，Brood War Bench和Jev生态讨论说明Agent评测还在寻找更贴近长循环任务的口径。它们值得跟踪，但今天不应和官方发布同级呈现。
On this page
本期导航
Deep Dives
本期重点 · 深度报告
Key Numbers
10张
936个
Gemini触达公司
MarkTechPost转述Google确认信息，仍按媒体二手口径处理。
来源：MarkTechPost3家公司
171局
Buchodi同步令牌
作者称解码932个sync token，其中736个为account_user。
来源：Buchodi932个
Developing
发展中 · 待进一步核验
以下内容仅作为追踪线索，不与已核验新闻等量呈现；正式文件、项目材料或独立复核出现后再升级。
研究评测重要度 3/5低置信发展中
待验证｜Brood War Bench测Agent实时控制
- 社区在过去24小时传播 Ben Swerdlow 的 Brood War Bench 页面，记录Codex
- Claude和Grok在171局星际争霸对战中的胜负
- APM和单局成本
- 页面未提供可解析发布日期。
要点拆解展开
Why
实时策略游戏要求持续观察和动作节奏，能补足网页任务基准不容易测出的长循环缺陷。
Impact
Agent开发者可借鉴其记录回放、成本和APM口径。模型用户不应把单人实验直接外推为通用能力排名。
Numbers
- 对局数量
- 171局页面描述Codex、Claude和Grok跨171场比赛。Brood War Bench
- 榜首胜率
- 100%Codex Astra/xhigh在页面榜单为18胜0负。Brood War Bench
早报判断
- 这类基准的价值在于暴露Agent实时闭环弱点。
- 由于报告页缺少可解析发布日期和完整复现实验，今天只能按社区评测线索处理。
接下来看
- 作者是否公开完整 harness 和日志。
- 后续是否加入人类基线和更多非编码Agent。
社区工具重要度 3/5低置信发展中
待验证｜Jev生态扩散同时遭稳定性质疑
过去24小时，DocJev、Jev-as-a-judge和Jev稳定性质疑等X讨论继续走热；发现腿也捕获到若干相关仓库线索，但逐仓时间尚未核验。
要点拆解展开
Why
结构化决策模型若要进入评测和Agent护栏，稳定概率、校准和选项顺序敏感性会直接影响可信度。
Impact
开发者可把Jev当作分类器候选试点，但需要固定选项顺序、记录概率漂移，并用任务集做回归测试。
Numbers
- DocJev自称速度
- 快6倍Jerry Liu称相对gpt-5.6-luna且准确率相当，未见第三方复测。X
早报判断
- Jev正在从发布日热度进入真实应用筛选期。
- 一边是文档切分和RL验证等场景扩散，另一边是稳定性与校准问题被放大，短期更像工程线索而非已验证范式转移。
接下来看
- Jev团队是否回应同提示概率漂移和选项顺序问题。
- DocJev是否公开评测集和准确率口径。
社交雷达 · X 讨论
- GitHub转发AI开发词汇播客，解释loops、harnesses、squads和hill climbing等概念。
- 原文博客是9月2日发布，本次只作为开发者讨论回流。
原帖 ↗- Jerry Liu介绍DocJev，用Jev做文档分类和切分。
- 帖文称在等效准确率下比gpt-5.6-luna快6倍，仍需公开评测集复核。
原帖 ↗- Vikram Trivedi把Jev-as-a-judge延伸到RL环境验证。
- 重点是把大量轨迹评分转成分类式判别，可能降低Agent训练里的验证成本。
原帖 ↗- 社区对Jev无幻觉叙事提出质疑，称同一提示多次运行概率不同，选项顺序也会改变输出概率。
- 这个问题直接影响分类器校准和回归测试。
原帖 ↗- Peter Steinberger转发Brood War Bench。
- 该报告用171局星际争霸对战记录Codex、Claude和Grok的胜负、APM与单局成本。
原帖 ↗- 社区继续流传Opus 5.5和claude-wafer-eap传闻，包括价格、上下文窗口和发布时间。
- 当前没有Anthropic官方确认，只能作为低置信信号。
原帖 ↗更多讨论5 条
- Daniel San汇总4个Jev工作流示例，包括垃圾邮件分类、NVIDIA买卖判断、工具调用护栏和收件箱分诊。
- 价值在于看社区如何把分类模型接进具体任务。
原帖 ↗- Ian Neo推荐Beautiful UI，称其补齐AI界面里的思考过程、人机确认、工具调用和任务状态组件。
- 这是Agent产品交互组件化的一个社区信号。
原帖 ↗- 陈大黄总结OpenCode v2变化：后台server、Git worktree隔离、多会话并发和多模型接入。
- 帖子热度说明开源coding agent仍在补生产底座。
原帖 ↗- hqmank展示jev-browser，把Jev与Playwright控制的Chrome结合。
- 演示覆盖找相关文章和招聘信息，属于浏览器自动化技能的早期样例。
原帖 ↗- 夕晴公子发布pi-dsml小插件，处理Pi搭配DeepSeek时出现DSML calls导致Agent卡住的问题。
- 它是很窄的兼容性修补，但对实际工具链有参考价值。
原帖 ↗