面向 Agent、代码与工具调用、检索、长流程可靠性、图像和视频生成研发预研。只保留上一完整自然周内可由官方材料、公开仓库或主榜核验的高信号变化。
本周最值得带走的 4 个判断
依据：OpenAI 9 月 29 日发布 GPT-6.1 Sol 与 Agents API：前者提供 105 万 token 上下文，后者把多 Agent、上下文压缩和托管浏览器 computer use 合入 Responses API；官方同时按固定评测披露相对 Sol 的成功率与单位任务成本改善。
判断：架构选型应以同一任务、同一工具权限和相同完成标准比较端到端成功率、每次成功成本、可审计轨迹与人工接管，不应只比较模型 Elo 或 token 单价。
边界：能力与成本数字来自厂商评测；托管浏览器要求逐来源审批且不提供自部署权重，企业登录、数据驻留与内部工具成功率仍需复测。
依据：Google 9 月 30 日披露 Gemini 4 Argon 的输出上限从 64K 提升至 100 万 token，并展示 80 万行以上 Fuchsia Zircon C/C++→Rust 迁移、32K 行 SIMD 库重写及内部部署节省 300 TiB 以上内存。
判断：长流程代码 Agent 应按模块生成可复验提交，持续执行构建、差分测试、性能回归与人工放行；更长上下文适合维持全局约束，不应被当作一次性大提交的安全证明。
边界：Argon 仅向受信任网络安全防御者限量开放；案例与性能数字来自 Google 内部工程，不能外推到普通仓库、公开 API 或其他语言迁移。
依据：Anthropic 9 月 29 日称其对 GLM-5.3 的模拟测试中，简单技术可在 64%—100% 的攻击尝试里绕过原始安全限制；NIST CAISI 的独立评估此前也把 GLM-5.3 认定为发布时能力最强的开放权重网络模型，并给出 SEC-Bench Pro 40.4% 等结果。
判断：自部署代码 Agent 不能依赖模型拒答作为主要防线，应采用最小权限、网络出口白名单、短期凭据、命令审计、产物扫描和高风险操作人工审批。
边界：绕过比例来自 Anthropic 的对抗性测试，NIST 指标使用另一套任务；两者都不等于真实环境攻击成功率，也不能外推到 GLM 全系列 checkpoint。
依据：DeepSeek 9 月 30 日为 Ascend 950 发布 DeepGEMM-Ascend，并在 FlashMLA 加入 V4.1 稀疏注意力预填充/解码内核；官方报告典型预填充达 360 TFLOPS、融合后提升约 10%—15%，同时明确新版本移除 Hopper 与旧 V3/V3.2/V4 路径并改变 KV cache 格式。
判断：国产卡适配应固定芯片、CANN、torch_npu、模型提交和 KV 格式，分别做正确性与吞吐门禁；升级前必须保留旧提交和回滚镜像。
边界：结果仅对应 Ascend 950、CANN 9.20 与 DeepSeek V4.1 负载，不能外推到 Ascend 910、其他国产卡或通用算子性能。
执行日最新快照；与 09.28—10.04 新闻窗口分开
官方材料优先；聚焦 Agent、代码执行、安全与国产推理
GPT-6.1 Sol 提供 105 万 token 上下文、12.8 万 token 最大输出，支持 Responses API 的函数、网页搜索、文件搜索、计算机使用和 MCP 等工具。同期 Agents API 进入 beta，加入多 Agent 协作、工具搜索/调用、上下文压缩，以及由 OpenAI 托管的浏览器 computer use。
官方称 DeepSWE v1.1 在相同设置下比 Sol 高 6.4 个百分点；新模型在 AutomationBench 相对 Sol 提高 4.8 点，在 OSWorld 2.0 最大推理下接近 Astra、单位任务成本约为后者七分之一。更值得关注的是评测单位已经包含 Agent harness，而不只是裸模型。
研发含义：PoC 应锁定任务集、浏览器镜像、工具权限和完成判据，记录每次成功成本、来源审批、失败恢复与人工接管；来源切换时按官方要求重新审批。
Google 把 Argon 的输出上限从 64K 提升到 100 万 token，披露其参与 80 万行以上 Fuchsia Zircon 内核 C/C++→Rust 迁移，并将 libgav1 的 32K 行 SIMD 代码重写为输出一致、官方报告快 2.7× 的 Rust 实现。内部部署还释放 300 TiB 以上内存，官方估算长期总节省可达 500 TiB—1 PiB。
在公开/半公开评测上，官方给出 DeepSWE v1.1 77.9%、CWE-Bench v1 68%。当前模型仅通过 Fairwind 计划向受信任网络安全防御者限量开放，并未形成公开 API 或可下载权重。
研发含义：大迁移要把 Agent 输出拆为可编译、可回滚的小提交；长上下文负责维持架构约束，CI 与人工评审负责证明行为等价。
Anthropic 针对开放权重 GLM-5.3 做模拟攻防，称简单绕过技术在其设置中达到 64%—100%；NIST CAISI 更早的独立报告给出 SEC-Bench Pro 40.4%、ExploitBench 61.1%、ExploitGym 9.4% 与 OSS-Fuzz 7.7%，并称其是发布时最强的开放权重网络模型。
研发含义：能写代码、调用工具又可本地修改安全层的模型，应在短期凭据、网络白名单、只读根文件系统、审计日志与高风险动作审批下运行。
DeepGEMM-Ascend 首版面向 Ascend 950，固定 CANN 9.20、torch_npu 与 Python ≥3.10，覆盖 BF16/FP8/FP4 GEMM、MQA logits 与 MegaMoE，保持与 DeepGEMM 相近的接口，许可证为 MIT。FlashMLA 同日加入 V4.1 稀疏注意力预填充和解码，官方报告预填充最高 410 TFLOPS、典型 V4.1 负载 360 TFLOPS。
升级并非无成本：新版本移除 Hopper 与旧 V3/V3.2/V4 支持，并修改 FP8/FP4 KV cache 格式。生产升级必须把旧提交、模型和缓存格式一同纳入回滚方案。
H Company 发布 Holo4-27B dense 与 Holo4-35B-A3B MoE，覆盖桌面、网页和 Android 的 GUI 操作，也能写代码并调用 MCP/API。官方同时公开 BF16、FP8、NVFP4、GGUF 权重与轨迹数据；27B 权重为 CC BY-NC 4.0，35B-A3B 为 Apache 2.0，二者不能统一写成“开源”。
官方模型卡在 OSWorld 2.0 给出 27B 61.7%、每任务 1.22 美元；其示例长任务消耗 130 万—240 万 token、68—94 次工具调用，提示开放权重只解决部署控制权，并不自动解决长轨迹成本与可靠性。
研发含义：PoC 应同时评测 UI 定位、工具选择、跨环境状态恢复、单位完成成本和许可边界；商业使用优先核对 35B-A3B 的 Apache 2.0 精确仓库，不能把 27B 的非商业权重混用。
执行日 Artificial Analysis 文生图 Top 20 中，只有 Qwen-Image-2.1（第 19）有精确可下载权重，使用 Qwen Research License，而 Qwen-Image-3.0 / Pro 的榜单服务不能据此视为开放。With Audio 视频榜中 MiniMax H3 第 4，官方权重可下载但采用 MiniMax 自定义许可；第 5 的 fal 后训练 H3 Max 不是同一 checkpoint。
FLUX 3 位列视频第 6，但当前内容生成版本仍是托管/私有权重；BFL 只承诺后续推出开放权重内容版，不能用已经发布的 FLUX 3 Action 动作模型替代。
研发含义：媒体模型选型要同时记录榜单精确服务名、权重提交、许可、分辨率/时长、音频能力和单位成片成本；“同系列开放”不能替代精确 checkpoint 核验。
仅列 09.28—10.04 内可核验的有效更新
Sol 面向代码和专业工作，提供 105 万上下文、12.8 万输出及 Responses API 工具调用。Agents API 将多 Agent、压缩、工具搜索与托管 computer use 整合为服务；模型与运行时均为托管闭源。
输出上限提升至 100 万 token，并披露大规模 Rust 迁移与内部基础设施优化案例。目前只通过 Fairwind 向受信任网络安全防御者提供，未开放通用 API 或权重。
报告聚焦开放权重强代码模型的滥用边界，并主张部署侧增加防护。结论来自竞争厂商的对抗性测试，正文与 NIST 独立评估并列呈现，避免单源定稿。
新增 Ascend 950 的 BF16/FP8/FP4 GEMM、MegaMoE、稀疏注意力预填充/解码；仓库为 MIT。兼容面收窄到 V4.1 与新缓存格式，旧平台需要继续固定历史提交。
Mistral 平台 9 月 28 日将 Z.ai GLM-5.3 设为 GA；次日宣布 OCR 4.0 与 Leanstral 1.5 于 9 月 30 日退役，GLM-5.2 于 10 月 31 日退役并建议迁移 5.3。该变化是平台供给与生命周期管理，不代表 Mistral 发布新基础模型。
同一多模态接口覆盖 GUI、代码与 MCP/API。27B 为 CC BY-NC 4.0，35B-A3B 为 Apache 2.0；权重、量化和轨迹均可下载，但开放许可并不相同。
榜单一个主源；中文社区只作线索，不承担事实定稿
厂商检查：国内逐项检查 Qwen、DeepSeek、Kimi、MiniMax、智谱/Z.ai、腾讯、小米、京东、字节；海外逐项检查 OpenAI、Anthropic、Google DeepMind、Meta、xAI、Mistral、Microsoft AI、BFL、Runway、Luma。无当周有效更新者不占版面。
开放口径：标准开源（MIT / Apache 2.0）、开放权重自定义许可、同系列有开放权重、托管闭源服务、权重已承诺但尚未发布分开标注；同名或同系列不自动视作同一 checkpoint。
时间口径：厂商与技术内容严格限定 2026.09.28 00:00—10.04 23:59（Asia/Shanghai）；榜单使用 10.09 执行日可获得的最新快照。Arena Text 页标注更新于 10.08，Vision 页标注更新于 10.02；Artificial Analysis 为 10.09 抓取值，后续会随投票变化。
论文口径：本周未发现同时满足窗口、官方可核验、研发影响清晰且高于上述工程发布的信息，因此不为凑数单列论文。