事实核查记录|2026-10-13

10 月 13 日来源稿附带的逐项核验记录,保留原作者判定、来源与正文更正说明;导入过程的独立抽查范围另记于本地说明。

事实核查来源记录评测条件
阅读全文

核查范围: 「AI 情报素材池|2026-10-13」中的全部实质性说法,素材共 20 项。

核查时间: 2026-10-13 晚间(北京时间)。

时间换算: 巡检窗口为北京时间 10-12 11:05 至 10-13 11:05,即 10-12 03:05 至 10-13 03:05 UTC。各来源的 UTC 时间戳均已换算为北京时间(UTC+8)。

链接核查:

  • 素材附带的链接全部访问成功(HTTP 200),唯一例外是 FT(HTTP 403,付费墙)。
  • 素材链接中没有 utm 参数,因此无需清理。

判定:

  • ✅ 已确认
  • ⚠️ 部分正确或已修正:数字、日期或措辞与来源不符,正文已更正
  • ❓ 无法核实:正文加限定语,或删除

一、Meta Muse Wonder / Muse Wonder Full

# 说法 判定 来源 正文处理 / 更正
1 10-12 正式发布 ✅ Newsroom、模型卡 官方页面署日期 10-12,未注明具体时刻。The Verge 报道发布于 10-12 17:00 UTC(北京时间 10-13 01:00),在窗口内
2 面向 Coding、Computer Use、长周期 Agent、专业知识工作和个人任务 ✅ 研究博客 —
3 模型 ID 为 muse-wonder-1.0 / muse-wonder-full-1.0;均为 1M 上下文 ✅ 开发者页 补充:输入为文本、图像、视频、音频,输出为文本
4 Wonder 价格:输入 $4/M、缓存输入 $0.20/M、输出 $20/M;Meta Model API 已开放 ✅ 开发者页 补充:开发者页另列 OpenRouter 渠道,素材未提及
5 Wonder Full 不单独提供 API,含于 Muse Code Power($50/月)与 Maximum($200/月) ✅ 开发者页、Newsroom 补充:两档的用量分别为 Everyday 的 20 倍和 80 倍
6 未公布开放权重 ✅ 模型卡;FT(经 Slashdot 转引) FT 报道将其描述为闭源模型,最强版本面向企业销售
7 兼容 OpenAI SDK;示例包括 Agent Fan-out、Computer Use、GitHub Agent、Search Grounding ✅ 开发者页 Cookbook 补充:另有多 Agent 编排示例;GitHub Agent 基于 OpenCode
8 Active Memory 与 Active Focus 的描述 ✅ 研究博客 —
9 评测“混合来源,部分由厂商内部执行” ✅ 模型卡方法说明 已逐项标注运行方:Harvey、AutomationBench、Terminal-Bench 与 AA 指数由 Artificial Analysis 运行;DeepSWE 由 Datacurve 运行;Vals 由 Vals AI 运行;OSWorld、MemoryBench、HealthBench 为内部运行;PSI 为内部综合指数
10 称“最强 Muse”“进入前沿” ⚠️ 模型卡评测表 这是厂商定位。Wonder Full 在 AA 综合指数(56 对 58)、ProgramBench、Terminal-Bench、OSWorld、HealthBench Pro、JobBench 上均低于 Claude Opus 5.5,正文已列明。The Verge 称 Meta 依据“内部测试”,实际来源是内外混合
11 SWE-Marathon 成绩 ⚠️ 模型卡 Harness 不统一(GPT-6 Astra 用 Codex,Claude Fable 5.1 用 Claude Code);Wonder Full 使用 xhigh 推理强度。正文已注明这不是严格对照
12 FT 报道“Mark Zuckerberg says Meta has reached AI ‘frontier’” ❓ FT(403) 原文无法访问。标题全文为“…and rejects calls for slowdown”,与引语一样据 Slashdot 等转引确认,正文标为【媒体报道·待确认】
13 安全评估(素材未涉及) — 模型卡 补充:化学与生物领域加入了缓解措施,缓解后残余风险为“中等或更低”;ExploitGym 92 个 flag 中只有 21 个经由预期漏洞完成;完整安全报告尚未发布

二、微软 Azure Maia 300

# 说法 判定 来源 正文处理 / 更正
14 10-12 正式发布 ✅ 微软博客 发布于 10-12 13:01 UTC(北京时间 21:01);The Verge 报道为北京时间 21:00
15 第三代;TSMC N2P;多 Chiplet ✅ 同上 补充:N2P 指计算 Chiplet;计算、内存控制器、I/O 三者分离
16 8 组 HBM4、18 TB/s、TDP 950W ✅ 同上 —
17 单机架 96 加速器、HBM 27.6TB、1.7PB/s、167kW ✅ 同上 —
18 2027 年部署 ✅ 同上 原文为 2027 年“开始生产部署”,并将扩展到多吉瓦规模
19 每兆瓦 Token 数约高 40%;吞吐最高为 Maia 200 的 7 倍 ⚠️ 同上 原文用词为 “expected”,即厂商预期,正文已标注;尚无第三方测试
20 软件定义数据流、MXFP4、KV Cache、网络协同设计 ✅ 同上 补充:采用“增强版” MXFP4,网络为基于以太网的自研 AI 传输协议
21 Maia 200 已在生产 ⚠️ 微软博客、The Verge 两方说法不一致。微软博客称 Maia 200 已服务 Copilot 等负载,GitHub Copilot 与 Foundry 将在年底前上线;The Verge 写作已运行这两项。正文以微软博客为准
22 无直接购买渠道、未公布价格 ✅ 微软博客 公告未提及价格或对外销售

三、NVIDIA ReplaySSM

# 说法 判定 来源 正文处理 / 更正
23 【正式新增】10-12 技术文章 ⚠️ NVIDIA 博客、Dao AI Lab 博客、arXiv 2610.13778 NVIDIA 博客发布于 10-12 16:00 UTC(北京时间 10-13 00:00),在窗口内。但方法并非新发布:Dao AI Lab 博客发表于 2026-06-15,仓库创建于 05-31,论文 10-09 上传
24 NVIDIA 与普林斯顿 Dao AI Lab 合作 ✅ 论文作者列表 作者共 7 人,包括 Tri Dao
25 适用于 Mamba、Gated DeltaNet、KDA;涉及 GLM、Kimi、Qwen、Nemotron ✅ NVIDIA 博客 —
26 B300、batch 256 下 SSM Kernel 快 1.46–1.80 倍,Decode Step 快 1.20–1.47 倍 ⚠️ 论文 §7.2 四个模型中,两个 4B 模型跑在 H100 上,两个大模型跑在 B300 上,并非全部 B300
27 120B 级推测解码吞吐 1.85–2.10 倍 ⚠️ 论文 §7.3 实验条件为 batch 512、T=4、GSM8K,素材未写明(容易被误读为 batch 256)
28 batch 1 无加速 ✅ 论文 —
29 已进入 TensorRT-LLM、vLLM、SGLang、FlashInfer ⚠️ 仓库 README、论文附录 G TensorRT-LLM 与 FlashInfer 有已合并的 PR;vLLM 的 GDN 与推测解码相关 PR 在 README 中标为 open;SGLang 没有对应的 PR 链接
30 GLM-5.3-Flash 已部署,Kimi-K3 采用相近思路 ⚠️ 论文附录 G、NVIDIA 博客 GLM-5.3-Flash 的部署得到确认。Kimi-K3 的说法前后不一:NVIDIA 博客开头称其生产中在运行 ReplaySSM,论文附录则称 Kimi-K3 把 ReplaySSM 列为“同期方法”。正文已注明
31 许可证待核 ✅ GitHub 代码为 Apache-2.0,论文为 CC BY 4.0

四、论文与开源项目

# 说法 判定 来源 正文处理 / 更正
32 DiffusionART 是 10-12 HF 日榜第一 ⚠️ HF Papers 2610.12572 实际为当日第 2 名(241 赞),第 1 名是 S-Space
33 DiffusionART GPU 时间约减少到 1/12.02 与 1/11.72 ✅ 同上 补充:平均训练奖励分别高 28.8% 与 53.0%
34 DiffusionART 代码公开、部分模型已上传 ✅ GitHub 代码为 Apache-2.0,已上传 SD3.5-M 与 HunyuanVideo 模型及提示数据集
35 作者在评论区回应与 FDFO 的区别 ✅ HF 评论区 提问时间为 10-12 23:40 UTC,作者回复为 10-13 01:01 UTC(北京时间 09:01)。回复内容为作者观点,正文已注明
36 SoftwareGym:182 个应用、12 类、120 题、OSWorld 41.39%→56.97%、40.0% ✅ HF Papers 2610.12611 补充:GUI 任务平均通过率为 91.5%
37 SoftwareGym 许可证待核 ⚠️ GitHub 仓库中没有 LICENSE 文件
38 Work2Skill:350 条示范;MyPCBench 提升 4.67–10.54,OSWorld 子集提升 3.11–7.50 ✅ HF Papers 2610.12984 —
39 Work2Skill 代码与数据已公开 ⚠️ GitHub 代码为 MIT,WorkDemo-350 已上传 HF。但 README 说明,环境初始化、扰动生成、运行器、评估器和端到端结果“尚未包含”
40 ProgramGym:1,648 个环境;34.87%→42.84%;55.71% / 56.25% ✅ HF Papers 2610.13395 —
41 ProgramGym 数据集已上线,许可证待核 ✅ GitHub 代码为 MIT;数据集 ProgramGym/programgym-1648 已上传 HF(摘要中仍写“将发布”)
42 SWE-Duel:11 组、15 个仓库、5 种语言、1,500 回合;98.3% / 27.3% ✅ HF Papers 2610.12569 补充:代码 sweduel/SWE-Duel(MIT);新版本模型击败固定解题者的比例为 42.9%,旧版本为 4.0%
43 SLA:所有任务最佳最终结果;预算 10 亿 Token;Advisor 消耗 <0.6% ✅ HF Papers 2610.07625 Advisor 实际消耗 0.24%–0.51%
44 SLA 在“GPU Kernel 任务”上少用 84% 以上的 Token ⚠️ 论文 该数字来自 Anthropic VLIW SIMD Kernel 任务(Codex 下 93.1%,Claude Code 下 84.4%),不是 GPU 任务;GPU 任务对应 SOL-ExecBench
45 SLA 代码(素材未提) — GitHub 仓库只有 assets 目录,未发布代码;论文承认多数配置只跑了一次
46 RSI-Anything 各项数字 ✅ HF Papers 2610.13912 补充:代码为 Apache-2.0,基于 JEPA-Anything
47 S-Space 是 HF 10-12 日榜第二 ⚠️ HF Papers 2610.13527 实际为第 1 名(270 赞);论文于 10-09 发布
48 S-Space 有开源实现 ✅ GitHub Apache-2.0;仓库创建于 09-06
49 Reflex 日榜第三;模拟成功率 85.7% / 87.9%;有真机测试 ✅ HF Papers 2610.12772 补充:真机为 Unitree G1,2.5 米与 5 米成功率分别为 65% 与 40%;代码 ToberJ/reflex(MIT)
50 SepGen 声称公开代码、权重与数据 ⚠️ GitHub、项目页 已发布代码、两个 LoRA 检查点与训练清单;预计算 latent 与评测脚本标为“待发布”。许可证为 LTX-2.x Community License(附使用限制)
51 SoloQ:显存最多降低 2.61 倍,推理最多加速 2.24 倍;未找到官方代码 ✅ HF Papers 2610.07121 补充:测试模型还包括 Nemotron-Labs-Diffusion
52 Text-to-CAD【小众】,MIT ⚠️ GitHub MIT 确认。但仓库创建于 04-22,约 1.98 万 Star,并非小众新项目。补充:支持的 Agent 还有 Gemini、Grok;默认开启遥测
53 OpenRig【小众】,Apache 2.0 ⚠️ GitHub Apache-2.0 确认。但仓库创建于 04-01,约 7,400 Star,并非新项目。可选的 workshop 套件会绕过权限提示
54 GraphDecisionBench 的结论 ✅ HF Papers 2610.06354 摘要中的基准名为 GraphDecide,测试对象为 Jev 等“System One”模型;仓库没有许可证
55 MetaKernelBench 提升范围“从负值到约 +29%” ✅ HF Papers 2610.05014 具体为 −19% 到 +29%,每个设置有 16%–45% 的题目退步;论文于 10-04 发布,属旧论文
56 VisionWeave(Qwen,10-06) ✅ HF Papers 2610.07987 节省 43.0% 视觉 Token,保留 98.9% 性能
57 SynthSelf、StereoBind、ReHarness、Video-RSI、PolyOCR-Venus ❓ 素材未附链接 未核实,正文仅列名称

五、汇总项

# 说法 判定 正文处理
58 许可与商用表 ⚠️ 已按上表更正:ReplaySSM 为 Apache-2.0;DiffusionART 为 Apache-2.0;SoftwareGym 无许可证;Work2Skill 与 ProgramGym 为 MIT;SepGen 为 LTX 社区许可
59 十家厂商“无新旗舰、无全面调价” ❓ 未逐一复核,正文仅作线索
60 【社区新收录】说明:论文发表于 10-6 至 10-9,10-12 进入 HF ⚠️ 范围应放宽:MetaKernelBench 为 10-04,SoloQ 为 10-05。所有论文都早于窗口,HF 的收录日期均为 10-12
61 S / A / B 优先级与结尾的第一人称推荐 — 属编辑意见,正文已删除

六、来源中的指令性内容

  • 未发现针对本流程的提示注入。
  • OpenRig 的 README 含有写给“负责安装的 Agent”的步骤,Text-to-CAD 的 README 提示用户把一段安装消息转发给自己的 Agent,两者都是正常的安装说明。核查过程中未执行其中任何指令。
本篇目录