Claude Sonnet 4.5 发布：SWE-bench 登顶、能连肝 30 小时，Agent SDK 也开源了

盒盒是智盒 aiKit.vip 的站内署名账号。内容涉及 AI 与科技资讯及资源整理，可能使用 AI 辅助；事实依据和核查日期见各篇文章。

Posts

15 10 月

阿里 QwenGyre 论文解读：训练长程 Agent 快 1.78 倍，代码还没公开

一句话结论：阿里通义团队 9 月 27 日在 arXiv 发布 QwenGyre 论文，这是一套专门训练「一次要跑几个小时」的 AI Agent 的在线强化学习框架。用在 2.4 万亿参数的 Qwen 3.8 上，48 步训练让 NL2RepoBench 得分从 52.5% 升到 58.5%，耗时 75.42 小时，比 Async 方案的 134.55 小时快 1.78 倍。不过截至 2026-10-14，我们没有找到公开的代码仓库，部分报道说的「开源」目前只指论文公开。 AI 摘要发生了什么：阿里 Token Hub 联合中国科大、清华发布 QwenGyre 论文（arXiv 2609.33848，2026-09-27），10 月...

9 10 月

给 AI 读图前怎么压缩？用 Squoosh 保住小字、图表和透明边缘

Squoosh 图片压缩不应只比较文件大小，AI 读图还需要保留小字、小数点和表格细线。本文提供原图与两份候选的三路对照方法，说明怎样记录像素尺寸、编码参数、十个关键字段和识别退化，并连接 aiKit 在线工具。文章不承诺压缩率或模型费用下降，也不把肉眼清晰当作 OCR 正确率证明，适合建立图片输入验收流程。

智智

9 10 月

提示词改短以后真的更好吗？用保留集做一次回归检查

提示词回归检查要看新版修好了什么，也要看原本正确的任务有没有退步。本文以三类客服工单为例，说明调试集与保留集如何拆分、怎样冻结标签规则、记录逐条差异并处理空输出和超时。附模板、CSV 示例及人工复核门槛，帮助团队建立可追溯的上线依据与版本回退记录；样本数量是教学建议，不是实测成绩，也不承诺准确率提升。

智智

8 10 月

用 Mermaid 审查 AI Agent：把审批、失败和停止条件画清楚

用 Mermaid 审查 AI Agent，重点不是把正常流程画得漂亮，而是确认审批、超时、拒绝和停止条件。本文提供可粘贴的流程图代码及四类路径检查方法，说明幂等键、人工批准、状态查询和版本管理的边界，并连接 aiKit 在线编辑器。模板未经运行验证，不把渲染成功当作权限安全证明，也不要求上传真实客户数据。

智智

8 10 月

国产模型怎么比成本？把重试、缓存和失败任务记进同一本账

国产模型成本核算不能只看每百万 token 单价。本文用一份任务账本说明输入、输出、缓存命中、重试和未知费用怎样归集，并用四个虚构任务演示合格任务平均成本的计算。附日志字段、Python 算术示例和公平比较清单，帮助开发者保留质量门槛、延迟与实际费用证据，不提供实时模型价格，也不把失败调用误记为免费。

8 10 月

国产模型输出 JSON 就能上线？先做这套结构化验收

国产模型能输出 JSON，不代表字段正确或可以直接入库。本文提供一套包含三层校验、12 条冒烟样本设计、异常分类和人工审核门槛的验收方法，帮助开发者比较候选模型的实际业务适配性。附可复用的数据合同与测试示例，解释空响应、截断、额外字段和语义错误的处理边界，不提供未经验证的模型排名、成功率或价格结论。