今日看点：Arena 推出 Max 路由并登顶 Agent Arena，Artificial Analysis 给“决策模型”建了第一张统一榜单；编程智能体的评测则同时被两项研究泼了冷水。
01｜Arena 推出 Max 路由，登顶 Agent Arena
Arena 发布 Max 路由：按任务难度和成本，把每个请求分给合适的底层模型。据报道，Max 在 Agent Arena 上以约 0.3% 的优势超过此前榜首 Fable 5.1（Max），同时成本低 37.5%。Arena 10 月 8 日刚宣布 2 亿美元 B 轮、估值 31 亿美元。
点评：评测方自己做路由产品，又自己给它打榜首，独立性要打问号。但路由层值得盯：同样的分数便宜三成多，比再涨几分更能说服采购方。
02｜Artificial Analysis 发布 Decision Index v1.0
新榜单专评“决策模型”——一次调用、在固定选项里给出概率的小模型。Jev 1.13 以 58 分居首，GLiDE 与 Microsoft-Decision-1 均为 54 分。对照组里，Claude Haiku 5.5（Low）得 61 分，但每任务约 1.4 秒、每百万任务 184 美元；成本最低的 Perplexity Decider v1.1 27B 仅 17 美元。
点评：决策模型在分类和工具调用上追平大模型，知识与推理明显落后。做工单路由、安全分类这类活，没必要再用大模型。
03｜两项研究同时质疑编程智能体基准
AgentSWE 含 25 个任务，要求编程智能体按需求造出可用的 Agent；论文称受测智能体无一接近达标，常见问题是对示例过拟合、代码是空壳。另一项基于 JetBrains IDE 中 4782 份真实会话的研究发现，真实任务类型更杂、会话中还会反复切换，与 issue 型基准明显错位。
点评：榜单分数和“真能干活”之间的落差，这周有了两份数据。选型时别只看通用榜单，拿自己的任务做验收。
阅读原文：AgentSWE → · 阅读原文：JetBrains 会话研究 →
04｜TerminalHorizon：1.5K 环境把 Qwen3.5-27B 训成长周期终端智能体
这篇 Hugging Face 论文用数据合成引擎构建 1.5K 个任务环境，监督微调 Qwen3.5-27B 得到 TerminalHorizon-27B，称在 12 项基准上有明显提升，案例设定 12 小时研究预算。目前仅为论文结果，权重是否开放未说明。
点评：它的卖点是“不替智能体提前把活干完”，保留探索和验证。中等规模开源模型加好数据能走多远，值得等权重放出来再判断。
05｜Vela：把 10 万用户的真实行为当训练信号
alphaXiv 上的论文用 10 万名用户的匿名浏览、搜索、购买、发帖、关注、点踩记录生成 91 类任务，微调 Qwen3.6-35B-A3B 后，用户相关任务最高提升 11.5 分，通用基准平均约 +4 分。
点评：效果可能是真的，麻烦在数据：行为日志变成训练集，授权和退出机制谁来定，论文没有给答案。
速览
- GroundingPI：4B 视觉定位模型，34 项基准平均 73.68%，论文称高于 GPT-6 Astra 的 71.54%。
- MSAR：多流注意力残差，18B/28B MoE 上等损失算力加速 1.58 倍（AttnRes 为 1.35 倍）。
- VIS-Ground：交互式视频生成，把观众意图转成可执行约束，三个骨干上平均提升 10.3 分。
- Prompteina：用自然语言直接生成全原子蛋白质结构。
明天早上 8 点，下一期见。
