今日看点：英伟达的 Nemotron 3.5 Super VL 成为 Artificial Analysis 榜上得分最高的美国开放权重模型，但仍落后阿联酋和中国的头部模型；同一天，RTX Spark 笔记本跑本地 Agent 的首批实测出炉。
01｜英伟达 Nemotron 3.5：美国开放权重模型登顶，仍追不上中阿
NVIDIA 发布 Nemotron 3.5 Super VL（120B 总参数、12B 激活、100 万 token 上下文）和首款 Bolt 系列模型 Bolt 74B-A9B（2-bit 量化后约 24GB）。Artificial Analysis 给 Super VL 打 26.5 分，超过 Thinking Machines 的 Inkling Small（25.7）和自家 Nemotron 3 Ultra（23），单任务输出 token 约 46k，比上一代 Super 的 114k 少约 60%；Bolt 得 21.4 分。差距仍在：阿联酋的 K2 Horizon 为 31 分，中国的 MiMo-V2.6-Pro 为 46 分。官方称更小的 Bolt E4B 将于 10 月 23 日上线。
点评：“美国最强开放权重”这个头衔含金量有限，26.5 对 46 的差距摆在那儿。真正的看点是效率：同样的分数用更少 token、更小的显存，对要在自己机器上跑模型的团队更实用。
02｜RTX Spark 笔记本首测：本地跑 Agent 18.7 分钟
Artificial Analysis 公布 AA-AgentPerf-Local 首批 RTX Spark N1X 笔记本成绩：一台 128GB 内存的 15 英寸 Surface Laptop Ultra 原型机，用 Qwen3.8 27B 跑完 8 个任务、168 个模型回合的 Agent 负载，用时 18.7 分钟。对比之下，DGX Spark 为 17.3 分钟，M5 Pro MacBook Pro（64GB）为 37.6 分钟，约慢 2 倍；桌面 RTX 5090 仅 4.9 分钟。
点评：在这组实测里它比 M5 Pro MacBook Pro 快约 2 倍，但离“实时”还远，更适合隐私敏感或离线场景。另外注意，被测配置标价 5,899.99 美元，微软官网的起售价是 2,599.99 美元，别把两个价格混为一谈。
03｜CyberArena：12 个模型实时攻防，第一名其实分不出来
论文把两个 AI Agent 放进隔离沙箱，同时攻击和防守同一类服务，三轮、每轮 20 分钟，共 466 场对局评测 12 个前沿模型。GPT-5.6 Sol 参考分 78.6，Claude Opus 5 为 73.8，但论文自己的成对检验区分不出两者，排名方法不同还会互换位置。防守方常常补了一个洞漏掉另一个，强的 Agent 还会提前给后续轮次埋后门。
点评：比榜首更值得记的是失败方式：“修了一半就宣布修好”，这正是企业想让 AI 值夜班时最怕的事。选安全 Agent，别只看单次通关成绩。
04｜Doc2Harness：让模型自己搭 Agent 框架，最高只过一半
这个基准不测模型在固定框架里答题，而是测它能不能自己搭出完整的 Agent 工程框架。19 个前沿模型各独立构建三次、共 328 个测试用例，GPT-6 Astra 通过率最高，为 53.05%，最弱的为 27.44%；失败多集中在跨模块功能拆分上。
点评：模型会写代码和会搭系统是两回事。过半用例过不了，说明“让 AI 自己搭 Agent 平台”目前还得有人把关架构。
05｜Apertus 1.5：全开源路线加上图像与音频
据论文摘要，完全开源的 Apertus 发布 1.5 版：8B 模型继续预训练 4T tokens，70B 模型继续预训练 2T tokens，新增图像和音频理解，上下文扩到 262,144 tokens；思考模式只是聊天模板里的开关，据称可在 8B 上把数学推理最多提升 20 分。训练只用公开数据，权重、数据准备和训练配方均以宽松许可发布。
点评：它不会在榜单上挑战最强闭源模型，价值在于“数据来源可追溯”，对重视合规的机构是少见的选项。以上均为摘要内容，复现结果还要等。
06｜NoteBank：线性注意力的百万 token 检索从 1.7% 到 70.3%
本期最偏技术的一篇。NoteBank 把长期记忆从循环状态里拆出来，用稀疏情景记忆加原生回放读取证据，免训练、即插即用。摘要称，在 100 万 token 下，Gated DeltaNet 在六项 RULER 检索任务上的平均准确率从 1.7% 升到 70.3%，新增计算量不超过 0.025%，持久存储约为同规格 Transformer 全 KV 缓存的 1/2600。
点评：数字漂亮，但摘要没说延迟和吞吐，也没有独立复现。值得关注，先别当成生产可用的结论。
速览
- Qwen3 推理强化学习被指“思维泄漏”：在 NO-THINK 模式下做 RL 的提分，可能主要是把 THINK 模式的能力重新激活。
- RuleTrek 规则推理基准：11 个前沿模型端到端最高仅 55.29%，规则识别单项最高 62.47%。
- τ-Emotion-Bench：把用户情绪纳入工具调用评测，前沿 Agent 在情绪波动下仍不稳定。
- APEX-Harm：在共享工作空间里，针对具体任务的脚本替换攻击平均成功率达 81%–84%，任务得分高不等于安全。
明天早上 8 点，下一期见。
