今日看点：四个 Gemini 4 Argon 智能体在《我的世界》里连续干了 27 小时、写了 2,783 段程序，打败末影龙；同一天，美国新实验室 Reflection 开源 5010 亿参数的 Beam，英伟达 Vera Rubin 机架也交出首份智能体推理成绩单。
01｜四个 Gemini 智能体通关《我的世界》：27 小时 14 分，死了 605 次
Google DeepMind 的论文把四个通用 Gemini 4 Argon 编码智能体放进随机生成的 Easy 难度生存世界，只给一个目标：击败末影龙。它们通过开源库 Mineflayer 控制角色，靠游戏聊天和共享记忆分工，自己写并调试了 2,783 段程序、交换 229 条消息，最终在 27 小时 14 分后击杀末影龙（含 6 次服务器重启）。作者称这是 AI 智能体首次端到端自主通关该游戏，这一说法尚未经独立验证。
点评：别被“会玩游戏”带偏，值得看的是它连续一天保持同一个计划、跨越数千个互相依赖的步骤。605 次死亡也说明这离“稳定可靠”还很远，更像一次长周期多智能体协作的压力测试。
02｜Reflection 开源 Beam：5010 亿参数、Apache 2.0，美国开源第二
Reflection 在 10 月 16 日把首个模型 Beam 的权重放上 Hugging Face（Apache 2.0）：混合专家架构，总参数 501B、激活 23B，上下文 100 万 token，仅支持文本。Artificial Analysis 智能指数得分 30，美国开源模型中仅次于 Meta Muse Spark Open（39），领先英伟达前一天发布的 Nemotron 3.5 Super VL（26），与阿联酋 K2 Horizon（31）只差 1 分。它完成任务平均只输出约 26k token，是 K2 Horizon 的一半；但 Terminal-Bench 4.0 仅 3.0%，知识问答幻觉率 47%。
点评：Beam 的卖点是“少说话也能答对”，对在意推理成本的团队有吸引力。但终端任务 3.0% 和 47% 的幻觉率提醒你，综合分不能代替自己的场景测试；与中国头部开源模型的差距也依然明显。
03｜Claude Haiku 5.5 与 Sonnet 5.5 独立评测出炉：看单任务成本，别只看单价
Haiku 5.5（10 月 7 日发布）按 100K 以内提示词计价为每百万 token 输入 0.10 美元、输出 0.50 美元，比 Haiku 4.5 的 1 美元／5 美元便宜九成；超过 100K 则按 0.50／2.50 美元计。它在 Artificial Analysis 智能指数得 43 分，输出速度约 237 token／秒，是该机构测过的最快模型，但平均首 token 延迟高达 337 秒。Sonnet 5.5（9 月 28 日发布，2／10 美元，价格不变）拉到最高推理档时指数 56 分，逼近 Opus 5.5，但每任务约输出 19.3 万 token，是该机构测过最多的。
点评：站内原稿写 Haiku“价格大幅上涨”，与官方定价不符，这里已按官方价格更正；真正的坑是高推理档下 token 用量暴增，单价低不等于单任务便宜。选型前最好在自己的任务上跑一遍各推理档的成本、准确率和耗时。
04｜Vera Rubin NVL72 首测：每兆瓦吞吐最高 5.7 倍，峰值只领先 1.14–1.45 倍
Artificial Analysis 公布英伟达 Vera Rubin NVL72（72 颗 Rubin GPU＋36 颗 Vera CPU）在 AA-AgentPerf 上的首批成绩，对比上代 GB300 NVL72，每兆瓦总吞吐在 DeepSeek V4 Pro 上最高约 5.7 倍，DeepSeek V4.1 Flash 约 5.4 倍，GLM-5.2 约 3.0 倍，Kimi K3 约 2.8 倍。不过这是在较高单用户速度下的最大差距；在峰值吞吐处，领先幅度只有 1.14–1.45 倍。成绩由英伟达自己提交。
点评：5.7 倍是“让每个智能体都跑得快”时的数字，GB300 在高速档位上吞吐掉得厉害，Rubin 掉得少。这对重度依赖 Agent 的云服务商是实打实的利好，但引用时别漏掉“最高”和“英伟达提交”这两个前提。
05｜FDE-Gym：最强配置只解决 95 个客户交付任务中的 14 个
FDE-Gym 基准取自 20 个客户场景、18 个行业，共 95 个由行业专家改编的端到端交付任务，要求智能体在模拟客户环境中与利益相关方沟通、操作类生产系统，并以客户自身业务指标的提升来评分。13 种模型配置里，表现最好的 Claude Opus 5.5 平均得分 0.56，只有 14 个任务达到 0.8 分以上且无事故。主要瓶颈是发现没人明说的约束条件。
点评：写代码能力强不等于能把事交付给客户。这个基准把“追问需求、摸清隐含约束”量化了，也算是对“Agent 马上替代交付工程师”的一盆冷水。
速览
- OpenGCUA 发布开源通用电脑操作智能体全栈方案，OSWorld-v2 上八个模型平均部分分提升 19.6 分。
- MAI-Gym 开源 GUI Agent 评测与强化学习一站式平台，放出 MAI-Gym-9B 模型和 2000 条验证任务。
- RoTA-Bench 测三维空间推理：GPT-5.6-Sol 成功率仅 17%，人类参与者达 100%（据论文摘要）。
- 35B 开源 MoE 智能体 MLExpert 在 MLE-Bench Lite 上把奖牌率从 37.9% 提到 72.7%。
明天早上 8 点，下一期见。
