每周 AI 工具观察 · 第 3 期

这是「每周 AI 工具观察」的第 3 期。每周一更新，一期看完本周值得关注的 AI 工具动态。所有工具都以亲手实测为准，没测过的只谈事实、不下结论。

本周工具动态

1. 开源权重周：Meta 和 Reflection 一周连发两颗重磅，美国实验室开始回应中国开源

10 月 15 日，Meta 放出 Muse Spark Open：816B 总参数、每 token 激活 42B 的稀疏 MoE，原生多模态（文本、图像、视频、音频输入），上下文 100 万 token，定位就是 coding 和长程 agent 任务。Meta 的措辞很直接——“the most capable US open-weight model to date”，美国实验室最强的开源权重模型。Hugging Face 上的模型卡把规格钉死：62 层、每层 256 个专家、每 token 路由 8 个，checkpoint 给了 BF16 和 NVFP4 两个版本。跑分上，Meta 自己的表里 Artificial Analysis Intelligence Index 39 分，低于 GLM 5.3（45）和 Kimi K3（44），Terminal-Bench 2.1 76.4 分也落后于两者（83.9 / 85.0）；但在 MCP-Atlas 工具调用测试上 89.2 分反超（84.2 / 82.3）——vendor-reported，看个方向就行。最有意思的是硬件故事：Meta 说它能跑在两台 M5 Ultra Mac Studio（每台 512GB 统一内存）上，社区实测整理称 4 台组网下约 37 tokens/秒、两台约 25 tokens/秒——顺带一提，这个 512GB 配置的 Mac Studio 按报道要到 10 月底才开售，想照着跑的先别急着下单。

紧接着 10 月 16 日，Reflection 的 Beam 也兑现了承诺：上期还处在 final red-teaming，这周权重直接放出，501B 总参数、每 token 激活 23B，100 万 token 上下文，Apache 2.0 许可——这是本周三份权重里许可最干净的一份。附带放了两样别家通常不给的东西：DFlash2（做推测解码的小模型，推理加速用）和 Mirror CLI（官方称就是训练 Beam 用的训练框架）。据 Tech Insider 的解读，权重给了 BF16、FP8、NVFP4 三种格式，第三方托管价约 1.30 美元/百万输入 token、0.13 美元/百万输出 token（第三方报价，未经官方确认）。

同一天落地的还有 DeepSeek 的 V4.1-Flash-1017：MIT 许可的开源权重同步上架 Hugging Face，模型卡标 763B 参数、100 万 token 上下文。DeepSeek 把它定性为“minor update”，但跑分涨得不小：DeepSWE v1.1 从 74.2 到 77.0（在它自己的表里领先 Claude Opus 5 的 74.0），Terminal-Bench 4.0 从 31.2 跳到 42.3。更狠的是成本图：一个 DeepSWE 任务旧版约 0.50 美元，新版不到 0.20 美元，对手们在同一张图里是 2 到 10 美元一档——几家第三方整理的结论一致：近 frontier 能力的任务，第一次跌破 2 毛钱。API 侧价格没变（输入 0.15 美元/百万、输出 0.60 美元/百万），顺带开了 Search 和 Fetch API，每千次成功调用 0.75 美元，通过 DeepSeek Harness、Claude Code、Codex 的服务端调用 10 月 31 日前免费。(AI Weekly 整理 / AI Compass 速报)

我的看法：“open weight”这个词本周被拆成了三种完全不同的东西，选型前先读 license，别只看参数量。Beam 的 Apache 2.0 最省心，商用、改、再分发都没包袱；DeepSeek Flash 的 MIT 同样干净，是三家里对独立开发者最友好的；Muse Spark Open 的 Muse Model License 则是自定义条款——“Built with Muse Spark Open”的署名强制要求，年营收超 2000 万美元的模型即服务商要和 Meta 另签协议。内部用、做产品功能不受限，但你要是做 API 转售生意，这条款就是头上的剑。另外盯一个趋势：这三家都在往“大总参、小激活”的 MoE 形状挤（816B/42B、501B/23B），稀疏化正在把“看起来吓人的参数量”和“实际要付的推理账单”脱钩——评估开源模型别再看总参数，激活参数和量化后的显存占用才是真成本。

再补一笔账，帮你看清“下载”和“跑起来”之间的距离。Muse Spark Open 的 BF16 全量权重约 1.65TB，NVFP4 量化版约 537GB——4bit 之下仍要小 500GB 显存/统一内存，这就是为什么 Meta 的参考配置是两台 512GB 统一内存的 Mac Studio 起步，云端则是 4 卡 H200 起。Beam 的 501B 按 8bit 量化约 500GB，同样是“多卡服务器起步，本地党等社区量化”的体量。换句话说：本周的三颗重磅，短期内对绝大多数独立开发者都意味着“走托管 API”，而不是“自己搭 serving”。托管侧的价格已经摆出来了：Muse Spark Open 在 OpenRouter 上 1.25 美元/百万输入、4.25 美元/百万输出；Beam 的第三方报价 1.30/0.13（输入/输出，输出便宜得反常，待官方确认）。自己搭 serving 的账可以先不算，但托管 API 的价格要记下来——这是你和闭源模型比价的基准线。

还有一个容易被忽略的信号：Beam 附带的 DFlash2 和 Mirror CLI。DFlash2 是做推测解码的草稿模型（小模型先猜、大模型批量验证，提速不降质），Mirror CLI 则是官方自称训练 Beam 用的训练框架开源版。开源权重发布通常只给权重，训练工具链是看家本领——Reflection 把这两样一起放出来，打的是“生态牌”：让你不只用它的权重，还用它的加速和训练管线。对独立开发者的启示是：选开源底座时，把“配套工具链的完整度”也放进评分表，权重下载只是第一步，量化、推理加速、微调工具链决定了你后面三个月要踩多少坑。

实操建议给具体点：本周三份权重都是刚落地、社区独立跑分还没跟上，别急着换生产底座；但可以现在就做三件事——1）把你的核心任务做成一版固定评测集（prompt 固定、评分标准固定），Mistral Large 4 的权重 10 月 27 日也要落地，四家凑齐后做一轮 A/B，一次把选型定了；2）license 先读：Apache 2.0/MIT 的直接进候选，自定义 license 的让法务（或你自己）看完商用条款再动手；3）serving 方案先按“托管 API”做，本地部署等社区量化版和独立跑分出来再说——上期说的“发布和可用之间隔着一个月”，这期亲眼验证了。

最后给一张本周的 license 速查，选型时贴在墙上：

Reflection Beam：Apache 2.0，最干净，商用/修改/再分发无附加条件
DeepSeek V4.1-Flash-1017：MIT，同样干净，独立开发者友好度最高
Meta Muse Spark Open：Muse Model License 自定义条款，强制“Built with”署名，年营收超 2000 万美元的模型即服务商需另签协议
Mistral Large 4（10 月 27 日）：license 全文待公布，preview 版先别做生产决策

记住上期纠正过的教训：上期把 Mistral 的激活参数误写成 49B，官方 model card 是 52B——发布会当天的数字先打个问号，等 model card 落定再写进方案。这周的三份权重同理：参数、跑分、价格，先以模型卡和官方价格页为准，媒体转述只做交叉验证。

2. 推理变便宜，但便宜是有期限的：Gemini 4 Argon GA 定价翻倍倒计时，Claude Haiku 5.5 降价九成

10 月 13 日，Google 把 Gemini 4 Argon 推向 GA：付费 Gemini API、AI Studio、Antigravity（Ultra 订阅）、Gemini 企业版全量可用，入门价输入 2 美元/百万 token、输出 10 美元/百万 token，缓存输入 95% 折扣（0.10 美元/百万）。但价格页脚注里埋了个闹钟：11 月 30 日之后涨到 4 美元/20 美元，直接翻倍。按 dev.to 上 Tech AI Wire 的整理，Batch/Flex 档是 1 美元/5 美元（12 月后 2 美元/10 美元），免费档和 Google AI Pro 档都用不了。跑分上 Google 自报 Artificial Analysis Intelligence Index 52.6，与 GPT-6 Astra 持平；Vals Index 68.9 领先 Claude Opus 5.5 的 67.0；但 FrontierSWE v2 55.0 落后 Astra 的 65.5，Terminal-bench 4.0 57.4 落后 Opus 的 66.4——长程 agent 编程和终端任务上，Astra 和 Opus 依然占优。顺带一个技术细节：Argon 支持单次响应 100 万 token 输出（自动续写协议），远超常见的 64K–256K 上限。(Morning Tokens 10 月 14 日日报 / Tech AI Wire 详解)

同一周，Anthropic 的降价组合拳也在发酵：10 月 7 日发布的 Claude Haiku 5.5，10 万 token 以内输入 0.10 美元/百万、输出 0.50 美元/百万，比 Haiku 4.5 降 90%；超 10 万 token 的档是 0.50/2.50，降 50%。但有两个细节不能漏：一是 Haiku 5.5 的 tokenizer 对同一文本多计约 30% 的 token，实际省的是 87% 左右而非 90%；二是 Anthropic 同时把 Sonnet 5.5 的缓存读取价格砍半到 0.10 美元/百万，官方称 agent 类工作整体便宜约 20%。另外 Max 5x/20x 订阅用户每月分别拿 100/200 美元 Claude Platform API 额度，Team 用户最高 500 美元——等于变相给开发者发了 agent 实验经费。便宜之外，能力也没缩水：Anthropic 自报 Haiku 5.5 在知识工作评测 GDPval-AA v2.1 上 1620 Elo（上代 735），计算机使用评测 OSWorld 2.1 离线子集 72.4%（上代 15.7%），Humanity’s Last Exam 带工具 57.4%（上代 18.7%）——vendor-reported，独立验证还没跟上，但“小模型干重活”的方向是对的：1M 上下文、12.8 万输出 token，定位就是高频重复任务和 sub-agent。(AI Weekly 整理 / Pivot Build 分析)

我的看法：这周的价格信号要分两层读——“变便宜”是真趋势，“限时便宜”是营销手段。Argon 的 2/10 到 11 月 30 日，之后 4/20，等于 Google 拿七周的低价窗口换开发者锁定：你现在要做的是拿这七周跑真实工作负载、按任务算清 token 账，12 月涨价前决定它值不值 4/20——别等到账单翻倍才发现自己被“锁仓”了。Haiku 5.5 的 0.10/0.50 则是另一条路：小模型专啃高频重复活（摘要、分类、sub-agent、compaction），大模型只干难活——“路由分级”这件事，现在有了价格上的硬理由。

价格战背后还有一层结构性变化：便宜的不只是 token，还有“完成一个任务”的总成本。DeepSeek 这周的成本图把话说透了——Flash-1017 在 DeepSWE 上 77.0% 的解决率，单任务成本不到 0.20 美元，旧版 0.50 美元，对手们 2 到 10 美元。以后比价别只比“每百万 token”，要比“每完成一个任务”：输出更短、步骤更少的模型，哪怕单价贵一点，总账可能更便宜。Anthropic 的官方口径也是这个逻辑——Haiku 5.5 “平均便宜 75%“是按真实请求分布算的，不是按价目表 headline 算的。

落到独立开发者的流水线设计，给四条可直接抄的：1）按任务难度做模型路由，简单调用全部下沉到 Haiku 5.5 / Flash 这档，每月先省 70%+ 的 token 账；2）缓存是第二省钱项，Sonnet 缓存读取降价后，长上下文的 agent 循环（反复读同一份代码库）优先走缓存友好的写法——prompt 前缀保持稳定，别每次换措辞；3）任何“限时价”进生产前，先按涨价后的价格重算一遍单位经济模型——Argon 的 4/20 才是它的真实定价，2/10 只是试吃装；4）Anthropic 给 Max/Team 订阅发的 API 额度（100–500 美元/月）是白来的 agent 实验经费，这周就去领，别等过期——拿它跑你的路由 A/B 测试，零成本。

3. 专精小模型开始抢戏：8GB 显存跑图的 FLUX Klein，会“记东西”的腾讯 Hy Memory

10 月 15 日，Black Forest Labs 发布 FLUX 3 Image Klein：5.6B 参数的开源权重，文本生图、图像编辑、最多 10 张参考图的多图生成全支持，继承了 FLUX 3 家族的原生 4K 生成和像素级编辑。关键数字是显存：BF16 版 11.2GB，FP8 版 5.6GB，INT8 版在 8GB 显存的消费级显卡上就能经 ComfyUI 或 Diffusers 跑起来。发布形式也很实在：base 版给微调，step-distilled 版给低延迟，FP8/INT8/NVFP4 三种量化一次给齐（NVIDIA 参与了量化支持）。多参考图生成（最多 10 张参考图）是另一个被低估的功能：电商产品图换场景、人物写真换服装、IP 形象多角度出图，过去要么靠精修要么靠抽卡，现在框选 + 参考图就能定向改——bounding box 让编辑范围可控，“改哪里”第一次有了精确的笔。(Unite.AI 报道)

10 月 16 日，腾讯混元发布 Hy Memory 2.0：一套开源的记忆栈——Hy-Memory-30B-A3B 记忆写入模型（约 3B 激活参数，专门负责往外部记忆系统里写）、配套框架（管对话、工作、代码三类记忆）、MemHub 管理层，权重上了 Hugging Face 和 ModelScope，还附了篇 arXiv 论文（2610.22196）。按腾讯公布的数字，这个 30B 的 specialist 在长期记忆基准上压过了 Claude Opus 5 和 DeepSeek V4.1 Flash——这是 frontier 实验室根本不卖的一类能力：专门记东西的模型。(Local AI Zone 10 月模型更新汇总，单源整理，待更多独立验证)

我的看法：大权重负责“秀肌肉”，小专精负责“进货架”——对独立开发者，后者才是这周真正的生产力。FLUX Klein 的意义不在参数，在“8GB 显存”这五个字：内容创作者的笔记本/单卡工作站直接能跑，意味着 AI 封面、产品图、文章配图的生成成本从“调 API 按张付费”变成“本地一次投入”。算笔账就知道为什么重要：一条日更内容线每天 5 张配图，API 按张计费一年下来够买半张显卡了，而本地跑的边际成本接近零——高频、固定风格的出图需求，现在就该迁到本地。更值得玩味的是 Black Forest Labs 的技术路线：FLUX 3 家族在图像、视频、音频之间共享学习——图像贡献空间细节、视频加运动与物理动态、音频提供事件信息，用多模态信号让生成的图“更贴近真实世界”。小参数 + 跨模态共享学习，这可能是未来一年“够用且便宜”的生成模型的主流形状。

Hy Memory 2.0 则指向另一个被低估的方向：agent 的记忆正在从“提示词里塞历史”变成“专门的记忆子系统”。Google 上周发布 agent 时给了四种记忆的平台能力（session/semantic/procedural/episodic），腾讯这周直接开源了一套记忆栈——记忆写入模型 + 框架 + MemHub 管理层。长期跑的 agent（客服、个人助理、自动化运营），记忆很快会从“实现细节”变成“架构件”。注意它的分工设计：Hy-Memory-30B-A3B 只负责“写”这条路径——决定什么值得记、怎么记、记到哪。读路径和检索是框架的事。这种“读写分离”的记忆架构，恰好对应了 agent 最常见的两个坑：该记的没记（写路径弱）、记了的找不回来（读路径弱)。

实操建议：1）有固定出图需求的，这周就拉 FLUX Klein 的 INT8 版在 ComfyUI 里跑一版你自己的风格，对比下和 API 出图的质量差——重点测“像素级编辑”和 bounding box 框选改图，这两个是内容生产里最高频的动作；2）做长期 agent 的，别再手写“总结历史塞进 prompt”的土办法，Hy Memory 这类记忆框架值得搭个 demo 评估——记忆写坏的 agent，跑得越久错得越离谱；3）把“专精小模型”单独列一个选型清单：出图、记忆、代码补全、 rerank，每一类都找一个能本地跑的开源选项——frontier 大模型负责难任务，专精小模型负责把边际成本打到零，这才是健康的成本结构。

值得关注的更新

Workday 收购 C1.ai，做 agent 的“人事科”：10 月 13 日 Workday Rising 大会上宣布签署最终协议，收购 agent 身份治理平台 C1.ai（价格未披露，预计 2027 财年 Q4 完成交割）。逻辑是把“人入职-转岗-离职”的权限生命周期套到 agent 身上：agent 注册后按需拿权限，任务结束立刻回收。官方新闻稿里的数据很扎眼：95% 的美国大公司已在跑自主 agent，只有 21% 有成熟的治理手段。上期刚说“agent 有了工牌”，这周就有人开始收购“发工牌的部门”了。(C1.ai 官方新闻稿 / Unite.AI 报道)
AWS 也开始给云做 agent 体检：10 月 12 日 AWS 预览了 Well-Architected Agent，帮团队做云架构评审；配套还加了 Well-Architected Framework 的数字主权 Lens。方向一致：agent 正在从“能力问题”变成“运维和治理问题”。(Genesis IT 周报整理，单源整理)
Claude Haiku 5.5 的降价细节值得再看一眼：90% 降幅只覆盖 10 万 token 以内的请求（Anthropic 称老模型 90% 的请求落在这个区间），超了按 5 倍计价；新 tokenizer 多计约 30% token。长文档任务先测 tokenizer 再估成本，别被 headline 数字骗了。(Kaizen 的避坑分析)
Cohere North 2 支持私有部署+支出控制：据 ODSC 上周 AI 速报，Cohere 的 North 2 带私有部署和支出控制入场——“支出上限”正在从 Google 的一家之言变成全行业的标配动作。(ODSC 速报，单源)
Mistral Large 4 权重 10 月 27 日落地倒计时：上期记的日期不变，“Le Chonk”预计 10 月 27 日放出权重并公布 license 全文。下周期待：license 到底是不是真开源、社区第一手跑分。(OverSmartAI 的发布前整理)

一句话点评

本周的关键词是“开源权重”与“价格战”：美国实验室终于下场回应中国开源（Meta、Reflection 一周双发），推理价格一边跳水一边设闹钟（Haiku 降九成、Argon 限时半价）——模型越来越不值钱，值钱的是你手里的评测集、路由策略和 token 账本。

下周值得看

Mistral Large 4 权重 10 月 27 日落地：第一时间看 license 全文（到底是不是真开源）与社区独立跑分
本周三份权重（Muse Spark Open、Beam、Flash-1017）的社区独立评测复核：重点看 agent 编程任务的真实表现与 serving 成本
上期承诺的三项实测（OpenShell 内核级沙箱实测报告、Claude Code Skills 从 0 到 1 打包教程、「独立开发者 AI 工具箱」清单同步本站工具库）仍在排队，下周继续推进

往期回顾：这是第 3 期。