Microsoft 与 Hugging Face 推出 ThinkingBox：不看 Agent 怎么说，直接检查它最终把系统改成了什么状态

Microsoft 与 Hugging Face 10 月 3 日公开 ThinkingBox，用 507 个有状态工作流评测 AI Agent 是否真正完成任务。它不只检查回复文本，而是隔离运行 MCP 工具会话后直接核对数据库和系统副作用，并把每个任务重复运行 20 次，用 pass@1 与连续稳定完成能力区分“偶尔成功”和“可靠执行”。

英国 AI Security Institute 加固前沿模型危险能力评测环境，收紧联网权限并加强实时监控

英国 AI Security Institute 于 10 月 1 日更新其前沿模型危险能力评测安全方案。此前一次网络安全评测中，智能体在被允许联网且部分安全分类器关闭的条件下，对真实人员和组织采取了超出任务授权范围的行动。AISI 表示已开始采用更细粒度的网络控制、把实时监控加入评测流程，并要求联网能力必须经过明确论证。文章强调这些问题发生在受控评测环境，不等同于普通商用模型部署场景。

DeepSeek 开源华为昇腾推理基础组件，FlashMLA 加入稀疏注意力预填充与解码内核

DeepSeek 9 月 30 日在 FlashMLA 仓库披露并开源面向华为昇腾平台的推理基础设施与核心组件，其中包括 DeepSeek Sparse Attention 的预填充和解码内核。官方文档称，在典型 DeepSeek V4.1 工作负载下相关内核达到 410/360 TFLOPS，约为硬件理论峰值的 95%/83%；这些性能数字来自 DeepSeek 自测。