# AI零帧起手写算子，反超DeepSeek人类手写巅峰：快了9.8%

100万道实战题，还得防AI作弊！320B国产基模技术细节揭秘

新智元报道，至知创新研究院（IQuest Research）公开了IQuest-Q1的完整技术报告《IQuest-Q1: Advancing Foundation Capabilities for Agentic CLI Systems》。该模型为320B总参数、15B激活参数的开源模型，面向代码开发、命令行交互和复杂Agent任务；报告给出30项Benchmark成绩，对照模型包括Claude Opus 5、GPT-5.6 Sol等，并披露29T Tokens、超过100万个可执行任务实例、1.93×的架构规模化效率以及一套防止模型「作弊」的训练机制。文中列举了AutomationBench、τ³-Banking、SkillsBench、MCP-Atlas、Toolathlon-Verified、Claw-Eval等评测分数。适合关注开源基础模型训练细节与Agent能力评测的人阅读。

xingjian-bai/opal

这是一个 PyTorch 优化器包装器项目，名为 OPAL（OPtimizer with an Agent in the Loop）。它让编码智能体在模型训练过程中持续改写优化器：用户用一行代码包装现有优化器，智能体（Claude Code）定期读取运行报告，决定是否重写把梯度转为更新的优化器程序，以及用于衡量指标的析程序。标签包括深度学习、LLM 智能体、优化器、PyTorch。

8B逆袭32B！开源首个长程交互SQL Agent框架，面向真实数据库

新智元报道，介绍港科大与微软等团队推出的 HarnessSQL：面向真实数据库的首个原生长程环境交互训练框架，在密闭沙盒与专用 SQL Harness 中进行长程轨迹监督微调与执行奖励强化学习。文中把交互式 Text-to-SQL 形式化为 POMDP，并分析传统静态训练导致的「训练与部署脱节」问题。结果显示，在 Spider 2.0-SQLite 上 8B 模型取得 45.2% 执行准确率，14B 模型达 54.8%，并与 32B 专用模型和多智能体系统做了对比。文内附论文与开源代码链接。

deepseek-ai/dsh-superagent-prototype：迈向更自主的智能体系统

deepseek-ai/dsh-superagent-prototype: Towards a More Autonomous Agent System

这是 DeepSeek 在 GitHub 上发布的研究原型仓库 dsh-superagent：一个面向单个 GitHub 仓库的主动式编码 agent，打包为 DeepSeek Harness 的 bundle。它监听 GitHub（可选监听飞书），当被授权的人提出工作请求时，会创建 work item，在自己的 agent 会话和目录中处理，并在原对话中回复，例如提交 pull request；另有网页面板展示哪些事项需要人工介入。README 注明这是仅供参考的研究原型、并非官方 DeepSeek 产品，工程由 coding agent 大量完成，可能存在缺陷、代码风格与工程实践不一致，使用前需自行审查调整。材料未给出更具体的适用读者说明。