DeepSeek-V3.1现已更新至DeepSeek-V3.1-Terminus版本。官方公号表示，此次更新在保持模型原有能力 的基础上，针对用户反馈的问题进行了改进，包括：语言一致性，缓解了中英文混杂、偶发异常字符等 情况；Agent能力，进一步优化了Code Agent与Search Agent的表现。 此次更新在保持模型原有能力的基础上，针对用户反馈的问题进行了改进。 ...

GitTaskBench评测框架创新 - 突破现有AI编码评测局限，首次提出仓库级测评新范式，考察从仓库理解到项目交付的全链路能力[2] - 联合中科院、北大、港科大等顶尖机构共同开发，引入"经济收益"作为核心评测指标[2] - 覆盖7大模态×7个领域×24个子领域的54个真实任务，包含18个后端仓库[3] 评测体系构建方法论 - 采用四阶段构建流程：仓库遴选（Stars≥50+近五年活跃）、完备性验证（100%人类可复现）、执行框架设计、自动化评测[10] - 每个任务配备完整GitHub仓库+自然语言指令+明确输入输出格式+自动化评测系统[4] - 仓库平均包含204个文件、1,274.78个函数、52.63k行代码，文件间引用依赖达1,242.72次[3] 三维能力评估体系 - 整体编码掌控：读文档、解依赖、生成/修改/调试代码[9] - 任务导向执行：多轮推理与工具使用，利用代码仓库但不局限于仓库[9] - 自主环境配置：独立安装环境/解决依赖，不借助预置镜像[8] 经济可行性量化模型 - 首创α值指标：α=1/n×∑[(T×MV×Q)-C]，量化任务自动化带来的净收益[12][13] - T为任务成功二元标记（与ECR一致），MV为人工完成市场价值，Q为质量系数（0-1），C为API成本[15] - 该模型评估Agent方案在各领域的经济可行性，量化成本节省与效率提升[13] 主流框架性能表现 - OpenHands+Claude 3.7获得最佳成绩：ECR 72.22%/TPR 48.15%[15] - GPT-4.1成本效益突出：成功率次优的同时，成本仅为Claude的1/10-1/30[15] - 开源模型表现：Qwen3-32B以更少token达到Claude 3.5约60%水平[15] 跨领域经济价值分析 - 高价值领域：视频类（VideoPose3D）、语音类（FunASR）、生理信号类（NeuroKit）任务可获得最大正向alpha收益[18] - 低价值领域：图像处理任务（MV≈$5-10）当执行成本超过$1-2时alpha为负[19][20] - 市场价值分布：视频动作分析$150，语音识别$100-200，生理信号分析$60，而图像增强仅$5-10[22] 实际应用指导价值 - 框架选择需三元权衡：效果、成本、API调用[24] - 可作为Agent基础设施的回归测试场，支持基座对比和工作流改进[27] - 提供企业级应用落地评审标准，通过ECR/TPR/α三维指标支持上线决策[27]

纪要涉及的行业和公司 - **行业**：AI、计算机行业 - **公司**：华泰证券、微软、Cloud、苹果、腾讯、Workday、ServiceNow、Salesforce、Cruel AI、Mona、OpenAI、亚马逊 纪要提到的核心观点和论据 - **AI商业化进展**：过去两年全球AI商业化主要成果集中在chatbot领域，市场期待的能替代人类执行连续复杂多步骤任务的agent尚未出现，微软Copilot未实现早期演示效果，原因是模型能力和产品工程化问题[2] - **Minus产品影响**：虽非创新模型，但提供在现有模型能力下实现多任务Agent的新思路，引发开源社区对Agent落地应用的关注和复刻尝试[3][4] - **Multi - agent系统**：是AI发展重要方向，通过多智能体协同工作弥补单个智能体能力不足，如Minus系统不同智能体负责不同任务，由不同模型驱动，提高任务自动化执行能力且工程化落地较好[3][5] - **2024年AI技术突破**：在感知、定义、记忆、规划和行动五个环节取得突破，多模态模型增强感知能力，记忆和上下文处理技术升级，思维链方法提升规划能力，行动环节虚拟机形态解决数据源访问问题，Agent编排能力分配任务[3][6][8][9] - **大模型进展**：在推理与行动上进展显著，通过思维链（COT）方法和推理加行动（Reasoning + Acting）的工程实践实现，企业级应用常见人机协作方式[3][10] - **Code Agent发展**：发展相对成熟，能自动完成编码相关任务并集成到IDE环境，应用场景从代码生成扩展到测试和调试等环节[11] - **通用场景延伸**：关键因素是数据权限放开程度，不同数据处理范围作用不同，苹果和腾讯等公司整合个人行为数据提升个性化服务[12] - **MCP协议作用**：为云端系统设计的通信协议，确保agent信息共享和任务协作标准化，苹果预期打通第三方应用数据权限并整合个人行为数据[13] - **Multi Agent系统现状**：初具雏形，技术能力得到验证，工程化准备相对成熟，多Agent生态有望快速迭代发展[15] - **Multi Agent系统构成要素**：由各类agent、合作类型、系统结构、协作策略、协调机制构成，主流采用动态机制协作[16] - **多智能体协同系统运作**：包括环境与上下文感知、协作层、影响因子，目前处于中期模型共享及相互智能能力交换阶段[17] - **多智能体系统合作模式**：包括合作、竞争、竞争合作三种模式，各有特点[19] - **多智能体系统策略分类**：分为基于规则、基于角色、基于模型三种方法，目前主流是基于模型的协作方式[21] - **多智能体系统结构分类**：分为集中式、分布式、层次式三种，集中式架构较为普遍[22] - **多智能体系统协调机制**：包括静态协调和动态协调，动态架构更为常见[23] - **多智能体验例**：Menus产品采用集中式动态决策、基于模型判断的技术架构，包含信息检索、代码生成、数据分析三类agent[24] - **开源多代理框架**：提供预制技术架构及工具集，有任务执行等多个方向，如Cruel AI、Mona等框架具备关键特征[25] - **多智能体开源架构**：包括Python框架、OpenAI的a one架构、微软AutoGen升级版Magical One、亚马逊AWS上的Motion Agent编排器、OWL by开幕AI等，各有特点和不足[27][29] - **企业需求与布局**：企业有复杂任务编排需求，海外To B软件公司如Workday、ServiceNow和Salesforce等在2025年Q4介绍了multi - agent编排系统，产品落地节奏影响商业化变现[28] - **多智能体技术对互联网影响**：将从个体发展成网络，成为下一代互联网重要组成部分，2025年加速产业化，推动计算机行业股票上涨，各大互联网公司纷纷布局[3][29][30] 其他重要但是可能被忽略的内容 - 2023年感知模块早期大模型主要支持文本理解，多模态模型发展增强视觉理解能力；记忆模块围绕长期、短期记忆及上下文处理技术升级，如Cloud推出MMCP协议；规划模块引入思维链方法[8] - 行动环节虚拟机形态以Minus为例可通过编码或操作屏幕获取网页数据，agent编排能力基于角色分配协同工作，如文档编辑项目[9] - 苹果18.3或18.2系统中用户可选择是否允许AI学习其使用APP习惯，为数据打通和行为数据整合做铺垫[13][14]