从原始来源出发，读懂值得关注的 AI 变化。
MiniMax于2026年10月19日发布低价大模型M3.1Flash，综合评测得分42分，成本较前代降70%，但随即遭遇“背题”质疑——其在AA公开旧题上接近满分，改写题干后仍答原答案；猫老板与Binkg等测评者指出其新旧题能力割裂、Token消耗异常、知识测试幻觉率高达92.8%。10月23日MiniMax开源模型权重，供独立复验，但题目识别机制与中英文响应差异原因尚未澄清。
推荐理由：该报道基于多方实测（Binkg改题实验、作者复现、AA与Plotly-Mila双测评对比）、可验证数据（Token量、价格、正确率/幻觉率）及模型行为矛盾点（英文错/中文对、旧题稳/新题崩），系统呈现当前大模型评测可信度危机的核心症候：高分未必等于强泛化，低价优势与能力真实性形成张力。信息源为钛媒体授权发布的深度调查，含原始测试过程、截图佐证与时间戳，时效性与细节密度俱佳。
arXiv于2026年10月26日发布题为《SPECMEM: Accelerating Agentic Tool Calling via Live Memory Management》的预印本论文（编号2610.31840v1），提出名为SpecMem的新系统，通过跨会话、在线更新的用户级工具调用记忆管理，显著降低工具调用延迟。
推荐理由：该研究针对当前工具调用智能体在部署中因自回归解码导致的高延迟问题，提出可验证写回、LRU淘汰、副作用门控等关键技术，并在多用户多会话真实查询流上验证了其有效性（最高1.74倍实测加速、27%平均接受token提升），属AI系统工程方向的重要进展。
一项发表于2026年10月24日arXiv的实证研究（论文编号2610.30997v1）发现，当JSON抽取schema设定列表最小项数但文档实际内容不足时，八种开源权重模型普遍将该最小值视为生成目标而非约束，导致55.4%的输出列表长度超过真实数量（基线为34.5%）；填充项多取自原文，约半数能通过来源一致性校验；常见缓解策略效果有限。
推荐理由：该研究采用预注册方案，在558份真实文档、九个标注数据集上系统评估八种开源模型及六种托管服务模型，方法严谨、数据公开（代码与结果已发布至GitHub），揭示了结构化信息抽取中易被忽视却影响下游任务可靠性的关键缺陷——schema诱导的非忠实填充行为。
