今晚发现 · 10月27日晚报

S16 瑞士轮第三轮全部打完：LPL 一号种子 AL 被 TL（LCS）2-0 横扫，以一局未赢的成绩告别世界赛；同日 TSW 也被 LOS 淘汰。第四轮抽签随即出炉，LPL 迎来 BLG 对 TES 的内战，IG 则要过 LYON 这一关。

• AL（LPL）0-3 出局：先后输给 KC、TES 与 TL，一局未赢，是 LPL 一号种子在世界赛上首次一局未赢出局。
• TSW（LCP）同样 0-3 出局，LOS（CBLOL）2-0 将其淘汰，拿下巴西赛区在瑞士轮的首胜。
• 2-1 组：T1、BLG、TES、IG 均只差一场胜利即可晋级八强；1-2 组输家直接淘汰。
• 第四轮全部为 BO3，2-1 组胜者晋级、1-2 组败者出局。

• AL 世界赛战绩：系列赛 0-3、小局 0-4。
• 第四轮北京时间：10 月 29 日 04:00 MKOI（LEC）对 T1（LCK）、07:00 LYON（LCS）对 IG（LPL）；10 月 30 日 07:00 BLG（LPL）对 TES（LPL）上演 LPL 内战。
• 1-2 组：10 月 30 日 04:00 CFO（LCP）对 KC（LEC），10 月 31 日 04:00 TLAW（LCS）对 LOS（CBLOL）、07:00 G2（LEC）对 HLE（LCK）。
• GEN（LCK）与 DK（LCK）已 3-0 提前晋级八强。

10 月最新的一次视频模型大横评出炉：研究团队用同一批 400 条提示词盲测了 10 个平台、16 个模型。Gemini 拿下总分第一，但分项冠军分属五家平台——选模型的关键不是总分，而是你那条片子最吃哪一项能力。

• 这是一次 10 月 1–16 日的盲测：10 个平台、同一批 400 条提示词、共 4000 条成片，由 5 位专业剪辑/摄影/动画评审打分。
• 总分前三：Gemini Omni Flash 1.1（89.4）、Seedance 2.5（88.5）、Kling 3.0（87.5），前三名分差仅 1.9 分。
• 分项冠军各不相同：Gemini 赢口型同步、提示词遵循与画面文字；Kling 赢图生视频与角色一致性；Seedance 赢写实感；Hailuo 赢运动物理；Runway 赢剪辑延展。
• 免费路线：Gemini Omni Flash 1.1 在 YouTube Shorts 与 Create 里免费；Seedance 2.0 免费档 86.4 分排第二；PixVerse 付费档每秒 0.06 美元最便宜。

• Gemini 直接可用率 71.4%，为全场最高；Meta Vibes 仅 47.2%，约五分之一成片有重大缺陷。
• Seedance 2.5 单条最长 30 秒、平均渲染 118 秒、每秒 0.23 美元，是全场最贵也最慢。
• Grok 渲染最快，平均 27 秒一条。
• Sora 已不在榜单：Sora 应用 2026 年 4 月关闭、API 9 月停用。

UNIST 团队 10 月 27 日公布 FlexiAvatar：一套不挑画幅的 3D 化身技术，脸部特写、上半身、全身用同一套方法建模。它只算画面里看得见的部分，数据量几乎减半、渲染更快——对你下午看的 3D 萌娃四视图与漫剧角色一致性问题，是个直接相关的解法。

• 旧方法默认全身入镜：只拍到上半身或脸时，系统要去算没拍到的肢体，结果脸和躯干反而模糊失真，且不同画幅要换不同技术。
• FlexiAvatar 把 SMPL-X 人体模型与 3D 高斯泼溅结合，只对画面里实际可见的部分集中算力，并过滤被遮挡关节的错误位置数据。
• 脸与双手单独精修，以还原表情与手部动作；没拍到的背面与后脑则用生成式 AI 补一圈旋转辅助画面，但权重低于实拍。
• 适用场景明确指向视频会议、VR 服务与影视游戏数字内容生产。

• NeuMan 全身基准：FlexiAvatar 峰值信噪比 35.77 分贝，高于对照 ExAvatar 的 34.80 分贝。
• 真实场景全身 WildAvatar：30.98 分贝，高于 ToMiE 的 28.65 分贝。
• 脸部特写建模数据量从 8.94MB 降到 4.49MB，降幅 49.8%；渲染速度从 29.18fps 升到 39.15fps，约快 34%。
• 研究发表于 2026 年 9 月 ECCV，团队来自 UNIST 与英国阿伯丁大学。

OpenAI 昨日上线 GPT-6.1 Terra：不是更强的旗舰，而是更便宜的中档模型，专吃读屏、填表、处理文档这类量大重复的活。价格砍半后，它在电脑任务基准上与旗舰同分、成本却只有约十六分之一——适合把批量任务从 Sol 上挪下来。

• GPT-6.1 Terra 10 月 26 日上线，接替 GPT-5.6 Terra，主打视觉推理、电脑操作与更自然的写作，定位是高频量大的日常任务。
• 价格是 Sol 的一半、旗舰 Astra 的十分之一，上下文 1.05M token、最大输出 128K。
• 电脑任务上与旗舰打平：Agents' Last Exam 中等力度下 57.6%，与 Astra 相同，单任务成本 0.29 美元对 4.82 美元。
• 短板也很明确：最难的编码仍交给 Sol 或 Astra，Terminal-Bench 4.0 最高力度 50.3%，低于 Sol 的 55.9% 与 Sonnet 5.5 的 70.6%。

• API 定价：输入每百万 token 1 美元、缓存输入 0.05 美元、输出 5 美元；批量与 Flex 再半价。
• MMMU-Pro 视觉最高力度 85.5%，只比 Astra 低 1.2 个百分点。
• 低力度下诱错提示错误率从 GPT-5.6 Terra 的 53.6% 降到 16.7%，最高力度降到 4.3%。
• 上线范围：ChatGPT Work 与 Codex 的 Plus、Pro、Enterprise、Edu 用户，API 模型 id 为 gpt-6.1-terra；三少科技今日也发了同题解读视频。

01Coder 今日发了 Pi 插件 Pi Context View：不做新能力，只做一件事——让你看清 Pi Agent 此刻到底加载了哪些上下文、Skill 和插件。写 Pi 插件或调 Skill 时，先看它再动手，能少走很多“改了没生效”的弯路。

• 01Coder 今日新片介绍的 Pi 插件，卖点就是“看清”：Agent 当前的上下文、已加载的 Skill 与插件状态一目了然。
• 这正好对上 Pi 的设计：AGENTS.md 常驻注入、Skill 按需加载，出了问题先分清是常驻规则还是临时 Skill 在起作用。
• 插件开发时尤其有用：改一个 Skill 或扩展后，能直接确认它到底有没有被加载、加载顺序对不对。
• 适合已经在用 Pi 做 agent 开发的人当作排查标配，而不是再多一个花哨功能。

• 视频：01Coder 2026 年 10 月 27 日发布，标题即定位“插件开发必配”。
• Pi 的上下文分层：AGENTS.md 启动即注入、Skill 按需加载、扩展是启动时加载的代码。
• 排查思路：先看 Context View 确认注入内容，再改配置，避免凭感觉反复试。

零度解说昨晚介绍了 Strata：一个开源推理引擎，让 125B 参数的 Qwen3.8-Flash-Next 在 8–12GB 显存的普通游戏电脑上跑起来。思路不是硬塞显存，而是把专家分流到显存、内存、CPU 与 SSD 各司其职——对你关心本地部署的人来说，值得先按硬件清单自查再动手。

• Strata 不是模型本身，而是开源推理引擎，专为在消费级电脑上跑 Qwen3.8-Flash-Next 而设计。
• 办法是把整台机器都当推理系统：热专家放显存、全部专家放内存、CPU 补算、大 n-gram 查表放 SSD，而不是整层在显存与内存间来回倒。
• Qwen3.8-Flash-Next 是 125B 参数的混合专家模型，但每 token 实际激活约 6B 参数，这是它能在小显存上跑通的关键。
• 它对外提供 OpenAI 兼容与 Anthropic 兼容 API，可接现有聊天应用与编码工具，另有本地浏览器界面、视觉输入与 MCP。

• 硬件门槛：8GB 显存可跑、12GB 起步更顺，内存建议 48–64GB，模型约 70–80GB 磁盘。
• 参考机 RTX 5070 12GB：Q2_0 约 94 token/秒、IQ2_XS 约 79 token/秒。
• Qwen3.8-Flash-Next：125B 主模型 + 51B n-gram embedding，每 token 激活约 6B 参数。
• 零度解说 10 月 26 日晚的视频标题即卖点：8–12GB 显存跑 125B，老电脑也能部署。