正在加载，请稍候
今日 AI 圈 6 件事：Meta 开放 8160 亿参数 Muse Spark 权重；商务部、科技部拟增列 23 项 AI 出口管制技术并明确豁免开源；可灵 Kling 4.0 全量上线，单次原生生成 30 秒；Anthropic 向 METR 开放员工级权限。
今日 AI 圈有 6 件事值得企业决策者关注。三条主线：Meta 以开放权重发布 8160 亿参数的 Muse Spark，并让它在 Mac Studio 上跑起来；商务部、科技部就《中国禁止出口限制出口技术目录》修订公开征求意见，人工智能领域拟增列大模型、智能体等 23 项技术；可灵 Kling 4.0 全量上线，单次原生生成延长到 30 秒。三条辅线：Anthropic 把 6 名外部评估人员“请进办公室”，Replit 宣布不再与 Anthropic 合作，广东备案大模型累计达 195 款。
Meta 于 10 月 15 日通过 PyTorch 官方博客发布 Muse Spark 的开放权重版本，官方将其定位为美国迄今最强大的开源权重模型。权重当天开放下载，许可中附带了 Model-as-a-Service 使用条款。
总参数 8160 亿、单次推理只激活 420 亿、上下文窗口 100 万 token，原生支持文本、图像、视频、音频输入，主打编程与复杂 Agent 任务。Meta 同时与苹果合作，让这套模型能在搭载 M 系 Ultra 芯片的 Mac Studio 上本地运行。
对企业的启示：这条消息的真实含义不是“又多了一个能下载的大模型”，而是自建底座的选择成本又降了一档。过去只有头部云厂商能提供的百万级上下文能力，现在可以放进自己的机房甚至工位做评估。真正决定能不能落地的有三件事：推理成本要自己扛，量化、蒸馏、路由是一整套工程；许可里的 Model-as-a-Service 条款决定了你能不能把它包装成对外售卖的服务；把模型接进业务系统的活儿——数据管道、权限体系、评测基线、前端界面——才是 AIcoding 全栈开发团队真正要交付的部分。对正在规划 AI 应用的企业，建议先拿一个窄场景做对照实验，而不是直接把模型压进生产环境；模型选型的取舍逻辑，可以参考我们此前的 AIcoding 商业化与模型选型指南。
来源：PyTorch 官方博客：Muse Spark Is Now an Open-Weights Model ｜ 华尔街见闻：Meta 开源 8160 亿参数 Muse Spark Open
10 月 16 日，商务部、科技部发布 2026 年第 48 号公告，就修订《中国禁止出口限制出口技术目录》公开征求意见，拟增列人工智能、生物医药、光伏三个领域共 40 项关键技术，并同步对相关技术实施出口前登记管理。
其中人工智能领域 23 项，覆盖大模型、智能体、算力集群、信息处理；征求意见期为 10 月 16 日至 11 月 15 日。
对企业的启示：这次修订把“什么算技术出口”写清楚了：向境外转让技术所有权、境内技术授权境外使用、境内技术所有权人或实际控制人变更为境外主体，都落在登记范围内。做海外 SaaS、给境外客户交付软件定制开发项目、把 Agent 系统部署到境外节点的团队，都需要重新过一遍自己的交付合同与数据流向。公告同时明确，已通过开源、发表学术论文等方式进入公共领域的技术不纳入管理范围——这条豁免对技术路线选择的影响很直接：把能力沉淀到公开社区、以开源方式建立标准，合规成本显著低于闭源授权。需要注意的是，过渡期内已经开始但尚未完成的出口同样属于登记范围，公告发布之日起即生效，留给合规自查的时间只有一个多月。
来源：商务部、科技部公告 2026 年第 48 号全文 ｜ 新华网：两部门就修订技术目录公开征求意见
Anthropic 于 10 月 15 日宣布，已向非营利评估机构 METR 的 6 名研究人员提供员工级访问权限，用于独立评估其模型、安全实践与风险管理。
这 6 人拿到公司笔记本电脑、办公空间，以及与 Anthropic 自家风险评估团队大致同级的内部工具权限。METR 将自主发布评估报告，Anthropic 放弃否决权，仅可在客户数据、律师—客户特权信息、模型架构等预设范围内要求脱敏。OpenAI、Google、Meta、Nvidia 与 xAI 目前均已签署白宫相关协议，承诺接受独立审查。
对企业的启示：企业采购模型时，“能力分数”之外，“风险能否被第三方证明”正在变成新的评估维度。金融、政务、医疗类 AI 应用上线前通常要过安全评估，如果供应商能提供独立机构的评估结论，评估周期和材料成本都会明显下降。对自研 Agent 系统并对外提供服务的团队，这里提示了一个方向：把安全评测做成可复现的流水线，而不是一次性的验收报告，未来在投标时会成为加分项。软件定制开发项目里，越来越多的甲方会把模型可解释性与审计留痕写进验收条款，提前设计日志与评测基线，比事后补齐便宜得多。智能体安全的具体踩坑路径，可参见 智能体安全进入出厂检查时代 一文。
来源：Anthropic 官方公告：An update on independent evaluators ｜ 品玩（凤凰网）：向 METR 开放员工级访问权限
10 月 15 日晚，可灵 AI 的 Kling 4.0 正式全量上线。快手在 9 月 28 日已面向 Ultra 年费会员放出 Flash 版本，官方博客同月给出了提示词与创作控制的更新说明。
单次原生生成延长到 30 秒，全能参考最多 15 项素材、关键帧最多 10 张图片，文本输入上限 8000 tokens；输出端提供 21:9 宽画幅与 4K／1080p 10-bit HDR；Kling 4.0 API 将于近期开放。
对企业的启示：单次 30 秒直出意味着视频生成开始进入“能剪进成片”的区间——过去 5 到 10 秒的片段需要大量拼接，现在一段分镜可以一次生成。对电商、品牌营销、短视频代运营团队，这改变的是产能结构：素材试错成本下降后，真正的瓶颈会转移到批量调度、素材管理与多版本对比上，也就是把生成能力接进业务流程的工程问题，而这正是全栈开发的典型场景。可灵同步提供 API，意味着可以用 Agent 把脚本拆解、批量生成、自动筛片串成一条流水线，人只需要在关键节点做取舍。
来源：可灵官方博客：Introducing Kling 4.0 ｜ 凤凰网·大风号：Kling 4.0 全量上线
Replit 联合创始人兼 CEO Amjad Masad 在一场科技大会上表示，公司已不再与 Anthropic 开展合作，原因之一涉及成本。TechCrunch 于 10 月 16 日公开的现场录像记录了这段表态。
Replit 官方博客此前已公开其自研 harness 的设计思路与基准成绩，主张在缺少公开基线的条件下，其 Agent 的成本—性能表现更优。
对企业的启示：AIcoding 产品的成本结构里，模型调用占比很高，供应商切换的决策门槛比想象中低。Replit 的动作说明两件事：一是编程类产品对模型的替换成本正在下降，把模型层抽象出来、用统一网关屏蔽差异，已经是可以直接落地的工程方案；二是评估口径必须自建——不同厂商的基准测试口径不一致，只有用自己的真实任务集跑对比，才能把“便宜”和“好用”分开看。对国内做 AI 应用与 Agent 系统的团队，同样建议保留双供应商能力，避免单一模型的价格与配额波动直接传导到产品毛利；相关的模型路由与成本控制思路，可参考 企业 AI 成本失控深度解读。
来源：Replit 官方博客：Free the models ｜ Unite.AI：Replit CEO 谈终止与 Anthropic 合作
10 月 16 日，粤港澳大湾区生成式人工智能安全发展联合实验室成果发布会在广州举行，会上发布《广东省备案大模型观察报告（2026）》等成果，并披露截至 9 月全省累计完成 195 款生成式人工智能服务备案。
195 款备案模型中，广州 114 款、深圳 64 款，两市合计占全省超九成；备案主体约八成为中小企业；九成模型锚定教育科研、传媒文娱、企业办公、商业营销、工业制造、智能终端等具体行业场景；现场另有 31 家广东备案大模型企业获颁备案证明。
对企业的启示：模型供给的密集程度正在成为选型变量。当一个区域里有上百款完成备案的大模型，“能不能买到合规的模型能力”不再是问题，“能不能把它接进自己的业务系统”才是。对广州及大湾区的企业，这意味着可以直接在本地供应商里找合规清单内的模型，再由软件定制开发团队完成业务侧集成；同城协作也更容易把数据出境、备案核验、安全测评这些环节一次谈清楚。广州本地的 AI 应用需求目前集中在制造、商贸文旅和政务三类场景，这些也正是 Agent 落地最容易算清投入产出比的方向。
来源：南方网·粤学习：广东已备案 195 款大模型 ｜ 南方都市报：195 款备案大模型的“雨林密码” ｜ 广东网信网：生成式人工智能服务备案信息公告
| 指标 | 数值 | 来源事件 |
|---|---|---|
| Muse Spark 总参数／单次激活参数 | 8160 亿／420 亿 | Meta 开放权重 |
| Muse Spark 上下文窗口 | 100 万 token | Meta 开放权重 |
| 拟增列人工智能领域出口管制技术 | 23 项（三领域共 40 项） | 商务部、科技部 2026 年第 48 号公告 |
| 获员工级权限的外部评估人员 | 6 人（METR） | Anthropic 公告 |
| Kling 4.0 单次原生生成时长 | 30 秒 | 可灵 Kling 4.0 全量上线 |
| Kling 4.0 文本输入上限 | 8000 tokens | 可灵 Kling 4.0 全量上线 |
| 广东备案生成式人工智能服务 | 195 款（广州 114 款） | 联合实验室成果发布会 |
把今天这六条消息放在一起看，会发现它们指向同一个变化：企业采购 AI 时的决策清单，正在从“模型能力”扩展到“合规、成本、可审计”。Meta 把 8160 亿参数模型开放权重、还拉上苹果把推理搬到工作站上，压低的是底座的获取门槛；商务部把人工智能技术写进出口管制目录、同时明确豁免开源路线，抬高的是闭源授权路径的不确定性；Anthropic 把外部评估员请进办公室，说明安全评估正在从自我声明走向外部验证。三条线叠加的结果是：企业不再需要纠结“用哪个模型最好”，而需要回答“怎么把模型能力稳定地变成业务能力”。
这正是 AIcoding 全栈开发要解决的问题。过去一年里，蓝曜炬辉在项目里看到的最常见误判，是把 AI 应用当成“接一个 API”——实际上工期真正消耗在数据准备、权限体系、评测基线，以及 App、Web、小程序、桌面端多端一致的产品化上。把模型层抽象出来、把 Agent 的调度与工具调用做成可替换的模块，能让团队在模型换代和价格波动时少返工，这也是我们做全栈开发时的默认设计。工具链层面的变化同样值得关注：Kling 4.0 开放 API、腾讯云智能体开发平台 ADP4.0 这类底座出现，意味着多模态能力正在被封装成可编排的组件，企业的 Agent 系统可以直接把它们当积木用。对多数团队，更务实的路径是先把一个高频、可量化的场景做透，再用同一套架构复制到第二个场景：一次性铺开五个场景的项目，通常在第二个月就会遇到维护成本失控。
如果你的团队正在评估把大模型接进现有业务系统，或者需要一份针对自身场景的 AIcoding 转型评估，可以联系我们做一次 30 分钟的免费咨询。我们会基于你的数据现状、合规要求与工期目标，给出可执行的技术路径和大致工作量，不推销不需要的东西。