自動 AI 新聞摘要：MXC 沙盒安全防護、決策模型浪潮與端點 GPU 加速

前言

本文由 Horizon 抓取資料，再由 Codex 篩選與改寫；Horizon 只負責資料抓取。今天的核心脈絡聚焦在自主 Agent 的執行安全沙盒、單步決策模型（Decision Models）的爆發，以及端點推論硬體加速的標準化。隨著 AI 深入實際程式碼執行與自動化決策，系統架構正在從單純的「產生文字」轉向「受限執行、極速判斷與全平台落地」。

微軟開源沙盒程式碼執行系統 MXC：為 Agent 構建安全執行防護層

微軟正式開源 MXC（Microsoft Sandboxed Code Execution），這是一套以 Rust 打造（約 35 萬行程式碼）的跨平台沙盒隔離系統，底層整合了 Linux（Bubblewrap）、macOS（Seatbelt）與 Windows（Process Container）等作業系統原生隔離技術。MXC 提供了獨特的「學習模式（learning mode）」，可自動追蹤並產出執行階段所需的最小權限配置，同時提供直覺的 SDK 供開發者整合。

隨著 Coding Agent 與各類自主工作流的普及，讓模型在未受限的本機或伺服器環境中執行任意生成代碼，存在極高的安全性威脅。過去手動配置不同 OS 的原生沙盒機制極度繁瑣且易生漏洞。社群討論指出，雖然 macOS 平台的實作目前尚缺少基於 Hostname 或 CIDR 的細粒度網路過濾，但 MXC 將多平台沙盒抽象為標準化 SDK，為開發安全、可控的 Agent 執行環境邁出了關鍵一步。

來源：GitHub：microsoft/mxc 沙盒代碼執行系統

「決策模型」風潮興起：微軟推出 Decision-1、H2O.ai 開源 Lightning-4B

在 Jev 掀起「決策 API（Decisions API）」範式後，產業界正掀起一波專用決策模型浪潮。微軟在 Model Foundry 上線了 Microsoft-Decision-1 決策模型；H2O.ai 則開源了基於 Apache 2.0 授權的 H2O-Lightning-4B，在公開評測榜 JevBench 上取得 72.5 分超越 Jev 1.13，且在 H100 晶片上單次決策延遲僅約 30ms；此外，專攻決策模型的 TypeSafe AI 亦宣佈完成 8.7 億美元融資。

傳統大型語言模型依賴逐字 Token 生成來做判斷，不僅延遲高昂，成本也隨上下文長度膨脹。決策模型採取全新思維：輸入當前狀態與具型別的選擇題（是非題、單選題或評分），在單次 Forward Pass 中直接輸出校準後的機率分佈，完全不消耗生成 Token。這種極致輕量且確定性高的架構，正在成為各類 Agent 路由分流、審查過濾與即時自動化判斷的高性價比新標準。

來源：Microsoft CommandLine：Microsoft-Decision-1, our model for fast decision-making

Google AI Edge 開源 ML Drift：跨平台端點 GPU 加速推論引擎

Google AI Edge 團隊宣布以 Apache 2.0 授權正式開源 ML Drift。這是一套專為裝置端（On-device）AI 與機器學習推論設計的高效能跨平台 GPU 計算引擎，全面抽象化了 Metal、WebGPU、OpenCL、OpenGL ES 及 Vulkan 的底層呼叫。ML Drift 除了作為 LiteRT（前 TensorFlow Lite）的核心 GPU 加速引擎外，亦可作為獨立函式庫嵌入客製化的推論環境。

隨著邊緣小模型普及，端點推論正面臨作業系統與圖形 API 碎片化的嚴重挑戰。開發者往往需要為 iOS 的 Metal、瀏覽器的 WebGPU 以及 Android 的 OpenCL 或 Vulkan 分別編寫與調校推論內核。ML Drift 透過統一的跨平台硬體抽象層，大幅降低了端點高效能部署的門檻，讓端點生成式 AI 與即時視覺模型能在各種設備上釋放最大算力。

來源：GitHub：google-ai-edge/ml-drift 端點 GPU 加速引擎

Agent 生命週期管理成熟化：OpenAI 與 Anthropic SDK 同步升級

OpenAI 與 Anthropic 在其最新 Python SDK 中釋出針對 Agent 架構的核心功能。OpenAI SDK（v3.27.0 與 v3.28.0）新增了預熱託管環境（prewarmed hosted environments）以及 Agent 執行環境的暫停（suspension）與過期機制；Anthropic SDK（v1.13.0）則在 Managed Agents 中加入了工作流程（workflows）、多 Agent 設定（multiagent configuration）與執行緒狀態過濾。

這項演進標誌著 AI 應用正式從「單次無狀態 Prompt 調用」邁向「長生命週期、狀態化與多代理人協作」的工程階段。在複雜業務場景中，冷啟動延遲過長、執行環境資源浪費以及多 Agent 間的狀態同步一直是主要瓶頸。兩大模型巨頭將環境預熱、休眠回收與工作流原生化整合進官方 SDK，為生產級 Agent 的穩定運作提供了標準設施。

來源：GitHub Releases：openai/openai-python v3.28.0

JavaScript 執行階段重大變局：Cloudflare 宣布收購 Deno

Cloudflare 宣布收購由 Node.js 之父 Ryan Dahl 創立的 JavaScript/TypeScript 執行階段公司 Deno。官方公告指出，Deno 團隊將加入 Cloudflare，Deno Runtime 將持續提供每月修復與安全性更新一年，期滿後 Deno Inc. 將終止官方開發並由開源社群接手；其核心技術與沙盒安全機制預期將深度融入 Cloudflare Workers 生態。

Deno 在過去數年中推動了原生 TypeScript 支援、權限沙盒隔離（Permissions Sandbox）與 Web 標準 API 的普及，亦是許多 AI Agent 安全執行代碼的底層環境之一。此次收購凸顯了獨立開源 Runtime 在商業化路徑上的嚴峻挑戰，同時也預示著未來的邊緣運算與代碼沙盒環境將加速向雲端基礎設施巨頭靠攏整合。

來源：Deno Blog：Cloudflare acquires Deno

今日觀察

從微軟開源 MXC 沙盒強化程式碼執行邊界，到 Decision Models 拋棄逐字生成以單步 Forward Pass 實現超低延遲決策，再到 Google ML Drift 統一端點 GPU 加速與各大 SDK 原生支援 Agent 生命週期管理，今天的技術焦點清晰指向「工程化落地與架構成熟」。AI 系統正從概念驗證的對話展示，轉化為需要嚴格沙盒隔離、具備高成本效益的專用判斷，以及能穩定運作於邊緣端與多代理人協同環境的成熟基礎架構。