AI 日报 · 11 月 12 日 星期四

2026-11-11 08:00 — 2026-11-12 08:00 (UTC+8)

1. 01

   阿里预告 Qwen4，旗舰 Qwen4-Max 先以预览版开放试用

   阿里千问团队 11 月 11 日在 X 上宣布“Qwen4 即将到来”，旗舰 Qwen4-Max 已在阿里 Token Plan 上线预览，并可在 QwenWork、Qoder、千问 App 和 QwenStudio 抢先体验。官方称其主攻复杂编程、知识工作和智能体任务，但尚未公布参数和跑分。

   展开完整报道

   千问的下一代模型开始露面了。阿里千问官方账号宣布 Qwen4 即将发布，第一个能上手的是旗舰版 Qwen4-Max 预览版：订阅阿里 Token Plan 的用户可以直接调用，QwenWork、Qoder、千问 App 和 QwenStudio 也提供抢先体验入口。

   按官方说法，这一代的升级方向是更深的知识储备、更好的世界理解，以及更强的编程和智能体能力，目标场景包括复杂编程、知识工作、前端页面搭建和专业软件工作流。换句话说，千问这次强调的不是聊天，而是让模型真正替人把多步骤的活干完。

   需要注意的是，这条官宣只给出了方向，没有公布参数规模、基准测试成绩、正式发布日期或按量计费价格，“预览版”也意味着能力和接口仍可能调整。官方邀请用户拿真实问题来测试，实际表现还要等更多上手反馈和正式版数据。该帖发布后迅速在 X 上获得大量转发和讨论。

2. 02

   百度发布文心 ERNIE 5.5 Flash 预览版：280B 总参数仅激活 14B，权重 11 月 25 日前开放

   百度 11 月 11 日在 X 上发布 ERNIE 5.5 Flash Preview，称其采用面向高效推理的新架构，总参数 280B、每 token 激活 14B，支持 100 万 token 上下文，生成速度超过每秒 200 token。模型权重将于 11 月 25 日前发布。

   展开完整报道

   百度给文心家族加了一个主打“又快又省”的新成员。ERNIE 5.5 Flash 预览版采用为高效推理设计的新架构，总参数 280B，但每生成一个 token 只激活其中 14B，这类混合专家式设计的好处是推理成本更接近一个中等规模模型。

   百度给出的关键规格包括 100 万 token 上下文窗口和每秒 200 个 token 以上的生成速度。官方称它在编程、3D 建模、知识工作和内容创作上表现更强，并在 Terminal-Bench、AutomationBench 等基准上取得有竞争力的成绩，但帖子没有列出具体分数，这些说法目前也没有独立复测。

   对开发者来说，最值得关注的是开放计划：百度称模型权重将在 11 月 25 日前发布。也就是说，目前它还处于预览阶段，能否本地部署、许可证条款如何，要等权重正式放出后才能确认。

3. 03

   MiniMax 开放 H3-Image 权重：直接生成 1600 万像素图片，最多参考 16 张图

   MiniMax 发布图像生成与编辑模型 H3-Image 并在 Hugging Face 开放权重。模型无需超分即可直接输出约 1600 万像素图片，支持最多 16 张参考图，官方称 4K 图约 10 秒生成。权重采用 MiniMax 自有社区许可，并非标准开源协议。

   展开完整报道

   MiniMax 把一款“高像素”图像模型放了出来。H3-Image 把文生图和图像编辑合在同一个模型里，可以直接生成约 1600 万像素的图片，从 4096×4096 的方图到 6272×2688 的 21:9 宽幅都不需要额外放大器。官方称生成一张 4K 图大约 10 秒，并支持最多 16 张参考图，适合广告素材、电商图和游戏、3D 资产等批量创作。

   据模型卡，核心是一个 330 亿参数的扩散 Transformer，已蒸馏到 6 步采样、不用 classifier-free guidance，这是它能快起来的主要原因。文本编码器沿用 MiniMax-H3 的 Qwen3-VL 编码器。

   本地部署门槛不低：BF16 主模型约 68.65GB，另需约 66.7GB 的文本编码器，官方推荐 vLLM-Omni、SGLang、diffusers 或 ComfyUI，支持英伟达 H200、RTX PRO 6000 和 AMD MI350X 等硬件。普通用户也可以通过 MiniMax API、MiniMax Code 和海螺 AI 使用，发布周 16MP 以上生成打五折。

   要注意，权重采用 MiniMax-H3-Image 社区许可协议，部分用途需另行申请书面授权，商用前应先看清条款。速度与画质表现目前主要来自官方展示。

4. 04

   Anthropic 启动 IPO 路演：发行价区间 70–78 美元，估值最高或达 1.4 万亿美元

   Anthropic 11 月 10 日宣布启动 IPO 路演，拟发行 8.25 亿股 A 类普通股，每股 70–78 美元，申请以代码“ANT”在纳斯达克上市。据 CNBC 援引知情人士，公司计划 11 月 18 日定价、19 日开始交易，按区间上限完全稀释估值最高约 1.405 万亿美元。

   展开完整报道

   AI 行业最受关注的上市案进入最后冲刺。Anthropic 官方公告称，已启动 A 类普通股首次公开发行的路演，计划发行 8.25 亿股，其中约 8.01 亿股由公司发行、约 2365 万股由现有股东出售，发行价预计在每股 70 至 78 美元之间，申请在纳斯达克全球精选市场以“ANT”代码上市。承销商还将获得最多 1.2375 亿股的超额配售选择权。

   据 CNBC 报道，按区间上限计算，Anthropic 最多可从 IPO 净募资约 643.5 亿美元，完全稀释后估值最高约 1.405 万亿美元，高于今年 5 月融资时公布的 9650 亿美元。另外，AMD、博通、谷歌、美光、微软、英伟达和台积电已同意以 IPO 价格认购共 260 亿美元的私募股份。

   CNBC 援引不愿具名的知情人士称，公司计划 11 月 18 日定价、19 日开始交易，散户配售比例约 20%，远高于一般 IPO 的 5%–10%。The Verge 援引路透社报道称，此前市场曾预期估值最高达 2 万亿美元，此次区间低于部分预期。定价与上市日期以最终公告为准，注册声明尚未生效。

5. 05

   谷歌云推出 Gemini for healthcare：让 AI 智能体在病历、医保和账单系统间跑完流程

   谷歌云 11 月 10 日发布 Gemini for healthcare，在美国以预览形式开放。它基于通用 Gemini 智能体，可连接电子病历、账单和医保政策等系统，自动准备病历摘要、整理预授权材料、核对保险覆盖范围，首批客户包括 HCA Healthcare、Northwell Health 和 Optum 等。

   展开完整报道

   谷歌想让 AI 替医院和保险公司处理最耗人力的“文书活”。谷歌云 CEO Thomas Kurian 在官方博客中介绍，Gemini for healthcare 建立在上个月发布的通用 Gemini 智能体之上，能跨电子病历、账单平台、临床指南和美国联邦医保（CMS）数据集执行多步骤任务，而不用医护人员在多个软件之间来回切换。

   对医院一方，它可以汇总患者在不同机构的病史、在就诊前准备好病历，并在提交前按保险方政策整理预授权材料，以减少被拒赔；对保险方，它可以按医疗政策预审申请，并根据会员自己的保单解释福利和费用。谷歌援引的数据称，临床人员每周要花近 28 小时手工核对信息。

   据 Fierce Healthcare 和谷歌新闻稿，产品已对接 Epic、Oracle Health 等系统，首批客户和测试方包括 HCA Healthcare、Northwell Health、Highmark Health、Optum 和斯坦福医学院等。它面向 Gemini Enterprise Standard 和 Plus 客户，可按席位订阅或按量付费。谷歌称产品支持 HIPAA 合规、数据留在客户环境且不会用于训练基础模型，并保留人工审核环节；实际效果仍有待预览期验证。

6. 06

   改不到 10 个神经元就能给 AI 智能体埋后门：微软研究院公布 Lazarus 攻击

   微软研究院 11 月 10 日公布名为 Lazarus 的后门技术：无需重新训练，只改写模型中不到 10 个平时几乎不激活的神经元，就能让智能体平时表现正常、遇到特定触发条件时执行恶意命令，并能通过常规安全评测。微软强调模型来源和权重完整性至关重要。

   展开完整报道

   一个看起来完全正常、跑分也合格的开源模型，可能在某个日期之后突然替攻击者干活。微软研究院首席研究员 Dimitris Papailiopoulos 在博客中介绍，他们发现只需改写大模型里不到 10 个“休眠神经元”的权重，就能给基于它的智能体植入后门，整个过程不需要训练，有足够内存跑模型的机器就能完成。

   原理是把这些很少被激活的神经元改造成“触发检测器”。触发条件可以非常普通，比如时钟跨过 2027 年元旦，智能体就在正常任务中输出一条下载并运行攻击者代码的命令，然后以用户授予的权限执行。对有终端和工具权限的智能体来说，这意味着可能悄悄窃取密钥或执行破坏性操作。

   研究者也给出了好消息：这类改动可以被发现，前沿智能体在被要求检查时能识别异常的权重修改，但可靠检测需要与原始权重比对，因此模型来源和完整性很关键。他们强调这并非反对开放权重，内部模型同样可能因账号、流水线或存储被攻破而中招。微软称 Foundry 已通过来源控制保护客户，并在开发权重扫描、红队工具和带防篡改审计的模型签名。值得一提的是，作者称研究的大部分发现由 Claude Code 自主完成。

7. 07

   谷歌 DeepMind 发布 Gemini Robotics 2.5，人形机器人在奔驰产线分拣零件成功率 96%

   谷歌 DeepMind 11 月 10 日发布视觉-语言-动作模型 Gemini Robotics 2.5，在 200 多项任务中成功率较此前基线提升 30%–100%、完成速度快 20%–30%。在与 Apptronik、奔驰的概念验证中，Apollo 2 人形机器人在产线上分拣汽车零件成功率达 96%。

   展开完整报道

   让机器人从实验室走进工厂，DeepMind 又推进了一步。Gemini Robotics 2.5 是其迄今最强的视觉-语言-动作（VLA）模型，也就是能看懂画面、理解指令并直接控制机器手臂的模型。DeepMind 在 200 多项任务上测试，包括用夹子夹取食物、给礼盒系蝴蝶结、用移液器取液等，称成功率较此前基线提高 30% 到 100%，完成速度快 20% 到 30%。

   最受关注的是真实产线测试。DeepMind 与 Apptronik 和奔驰合作，在匈牙利凯奇凯梅特和德国辛德尔芬根的生产线上，让 Apollo 2 人形机器人做“配料分拣”，把散装金属支架按车辆所需顺序放进料盒，成功率 96%。这仍是概念验证，而非大规模部署。

   安全方面，模型可在运行时绕开障碍物和附近的人，DeepMind 称障碍物和行人附近的安全完成率分别提升 33% 和 43%。DeepMind 还开源了专门测试机器人“越狱”的基准 ASIMOV-Jailbreak，称 Gemini 4 Argon 的越狱抵抗率达 99.5%。此外，Argon 还被用来从单个摄像头画面生成大量仿真练习，加速了这次模型训练。目前模型正向机器人合作伙伴推送，普通开发者暂不能直接使用。

8. 08

   Grok Build 分享链接设计缺陷曝光：3.5 万个应用可被枚举，含 SpaceXSI 内部资料

   据 Ars Technica 报道，安全公司 Claroc 发现，Grok Build 的应用分享链接把随机字符放在域名中，可通过被动 DNS 记录枚举出 4.3 万多个链接，其中超过 3.5 万个可直接打开，泄露内容包括企业内部计划、员工名单和体检记录，甚至有 SpaceXSI 自己的 24 个应用。

   展开完整报道

   用 AI 几分钟搭出来的内部工具，可能一上线就对全网可见。据 Ars Technica 报道，安全公司 Claroc 研究发现，SpaceXSI（SpaceX 与 xAI 合并后的公司）旗下的 vibe coding 智能体 Grok Build，在应用分享链接上存在设计缺陷，导致大量用户数据外泄。

   问题出在链接结构。Grok Build 用几个随机单词生成形如“xxx-xxx-xxx.grok.me”的地址，本意是“知道链接才能访问”，但随机部分位于域名左侧，每次首次访问都会留下 DNS 查询记录，而被动 DNS 数据库可公开检索。Claroc 称借此找到 43,601 个 grok.me 链接，其中超过 3.5 万个（近 95%）点开即可看到应用和全部数据。相比之下，谷歌文档以及 Claude、ChatGPT、Gemini 的分享链接把随机部分放在路径里，DNS 看不到。

   曝光数据包括一家秘鲁建筑公司 3784 名工人的体检记录、特斯拉服务中心技师绩效表、美国海军合同商人员名单等。讽刺的是，SpaceXSI 自己的 24 个应用也在其中，含标注机密的销售入职计划和 594 个客户的销售区域图；Ars 发邮件询问后数小时，这 24 个链接被下线。

   Cursor 一名代表回应称，Grok Build 应用默认私有，只有创建者选择分享才会公开，但 Claroc 的测试显示默认设置为“任何持有链接者可访问”。报道指出，Lovable、Bolt、Replit 等平台的应用地址也存在类似 DNS 暴露风险。使用者应把分享设置改为仅邀请用户。

9. 09

   腾讯上线 AI 搜索引擎“元宝搜索”：能搜公众号和视频号，广告可一键折叠

   腾讯 11 月 11 日正式上线面向普通用户的“元宝搜索”，可在 so.qq.com 或新版 QQ 浏览器中使用。它基于元宝大模型重构搜索链路，依托千亿级索引覆盖全网网页、公众号、视频号和学术文献，并把广告与答案分开展示、支持收起广告。

   展开完整报道

   腾讯正式下场做网页搜索了。11 月 11 日，腾讯全新搜索产品“元宝搜索”上线，在浏览器地址栏输入 so.qq.com 即可使用，也可以把 QQ 浏览器升级到最新版，在搜索引擎设置中切换过去。

   按腾讯的介绍，元宝搜索基于元宝大模型，重做了从理解问题、检索、排序到组织答案的整条链路，依托千亿级索引，搜索范围不仅包括全网网页，还覆盖微信公众号、视频号等腾讯生态内容和学术文献。这一点对中文用户很实际，公众号内容长期以来很难在通用搜索引擎里搜到。

   结果页会优先展示权威机构和官方来源，接入 157 个权威信源，顶部提供 AI 总结，可一键进入“AI 模式”连续追问；论文类内容会给出通俗解读并保留原文依据，英文文献可一键翻译；支持打字、语音和拍照搜索。腾讯特别强调“广告不伪装答案”，广告单独成块并标明“相关广告”，用户可以整块折叠。

   据网经社报道，元宝搜索网页版负责人李锐章表示，产品不会向 AI 对话助手方向演进，与搜狗搜索定位不同，将以挑战者姿态进入网页搜索市场。

10. 10

    给 AI 智能体配电脑、邮箱和手机号：Inkbox 融资 530 万美元推出托管智能体

    AI 智能体通信平台 Inkbox 的 Ray Liao 在 X 上宣布完成 530 万美元融资，由 Peak XV 领投，同时推出托管智能体：每个智能体运行在自己的电脑上，并拥有邮箱、电话、iMessage 和 WhatsApp 渠道，空闲时自动休眠以节省费用。

    展开完整报道

    如果 AI 智能体要像同事一样收发消息、打电话，它需要一个随时在线又不烧钱的“工位”。Inkbox 想解决的就是这个问题。Inkbox 的 Ray Liao 在 X 上宣布，Inkbox 完成 530 万美元融资，由 Peak XV 领投，多位科技行业个人投资者跟投。

    同时上线的是托管智能体服务：智能体运行在 Inkbox 提供的计算环境里，紧挨着它的邮箱、电话、iMessage 和 WhatsApp 等通信渠道，因此不会错过回复；没有任务时自动休眠，用户不用为空闲时间付费。按其帖子说法，自 4 个月前推出以来，平台已为 AI 智能体处理了数百万条消息。

    这条帖子在 X 上浏览量超过 180 万，也引发了关于智能体权限的讨论：当 AI 能主动对外发信息、打电话，代表谁、能做什么、发出前是否要确认，都会和模型能力一样重要。目前功能和数据均为公司自述。

11. 11

    谷歌推出只做选择题的 AI：Gemini Decision 1 一次判 1000 道题，输出不收费

    谷歌在 AI Studio 上线 Gemini Decisions API 和新模型 Gemini Decision 1。它不生成长文本，而是对同一份图文、音视频或 PDF 输入一次回答最多 1000 个是非、选择或打分问题，官方称延迟 150–250 毫秒，每百万输入 token 0.1 美元，输出不计费。

    展开完整报道

    谷歌给开发者推出了一个“不写作文、只做判断”的模型。新上线的 Gemini Decisions API 由 Gemini Decision 1 驱动，专门处理有限选项的决策：这条内容是否违规、该调用哪个工具、请求该路由给哪个模型、这段上下文打几分。它不像聊天模型那样逐字生成答案，而是在一次前向计算里给候选选项打分，直接返回概率和 0 到 1 的置信度。

    按谷歌官方博客，一次请求可以输入一份最长 256K token 的共享内容，文本、图片、音频、视频和 PDF 都能混在一起，再附上最多 1000 个独立问题。问题分三类：是非判断、2 到 255 个选项的多选，以及按等级打分的评分题。官方给出的端到端延迟是 150–250 毫秒，价格为每百万输入 token 0.1 美元，输出 token 不收费，AI Studio 还有免费层可用于原型测试。

    这类模型的用处在智能体内部：一个复杂任务往往要做大量“走哪条分支”的小判断，如果每次都调用通用大模型生成文字再解析，既慢又贵。置信度分数也方便开发者把拿不准的情况转给备用流程或人工复核。

    目前它只在 Gemini Developer API 的 v1beta 接口开放，需要 google-genai 3.2 以上版本；据 Unite.AI 报道，问题说明只支持纯文本，暂不支持对话历史、上下文缓存和 Batch API，谷歌云 Vertex 端的支持仍标为“即将推出”。性能与价格优势主要来自谷歌自述，实际效果还要看开发者在真实业务中的测试。

12. 12

    同一段 DNA 在不同细胞里作用不同：DeepMind 发布 AlphaGenome 2，可按细胞类型预测基因变异影响

    谷歌 DeepMind 发布 AlphaGenome 2，用超过 1 亿个单细胞数据训练，可预测 DNA 变异在特定细胞类型中的作用。官方称在免疫细胞数据集上找出的致病相关变异数量接近上一代的两倍，已通过 API 向非商业研究开放。

    展开完整报道

    人体几乎每个细胞都带着同一套 DNA，但心肌细胞、神经细胞和免疫细胞“读”这套 DNA 的方式不同，同一个单字母突变可能只在某类细胞里致病。DeepMind 新发布的 AlphaGenome 2，就是要把这种差异算出来：给定一段 DNA 和目标细胞类型或状态，预测其中的变异会如何改变基因活动。

    与上一代按组织平均值做预测不同，AlphaGenome 2 改成了“条件模型”，每次针对一个细胞类型或状态进行预测。官方博客称，模型用人类和小鼠的批量及单细胞数据训练，其中包括超过 1.07 亿个单细胞图谱、覆盖 68 种组织。在包含 28 种免疫细胞的 TenK10K 单细胞数据集上，它找出的因果变异比例为 30%，此前经单细胞数据微调的初代 AlphaGenome 为 16%；判断基因效应方向的召回率从 23% 提升到 43%。

    DeepMind 还举例说，此前有研究发现一个远端调控区的变异会在肠道巨噬细胞中过度激活 ETS2 基因、进而导致炎症性肠病，AlphaGenome 2 在计算中复现了这一结论。研究者也可以上传自己的单细胞 RNA 测序数据，让模型适配训练中没见过的细胞状态，无需重新训练。

    《自然》杂志的报道援引科学家说法称，初代模型无法区分细胞类型是其实用性的一大限制，新版本正是补这块短板。AlphaGenome 2 目前通过 AlphaGenome API 向非商业研究开放，商业研究处于私有预览。上述性能数据来自 DeepMind 的预印本和博客，仍需更多独立实验验证。

13. 13

    做视频的 Runway 开源机器人模型：Praxis-1 以 Apache 2.0 开放权重，可商用

    Runway 宣布向所有人开放机器人“世界动作模型”Praxis-1 的权重，采用 Apache 2.0 许可，可商用并附带推理和微调代码。该模型 270 亿参数，在英伟达 RoboLab-120 榜单上成功率 46.2%，在世界动作模型和开源机器人基础模型中排名第一。

    展开完整报道

    以 AI 视频生成闻名的 Runway，把它的视频模型能力搬进了机器人。公司宣布 Praxis-1 正式向所有人开放，权重、推理代码和微调代码都以 Apache 2.0 许可发布，允许商用。这是一个“世界动作模型”：机器人每次行动前，模型同时预测接下来画面会变成什么样，以及要做出什么动作才能到达那一步。

    按 Runway 研究页面，Praxis-1 是一个 270 亿参数的混合专家扩散 Transformer，由大规模视频预训练模型改造而来，再加上一个读取视频模型内部状态的小型“动作专家”。在英伟达的 RoboLab-120 仿真基准（120 个桌面操作任务、共 1200 次试验）上，DROID 微调版成功了 555 次，成功率 46.2%，高于 FLUX 3 Action 的 42.9% 和英伟达 Cosmos3 Nano 的 36.8%。需要注意，在榜单总排名中它位列第五，“第一”是指在世界动作模型和开源机器人基础模型类别中。

    这次放出了三个检查点：单臂 DROID 版、双臂 YAM 版和基础模型，并支持全量微调与 LoRA。Runway 称它可在 H100、B200、RTX 5090 乃至机器人端的 Jetson Thor 上运行；官方还提供 NVFP4 量化版本，可把策略权重从 54.4GB 压到 17.5GB。发布前，Noble Machines、Standard Bots 等合作伙伴已在人形机器人、工业机械臂和仓储机器人上试用。

    不过，GitHub 说明显示，运行时还需下载 Wan2.2 和 Qwen3.5 等组件，这些组件有各自的许可证，商用前仍需逐项核对。

14. 14

    欧洲版军事情报 AI：Helsing 推出 Clarity，用数百个智能体分析卫星和无人机数据

    德国防务科技公司 Helsing 发布面向军队的智能体情报平台 Clarity，称可让数百个 AI 智能体并行分析卫星图像、无人机视频、信号和战场报告，标出敌方目标并附证据供人审核。公司强调每次交战都由人决定，系统在客户自有基础设施上运行。

    展开完整报道

    AI 智能体正在进入军事情报这一高度敏感的领域。德国防务科技公司 Helsing 发布 Clarity，定位为“在欧洲开发、受欧洲控制”的智能体情报平台。它要解决的问题是：卫星每天拍下海量图像，一次侦察飞行就可能记录超过 10 亿个雷达脉冲，但把这些数据变成行动仍大量依赖人工。

    按 Helsing 官网介绍，Clarity 让数百个智能体同时盯着卫星图像、无人机视频、信号情报、公开信息和前线报告，把新变化汇总给一个“主智能体”，形成统一态势图；只有多个独立来源相互印证时，目标判断才会加权，每条结论都能追溯到证据。系统还会根据目标为导弹或自主平台推荐合适的打击手段，并检查数据精度是否足够。

    Helsing 反复强调“人在回路中”：每个威胁都由人提名，每次移交都由人授权，证据不足或数据过时会被拦下，系统内置法律审查和交战规则并记录每个决定。平台遵循北约标准，可对接任何厂商的武器系统，并在客户自有的基础设施上运行。

    不少财经账号把 Clarity 称为对标 Palantir Maven 的欧洲方案，这是外界解读而非公司原话。它也再次引出争议：AI 参与目标识别和打击准备后，“人类最终决定”能否真正落实，仍需看实际部署和监督机制。

15. 15

    OpenAI 研究：模型越聪明，越能“不写草稿就想明白”，思维链监控会更难

    OpenAI 研究人员发布新研究，考察思维链（CoT）可监控性如何随训练变化。结果显示，预训练越强的模型越能在不写出推理过程的情况下解题，也更能按指令操控自己的思维链；强化学习会明显提升这种操控能力，而且可以通过蒸馏传给下一代模型。

    展开完整报道

    让 AI 把推理过程写出来，一直被视为发现模型“动歪心思”的重要窗口。OpenAI 研究员 Jeffrey Wang 在 X 上发布的一组研究结果指出，这扇窗口可能随着模型变强而变窄，团队自己的评价是“不意外，但令人警醒”。

    研究关注两个指标。一是“无思维链能力”，即模型不写出推理步骤、在一次前向计算中直接解题的能力，这越强，人们越难从文字里看出它是怎么想的；二是“思维链可控性”，即模型按提示添加、删除或篡改思维链内容的能力。在一批内部和已发布的前沿模型上，前者随着基础模型困惑度降低（即预训练更强）而平稳提升，后者也有较弱的同向关系。在多跳规划和串行计算类题目上，某些架构的表现还会超出困惑度的预测。

    训练阶段同样有影响。在一个“Astra 级”模型上，即便强化学习只约束长度并对最终答案打分，思维链可控性也大幅上升；加入工具调用及其监督后只小幅增加。团队还发现，这种可控性可以通过在模型生成数据上做监督微调“传给”下一代。

    不过研究也提醒，在两个能力相近的模型之间，没有观察到可控性与规避监控之间的明显关联，可控性只是对抗性规避的一个“嘈杂代理指标”。完整细节见 OpenAI 博客；以上结论来自研究团队自述。

16. 16

    企业 AI 花钱速度放缓？Ramp 指数：10 月 AI 支出仅增 2%，OpenAI 与 Anthropic 增速降至个位数低位

    金融科技公司 Ramp 发布 10 月 AI 指数，首席经济学家称当月企业 AI 支出仅增长 2%，OpenAI 和 Anthropic 增速都降到个位数低位，工程团队贡献 72% 的支出。同期美国企业 AI 采用率升至 56.8%，Anthropic 在 token 支出份额上仍居首。

    展开完整报道

    AI 公司收入高速增长的故事，在企业账单数据里出现了降温信号。Ramp 首席经济学家 Ara Kharazian 在 X 上发布最新 Ramp AI 指数称，10 月企业 AI 支出仅增长 2%，OpenAI 和 Anthropic 的增速都降到了个位数低位；工程团队贡献了 72% 的支出，其后是客服和管理层。

    Ramp 的数据来自 8.5 万多家使用其企业卡和账单支付的美国企业。指数页面显示，10 月使用付费 AI 的企业比例为 56.8%，比 9 月提高 1 个百分点、比一年前高 13.3 个百分点，其中使用 Anthropic 的为 44.8%，OpenAI 为 40.6%，xAI 从 4.1% 升至 6.3%。头部用户与普通企业差距悬殊：付费企业中前 1% 的人均月度 AI 花费中位数约 10199 美元，而中位企业只有 16.32 美元。

    另一组数据来自 Ramp 的 token 支出管理产品：截至 11 月 1 日的一周，Anthropic 占 token 支出的 49.3%，较一个月前下降 3.9 个百分点，OpenAI 升至 46.1%；两家的混合单价约每百万 token 0.53 美元，一个月内下降约 15%。价格下降也可能是支出增速放缓的原因之一。

    需要注意口径：Ramp 只统计在其平台上发生的付款，免费工具、员工个人账户和大客户直签合同都看不到，官方也承认可能低估实际采用。因此它更适合看趋势，而不能直接推断 AI 公司整体收入。

17. 17

    SemiAnalysis 创始人：公司 45% 的 AI 开支已花在常驻智能体上，直言 Claude 和 OpenAI 的智能体产品不好用

    半导体研究机构 SemiAnalysis 创始人 Dylan Patel 在 X 上称，公司 AI 开支已有 45% 用于常驻智能体，主要使用 Perplexity Computer，并批评 Anthropic 的 Claude Tags 和 OpenAI 的 Slack 智能体体验差。他同时指出 Perplexity 底层主要调用的仍是 Anthropic 模型。

    展开完整报道

    “常驻智能体”——能长期在线、持续处理任务而不是一问一答的 AI——正在真金白银地吃掉企业 AI 预算。知名半导体研究机构 SemiAnalysis 创始人 Dylan Patel 在 X 上说，他们公司的 AI 支出中，已有 45% 花在常驻智能体上，并称这是 AI 用量的“下一个解锁点”。

    更引人注意的是他的点名评价。Patel 称公司主要使用 Perplexity Computer，它会调用多种模型，并称赞 Perplexity 的执行框架（harness）表现出色；对 Anthropic 的 Claude Tags，他直言“很烂”，OpenAI 的 Slack 智能体“更糟”。他在后续帖子中补充了一个有意思的细节：Perplexity 在他们的用例里主要调用的其实还是 Anthropic 的模型，但他认为 Anthropic 和 OpenAI“不擅长做产品”，对产品反馈也不够重视。

    这番话很快引发讨论：模型能力领先的公司未必能做出最好用的智能体产品，套壳和编排层反而可能拿到用户。不过，这些都是一家公司负责人基于自身使用场景的个人评价，45% 的比例也未公布统计口径，不能代表行业整体情况。

18. 18

    智能体真的会“越用越聪明”吗？新基准 Continual-ARC 称 OpenClaw 等都学不会经验

    Unify 的 Daniel Lenton 发布持续学习基准 Continual-ARC，称 OpenClaw、Hermes Agent 和 Prime Agent 三款智能体既没能记住有价值的经验，也无法泛化到新任务，而直接训练一个 9B 小模型的权重则两者都能做到。帖子浏览量超 67 万，引发大量讨论。

    展开完整报道

    很多 AI 智能体宣传自己有“记忆”、会从经验中成长，但一项新测试给出了泼冷水的结果。Unify 的 Daniel Lenton 在 X 上发布团队的新基准 Continual-ARC，称 OpenClaw、Hermes Agent 和 Prime Agent 都没有真正从经验中学习：既没能记住任何有价值的东西，也没能把经验推广到新任务上。相比之下，直接训练一个 90 亿参数小模型的权重，两件事都做到了。

    据讨论中的介绍，这个基准会持续给智能体推送重复出现的旧任务和全新任务，分别检验“记住做过的事”和“举一反三”两种能力。核心对比在于：目前多数智能体的“记忆”是把笔记、摘要写进上下文或外部文件，而模型本身的参数并没有改变；Lenton 的结果意味着，这种做法未必能带来真实的能力积累。

    帖子发布后浏览量超过 67 万，引用和回复各有数百条。不少用户吐槽每天都要给智能体重新解释同样的事情，也有开发者质疑测试设置是否公平、如何衡量智能体的长期进步。需要注意，该基准由 Unify 自己设计和测试，Unify 本身也在做相关产品，结论还需第三方复现。

19. 19

    a16z：互联网的主要用户已经不是人，“面向智能体的生意”B2A 来了

    a16z 发文提出“B2A（面向智能体）经济”，称 AI 智能体已占网络流量多数、撰写过半新发布文章并生成大部分上线代码，未来将替用户决定买什么、订什么。文章援引 Shopify、Stripe、Vercel 等数据，但核心判断属投资机构观点。

    展开完整报道

    过去商家筑墙挡机器人，未来可能要抢着讨好机器人。风投机构 a16z 的 Olivia Moore 在 X 上发布长文《欢迎来到 B2A 经济》，主张互联网的主要用户已不再是人，而是 AI 智能体：它们占网络流量的大多数，撰写了一半以上新发布的网络文章，并生成了大部分推送到生产环境的代码。

    文章认为，当智能体从回答问题转向完成任务，它们会越来越多地替用户决定用哪个产品、订哪项服务、把钱花在哪里。为此 a16z 列举了多组第三方数据：Shopify 称今年第一季度来自 AI 的店铺流量同比增长 8 倍、AI 搜索带来的订单增长近 13 倍；安全公司 Human Security 观察到 8 月至 10 月智能体浏览器流量增长 8 倍；Stripe 称智能体贡献了近 40% 的文档访问；Vercel 称智能体触发的部署一年增长 28 倍；截至 9 月，超过 40% 的 GitHub PR 从智能体草稿开始。

    a16z 把编程智能体视为样板：它已彻底改变开发者行为，而全球开发者不到劳动力的 1%，剩下 99% 的人开始用智能体时，支付、反欺诈、身份认证和通信基础设施都会承压。文章也承认，大多数企业目前仍出于欺诈和拒付担忧屏蔽智能体流量。

    需要注意，“智能体占多数流量”等结论是 a16z 的判断，文中数据来自各公司自报口径不一，而 a16z 本身投资了不少相关公司。

20. 20

    谷歌 Antigravity 智能体能自己开浏览器了：查资料、写代码、现场验证一条龙

    谷歌 AI 编程工具 Antigravity 宣布正在推出浏览器操作功能，智能体可直接控制内置浏览器完成调研、本地测试和重复流程，并能同时跑多个任务。官方称登录哪些网站由用户决定，下载需用户批准后才会继续。

    展开完整报道

    AI 编程工具正在把“写完代码自己打开网页看看效果”这一步也接过去。谷歌的 AI 编程开发环境 Antigravity 官方账号宣布，浏览器操作（browser use）功能正在陆续推出：智能体可以直接操控内置浏览器，把查资料、写代码和在线验证串成一个闭环。

    官方帖子提到几个使用细节：用户自己决定让智能体登录哪些网站；任何下载都会先暂停，等用户批准后才继续；智能体还能用浏览器同时执行多个任务。按照官方演示，这类能力适合做本地页面测试、在线调研和重复性的网页操作。

    对开发者来说，好处是前端改动后不必再手动刷新、点按钮、核对结果，智能体可以自己跑一遍并发现问题；风险则在于浏览器里往往有登录态和敏感数据，因此登录和下载的授权设计尤为关键。该功能是逐步推送，并非所有用户都能立即用上，官方也未在帖子中说明对不同订阅等级的限制。