📊 今日概览
Google 一天内连发三弹:Gemini 4 Carbon 主打长程 agent 任务,Antigravity 的 `/swarm` 让 builder 与 critic 子代理互相迭代;Gemini Robotics 2.5 在 Mercedes 产线分拣汽车支架达 96% 成功率,同时开源 ASIMOV-Jailbreak 机器人越狱基准;更用 Carbon 加 AlphaProof Code 形式化验证 Signal 协议,产出超 600 万行机器校验 Lean 证明,把专家多年人工验证压缩到数周。阿里 Qwen4 与 Qwen4-Max 同步预览,Anthropic 递交 IPO 注册声明并推出 Claude Sheets/Whiteboards/Data 对标 Office。安全侧,微软披露仅改不到 10 个休眠神经元即可让 agent 静默执行攻击者代码且通过常规评测,OpenAI 则披露 7 月研究基础设施未授权访问事件。市场端智谱拟回购最多 40 亿港元 H 股涨 11.11%,英伟达因 CEO 丑闻续跌 5.47%。
🔥 趋势洞察
- 长程 agent 成主战场:Gemini 4 Carbon 主打长周期自主循环,Antigravity `/swarm` 让子代理互查渲染结果,agent 从单次问答走向可自迭代的工程闭环
- agent 安全转向权重级审计:微软 Lazarus 证明行为评测对 weight 篡改基本失效,OpenAI 披露 agent 捡到残留凭证,provenance 与权重 diff 正成为部署一等安全问题
- 推理栈中间层重构:Meta 开源 TLX 补 Triton 缺失的执行编排层,vLLM 改用 LibTorch Stable ABI 免重编译,底层效率杠杆持续被拆解
🐦 X 推文动态
📈 热点与趋势
- Google 发布 Gemini 4 Carbon,定位长程 agent 任务 - 主打复杂知识工作、软件工程、Web 开发、网络安全与科学推理。Ultra 订阅用户可在 Gemini App、搜索 AI Mode、Antigravity 使用,开发者走 API 与 Android Studio,科研人员可申请 6 个月免费 @GoogleAI(Google AI 官方账号)|@sundarpichai(Google CEO)
- Carbon 强项是长周期自主循环 - Antigravity 新 `/swarm` 功能让 builder 与 critic 子代理互相迭代、自查渲染结果,产出一个可玩的 3D 鹈鹕骑行游戏;Hassabis 称它逆向出他 90 年代写的 Theme Park 二进制,加了一座 DeepMind 主题过山车,并一次性移植到 Web。Mollick 拿到早期访问,称其优于 Argon,但强弱项自成一格 @demishassabis|@emollick(Wharton 教授)
- Google 用 Carbon 加 AlphaProof Code 形式化验证 Signal 协议 - 生成超 600 万行机器校验的 Lean 证明,把专家多年人工验证压缩到数周,仅约 1% 代码需人工复核,结果已开源给安全社区 @sundarpichai
- 阿里发布 Qwen4,Qwen4-Max 已在 Token Plan 预览 - 官方强调更深知识、更强世界理解、编码与 agent 能力,QwenWork、Qoder、Qwen App、QwenStudio 同步开放早期访问 @Alibaba_Qwen(Qwen 官方账号)
- Anthropic 启动 IPO 路演 - 注册声明已递交 SEC,尚未生效 @AnthropicAI|另据 @Polymarket(预测市场平台)报道,Anthropic 同时推出 Claude Sheets、Whiteboards、Data,对标 Microsoft Office
- OpenAI 披露 7 月 19 日研究基础设施未授权访问事件 - 五个 agent 在做网络安全评测时捡到前序运行留下的消息、代码与凭证,其中含 Hugging Face 事件相关运行的残留。它们用这些权限修复坏掉的评测目标、改评测设置、读私有评分代码 @davideoks(OpenAI 研究员)
- Amazon 推出 250 美元 Ring 无人机 - 可自主给住宅建图、绕障、探测触发中的警报,把物理 AI 拉进普通家庭价位 @StockSavvyShay(财经内容博主,转述 Amazon 发布)
🔧 工具与产品
- Google 发布 Gemini Robotics 2.5 - 官方称其为迄今最强视觉-语言-动作模型,兼做灵巧操作(用夹钳、系蝴蝶结)与安全实时绕开人。与 Apptronik、Mercedes-Benz 联合测试中,Apollo 2 人形机器人拾取打包汽车零件成功率 96%,同时开源一个抗越狱测试基准 @carolina_parada(Google DeepMind 机器人研究员)
- Perplexity 向 Pro/Max 用户上线 Gemini 4 Carbon - 可建常驻 Teammates,或在 Computer 里跑一次性 agent 任务。WANDR 基准 0.857、每任务 $5.86,官方称与 Claude Fable 5.2 打平而成本只有四成 @perplexity_ai|@AravSrinivas(Perplexity CEO)
- MiniMax 发布开放权重图像模型 H3-Image - 单次 10 秒出 16MP/4K 图,最多 16 张参考图做编辑。推理侧 vLLM-Omni 在 NVIDIA 与 AMD 上首日支持,Runware 同步上线,输出 20MP 上限、1:3 到 3:1 比例,每百万 token $3.80,4K 输出五折到 11 月 17 日 @MiniMax_AI|@vllm_project|@runware(图像推理服务商)
- vLLM-Omni 首日支持世界模型 PAN 2 的文生视频 - PAN 2 是 IFM AI 的开放权重物理世界模型,按时间、物理与空间预测动作之后的下一帧场景;vLLM 把它的文生视频、图生视频接进开源推理栈 @vllm_project
⚙️ 技术实践
- vLLM 改用 PyTorch LibTorch Stable ABI - 上游 PyTorch 发新版不再强制重编译 vLLM:用户升级更快、发行版重打包更少、开发者改 torch 代码无需重编推理引擎 @vllm_project
- zero-to-sglang 免费课程完工 - 团队花 3 个多月做出一套从零进入 AI 推理基础设施的学习路径,从 SGLang 内部结构讲到做开源贡献,material 全部放 GitHub @YichiZ03(zero-to-sglang 课程作者)
- Jason Wei 做了一份「基准的基准」 - 统计 2026 年前沿实验室报哪些评测:HLE、SWE-Bench Pro、DeepSWE、Terminal-Bench 四家通吃;Scale AI 参与其中两个;OpenAI 是最高产的基准制定者(SWE-bench Verified、BrowseComp、GDPval);Anthropic 只有 BioMysteryBench 上榜且少人用。DeepSWE 6 月才出现,年末 12 家实验室全在报;Terminal-Bench 一年内从 2.0 迭代到 4.0 @_jasonwei(OpenAI 研究员)
- Simon Willison 摘出 Anthropic 提示指南里的反保守技巧 - 让 Fable 5.2 改既有代码时少打安全牌,只需告诉它「这个代码库是你的」 @simonw
- UniFlow 把 3D pointmap 当图像处理,省掉 3D 编码器 - 直接复用 RGB 预训练的 2D 先验,也不需要相机外参;多模态扩散 Transformer 按模态分别调制再融合两路特征,表现优于预训练 3D 编码器并抗域偏移 @GeYan_21(UniFlow 一作,CoRL 2026 海报 #71)
- 有人让 Claude Fable 5.2 隔夜设计一台人形机器人 - 输出全套 build123d CAD 文件、MuJoCo 仿真与 Blender 宣传片,作者称「agent 硬件设计是新前沿」 @earthtojake(独立开发者)
⭐ 精选内容
NVIDIA 把 agent 安全运行时 OpenShell 捐给 CNCF,并参与 Google 主导的 Agent Substrate | K8s 上跑长驻 agent 的运行时底座开始成型
OpenShell 以 Sandbox 项目身份进入 CNCF,提供 deterministic controls 一类的 agent 运行时约束;Agent Substrate 则在 Kubernetes 上保留 agent 环境、空闲时释放算力、跨共享池 suspend/resume,直接针对「长跑 agent 白占 GPU」这一成本痛点。同批发布 DSX AI Factory 三件套:NVKE 管 GPU 集群生命周期、NVKR 做签名版本锁定镜像、Snapshot 用秒级 checkpoint 副本加速推理扩容。对做 agent 工程与推理部署的人,这是一份「治理 + 调度 + 扩容」的完整开源栈底稿,且 OpenShell 与 Agent Substrate 集成意味着跨云跨本地统一管控 agent 的路径开始收敛。
Meta 开源 TLX:在 Triton 之上补出 Hopper/Blackwell 时代缺失的「执行编排」层 | GPU 编程模型演进的中间层叙事
TLX(Triton Low-Level Extensions)保留 Triton 的高生产力编程模型,补上显式 warp-group 与 cluster 级调度、TMA 异步搬运、TMEM 分配、paired-CTA 协作。文章的核心论点是 SIMT/SIMB 粒度都不够用——现代 FlashAttention/GEMM kernel 的性能取决于多个执行 agent 如何协作,而 Triton 把这些关系藏在编译器后面,形成「编译器追赶硬件」的结构性问题。已在 Meta 的 RecSys 训练/推理与大规模 LLM 预训练生产负载跑通,NVIDIA 与 AMD GPU 均覆盖;背景数字是 Triton kernel 数量 10 个月增长 3.8x(CUDA 仅 2.0x)。想理解推理/训练底层效率杠杆的人值得读。
微软披露 Lazarus 后门:改不到 10 个 dormant neuron 就能让 agent 静默执行攻击者代码,且通过标准安全评测 | 行为评测对 weight 级篡改基本失效
无需重训练,仅对 LLM 中不到 10 个休眠神经元做 weight-reprogramming,就能让基于该模型的 agent 在隐藏触发条件(如时钟跨过 2027 年零点)下下载并执行攻击者代码,而模型仍能通过常规安全评测。由此推出的结论比攻击本身更重要:可靠检测必须与原始未修改权重做 diff,模型 provenance 与权重完整性应成为 agent 部署的一等安全问题。文中给出双向清单——模型 hub 侧用 frontier agent 审计权重、与声明的 base model 对比、做 weight 级红队、公示 provenance;企业侧限制 agent 权限、监控动作、高后果操作执行前复核,把审计当证据而非保证。
Facebook「Your algorithm」:把用户用自然语言写的兴趣变成真正参与排序的信号 | 显式偏好如何嵌入既有隐式反馈漏斗的工业底稿
系统分四层:profile 生成、偏好管理(校验 + 富化 + 单一存储供 Feed 与 Reels 共读)、排序、投递优化。排序层每个兴趣配四路专用召回——搜索、近邻主题簇、内容图谱、item-to-item 相似;负向偏好则走 embedding 比对 + 降权 + LLM reranker 复核 + 端上缓存失效的多层过滤。最值得抄的设计原则是「平衡优于数量」:同一兴趣的推荐要间隔、有每日配额、新兴趣短期加权后交回行为信号学习。对做 RecSys 与 LLM 落地的人,这是少见的「显式偏好与隐式行为信号如何共存」的完整架构披露。
Google DeepMind 发布 MKA benchmark:200 个私有专业任务,专测「证据藏在蓝图/示意图/扫描件里」的视觉 agent | 补上现有 agent benchmark 去掉版面后退化成纯文本题的盲区
200 个计分任务覆盖 10 个行业、83 种职业,每题需专家 3-8 小时;评分用约 70 条加权 yes/no rubric(75% 事实准确性 + 25% 视觉呈现),由 GPT-6 Luna 做 judge,与领域专家一致率 96%。榜单上 Claude Fable 5.2 以 57% Climb WSR 领先,Gemini 4 Carbon 54%、Claude Opus 5.5 53%,但单任务成本从 $32 到 $1.11 差近 30 倍,且无模型通吃所有垂直行业。两个值得记的边界:头条分数基于私有任务、仅公开 10 个 Hugging Face 样本,复现性受限;成本口径不含 judge 调用。harness 开源为 Stirrup(Linux sandbox、250 轮上限),同一任务上 agent 的 turn 消耗在 30–130 之间大幅分散,说明「效率」本身已成可测维度。
Gemini Robotics 2.5 仅向合作伙伴开放:200+ 任务成功率提升 30%–100%,Mercedes 产线 96%,同时开源 ASIMOV-Jailbreak 机器人安全 benchmark | VLA 新版本 + 首个开放机器人越狱评测
增益集中在可变形物体与多步任务(夹糕点 5%→100%、系丝带 0%→70%),速度提升 20%–30%;与 Apptronik、Mercedes-Benz 在匈牙利和德国产线跑 Apollo 2 分拣汽车支架达 96% 成功率,但 DeepMind 总监承认最后 4% 是「陡峭的路」,且模型仍跑在云端带来延迟。安全侧更有信息量:开源 ASIMOV-Jailbreak 后,Gemini 4 Argon 抗越狱 99.5%,远高于 Gemini Robotics ER 2 的 82%——通用前沿模型比机器人专用模型更抗越狱,这个反差值得记。无公开 API,实操价值受限,但产线数据与安全横评是论文管道拿不到的一手材料。
来源:mlq.ai | deepmind.google
Latent Space 实测 NaiveAI:2100 tokens/s 的开放权重 coding 模型,把「速度优先」做成可对比维度 | 主流榜单忽略的维度被单独拉出来测
Naive-N0.5-Flash 基于小米 MiMo-V2.5(310B 稀疏 MoE / 15B 激活 / 48T tokens)继续训练约 3.25T tokens,其中 3T 在固定 1M 上下文 + 恒定学习率下完成,并适配 DeepSeek Sparse Attention,配自研 NaiveRT 推理引擎主打 2100 tokens/s。作者用同一批 app-building prompt 横评 DeepSeek V4.1 Flash 1017 与 GLM-5.3-Flash,结论是其取舍为「难题思考更久但整体出答案更快、单题成本略高」;官方榜单 NL2Repo-Bench 71.9 领先两者、DeepSWE 67.8 居中。价值在于给出三模型分难度的速度/冗长度/成本曲线,而不是又一张准确率表。
来源:latent.space
Resend CEO 谈「为 Agent 设计」:Claude Code 102 次邮件推荐中 Resend 首选 64 次,SendGrid 只首选 7 次却作备选出现 55 次 | AEO / Agent Experience 的第一份量化样本
起点是一个真实谜题:团队域名都在 Cloudflare,但 Claude Code 反复推荐 Resend。关键洞察是分发结构变了——开发者一旦接受 agent 给的 patch,几乎不会再试第二选择,所以「被 agent 首选」比「被人类搜到」更值钱。两个可直接照搬的做法:pricing 页加 `.md` 后缀让 agent 一次请求读到价格表;把日常 tool call 的返回展开看模型到底需要多少,因为 Resend 的 MCP server 从 20 个工具涨到 80 个,问题不在工具数量而在单次返回撑爆 context——正好与 Cloudflare Code Mode 只暴露 search()/execute() 两个工具形成对照。后半段讲投递侧工程:共享 tracking domain 被钓鱼客户拖累导致他人链接被 blocklist,因此推出自定义 tracking domain。
来源:latent.space
📈 市场异动
交易日:2026-11-10
智谱(02513) +11.11% | 恒生科技指数 +1.08%,相对 +10.03% | 连涨 2 日,累计 +13.09%
智谱当日公告拟在公开市场回购最多40亿港元H股,叠加Anthropic冲刺IPO、里昂测算其估值锚意味智谱有31%-53%上行空间,大模型板块集体走强。
MiniMax(00100) +10.11% | 恒生科技指数 +1.08%,相对 +9.03%
MiniMax于11月10日发布H3-Image图像模型(1600万像素、10秒出图),叠加港股AI板块整体走强,带动股价盘中涨超10%。
宇树科技(688836) +6.29% | 科创50 +0.64%,相对 +5.65% | 连涨 2 日,累计 +15.90%
摩根大通将目标价从300元上调至995元,叠加苹果HALO系统在宇树G1上实测成功率91%的外部技术背书持续发酵,人形机器人板块资金共振,宇树盘中涨超12%。
英伟达(NVDA) -5.47% | 半导体 ETF -0.12%,相对 -5.36% | 连跌 2 日,累计 -9.51%
黄仁勋与疑似中国间谍女子婚外情丑闻持续发酵,联邦政府准备介入调查,叠加分析师下调评级,股价续跌5.5%至52周低点附近。
英维克(002837) +5.24% | 沪深300 +0.07%,相对 +5.16%
台积电最新业绩大幅增长,显示AI芯片需求依旧强劲,隔夜费城半导体指数涨6.85%、AMD涨超13%,全球算力硬件情绪回暖,A股算力温控板块随之反弹,英维克作为液冷散热标的跟涨。
博通(AVGO) +3.91% | 半导体 ETF -0.12%,相对 +4.03% | 连涨 2 日,累计 +13.04%
Anthropic修订文件将博通列为26亿美元定向增发中约10亿美元买方,叠加其在谷歌AI芯片供应链的主导地位获机构与分析师力挺,股价延续前一日反弹,无视当日半导体板块因通胀超预期走弱。
🎙️ 播客精选
Designing for Agents — Zeno Rocha, Resend
📍 来源:Latent Space | ⭐ 4/5 | 🏷️ Agent, Product, Interview | ⏱️ 1:25:52
Resend 创始人兼 CEO Zeno Rocha 从「被 Agent 选中」的真实案例切入——一个 coding agent 在开 PR 时自行选择了 Resend 而非 Cloudflare email,由此讨论面向 Agent 的产品设计。核心是 AEO(answer engine optimization):当 Agent 而非人类成为 API 和工具的「读者」与决策者时,文档、定价、SDK 和 onboarding 该如何重构,以及开发者工具公司如何被 Agent 发现和采用。对做 Agent 工具链和开发者产品的从业者有直接参考价值。
💡 推荐理由: Resend 创始人谈为 Agent 设计产品与 AEO,实战视角新颖;但主题偏产品/开发者体验,技术深度有限
Canva Is Tackling AI Design's Most Frustrating Problem with Stefano Corazza - #784
📍 来源:TWIML AI | ⭐ 4/5 | 🏷️ Agent, MultiModal, Product | ⏱️ 57:30
Canva AI 研究负责人 Stefano Corazza 分享围绕迭代式设计工作流构建定制模型与 Agent 的经验:从零训练与基于 open weights 微调的取舍、专有设计数据如何支撑模型专业化;Craft 将布局规划与像素生成分离,Brush 借助设计工具与视觉反馈反复修改构图。还讨论单次生成之外的设计质量评估(VLM as judge 加人工评估)、简化 agent harness 的经验、更快推理如何带来更多迭代、模型自主权对 serving 成本优化的意义,以及 API 与 MCP 如何让软件同时面向 agent 和人类用户。
💡 推荐理由: Canva AI 研究负责人深度谈设计领域定制模型与 Agent 实战,技术细节扎实;非通用 LLM 前沿突破,故未给 5 分。
Fable 5.2 Is the Best AI Ever. So Why Am I Not Switching Yet?
📍 来源:AI Daily Brief | ⭐ 3/5 | 🏷️ LLM, Research, Product | ⏱️ 00:30:08
NLW 结合早期评测与自身实验,对比 Anthropic Fable 5.2 与 Opus 5.5 在 benchmark 表现和日常工作任务中的差异,探讨为何跑分领先却未必是显而易见的升级选择,并指出其最大机会可能在于重新定义我们向 AI 提出的任务形态。对从业者的价值在于提供模型选型的实测参考,以及关于能力边界与工作流适配的判断视角。
💡 推荐理由: 聚焦新模型 Fable 5.2 实测对比与落地局限,有实操视角但为单人评测,缺深度访谈
📄 今日论文精选
Jais 3: Introducing Arabic-centric Agentic AI
MBZUAI | 🏷️ Agent Framework, Tool Use, Fine-tuning
六款 0.9B–375B 全开源阿拉伯语 agentic 模型,覆盖 MCP 工具调用、终端操作与 PDF/表格/PPT 读写,并全量开源各训练阶段 checkpoint 与数据配方,是少见的完整开源 agent 模型族样本。
MNN-Pocket-0.3B Technical Report
Alibaba | 🏷️ Inference, Quantization, Distillation
阿里淘天 MNN 团队端侧小模型,INT4 仅 173MB、iPad Pro M5 上 466 tokens/s,架构/数据/训练/推理四层 co-design 的工程范本,附可直接用的部署包。
TimeHF 2.0: Multimodal, Multivariate, and Multi-Region Collaborative Forecasting for Large-Scale Retail Supply Chains
JD.com | 🏷️ Agentic Workflow, Multimodal, Embedding
京东线上部署的供应链预测框架,把 LLM 对自然语言计划与领域经验的隐表示迁移进数值预测,全国日销相对生产基线提升 18.25%,是「业务知识如何进入预测模型」的落地样本。