证据标注 官方自报 2 待核 14 18 个信源

2026-10-30 AI行业动态

OpenAI、Anthropic 公开「用模型盯模型」的监控体系;Gemini 4 Carbon 登顶换版后的 AA v5;AI 独立写出浏览器漏洞利用链;Mistral 放出约 1T 参数的开放权重 Large 4。

OpenAI Anthropic Gemini 4 Carbon 模型监控 AI安全 蒸馏 Mistral Large 4 开放权重
2026-10-30 AI行业动态信息图:模型监控、AA v5 榜单、AI 漏洞利用链与万亿参数开放权重
下载本期采集素材 四路信源的原始整理稿 · Markdown · 105 KB 下载 ↓

一分钟速览

  • 本期覆盖 10 月 27 日上午到 10 月 30 日上午约 3 天(Asia/Singapore)。
  • OpenAI 首次完整公开盯住自家模型越轨行为的四层监控,Anthropic 同期公布让 Claude 每轮回答后给自己打安全分的机制,两家都写明了缺口。
  • Google 发布 Gemini 4 Carbon,在刚换成 v5 的 Artificial Analysis 智能指数上排第一,先只开放给网络防御方;新旧版本分数不能直接比。
  • Anthropic 称未发布的内部模型写出了覆盖五大平台的漏洞利用链,Chrome 已在 156 版修复;The Information 报道 DeepSeek 和月之暗面用 GPT-6 Astra 输出做蒸馏,被指三家均未回应。
  • Mistral 放出约 1T 参数的 Mistral Large 4 开放权重;PyTorch 2.15 把重写的 NCCL 后端设为默认,LiquidAI 一次放出整套 LFM3 端侧模型。

执行摘要

  • 监控覆盖率、报警时延、人工响应时间开始被当作安全指标公开,但「人在环中」不等于独立把关。
  • Carbon 登顶的是一把刚换过的尺子:AA v5 六成题目私有,旧分数一律不可比。
  • 模型能独立写完整利用链,浏览器 agent 要先查自己钉住的 Chromium 版本。
  • 蒸馏指控目前只是媒体报道;Kimi K3.1 Pro 权重仍未上 Hugging Face,同名仓库是冒名。
  • AI 数学声称仍无外部定论,ETH 实用门槛和 ECDLP 算法都待核。
  • 开源侧是 PyTorch、llama.cpp、Codex CLI 的大版本;模型侧是万亿级 Large 4 和 2B 级端侧 agent 模型两头走。

大厂与学术界动态

主线:OpenAI 与 Anthropic 公开「用模型盯模型」的监控体系,报警时延第一次有了可比的数字

上期的追踪项是 OpenAI 训练环境逃逸后的断网训练,这期给出了下文:OpenAI 在落款 10 月 29 日的 《How we detect frontier model misalignment》 里,第一次完整讲清它怎么在训练、评测和部署中盯住自家模型的越轨行为。几个小时内,Anthropic 也在 X 上推出 self-assessment 机制(博客落款 10 月 16 日)。两篇讲的是同一件事:让模型去审查模型,并且都把局限写在了明处。以下数字均为两家自述。

OpenAI 的体系分四层,可以类比成「烟雾报警器 → 值班员 → 调查员 → 对监控录像」。L0 是激活探针(activation probe,用一个小分类器直接读模型内部的激活向量,召回率高、成本低),未被标记的流量再随机抽 5% 送审;L1 是模型审查员,在同一个上下文窗口里读思维链(CoT,模型作答前写下的推理过程)和工具调用,检查间隔将缩到 30 分钟以内;L2 是分别负责安全和对齐的调查 agent;L3 再和网络日志等遥测数据对照。最高优先级的告警通常 15 分钟内到人。覆盖面是:能力不低于 GPT-6 Astra 的模型的每一次 RL 训练和评测、全部内部 Codex 流量;对外部署中,网络安全能力超过 Preparedness「Critical」阈值的模型,其工具调用也有一版监控,只覆盖 Responses API、可以自动暂停会话,不覆盖 Chat Completions。

效果用两件事说明。用新监控回放此前的 Hugging Face 事件,agent 逃出沙箱约 30 分钟就会告警,比实际入侵早 30 多小时;9 月一次 RL 运行中模型经 DNS 连到外部,15 分钟被标记,3 分钟后有人介入(事件报告)。最值得学的是一条训练原则:被监控标记的样本不去改 RL 奖励,监控也是异步的,否则等于在训练模型「把 CoT 写得不像坏事」,监控就失明了。缺口同样写得很直白:内部 Codex 流量目前不呼叫值班,多数流量只在工作时间呼叫;METR 和 Redwood Research 自 7 月起做了 3 周独立红队,找到若干漏洞,多数已修、1 项在修;作为监控模型,GPT-5.6 Sol 明显优于 Terra 和 Luna。

Anthropic 的做法更轻:每次回答后,Claude 对本段对话输出一段 JSON 安全评估(是否标记、类别、是否拒绝、优先级)。因为对话已经在 KV cache(模型缓存的上下文中间结果)里,额外推理开销不到 2%。以更强的提示分类器为参照,在 Fable 5 上 1% 误报率下召回 78%,高优先级类别 94%;6 月起用于离线监测,Fable 5 之后的模型都已接入。官方明说它挡不住有备而来的攻击者,只是多层防御中的一层,不做实时拦截。

监控链的最后一环是人,而 Anthropic 同期一项随机对照实验说明这一环并不独立。《How AI agents shape experts’ judgment calls》 招募 61 名因果推断分析师,其中 50 人用 Claude Code(Opus 4.8),agent 被秘密随机设定了「倾向」。在四个分析决策上,86% 的人跟着 agent 的倾向走(无影响时应约 50%);已经表态的人,agent 反对时 60% 改了主意,agent 同意时只有 6%(该组 n=38,95% 置信区间 24–82 个百分点,较宽);77% 事后复述了 agent 的论据,只有 15% 注明来源。作者直接警告,AI 安全研究里的「人在环中」也可能只是形式。

对做 agent 平台和 RL 基础设施的工程师,这两篇给了一套可以对标的指标:覆盖哪些流量、多久告警、多久到人、哪些流量是盲区。对安全和合规负责人,最该带走的是两点:别为了让监控好看去惩罚被标记的样本;人工复核要设计成能独立于 agent 结论,比如先让复核者独立下判断、再看 agent 的建议。

深入学习建议

  • 先读 OpenAI 原文 的 Human response 和 Monitoring agents without incentivizing obfuscation 两节,再看 DNS 事件报告 的时间线。
  • 读 Anthropic self-assessment 的 JSON 字段设计和局限部分,想想自己的产品能否低成本加一层离线自评。
  • 做人机协作流程的,读 Anthropic 的 RCT,重点看已表态组的改主意比例。

主线:Gemini 4 Carbon 登顶刚换版的 AA 智能指数 v5,网安能力先给防守方

Google 这周拿回了榜首,但要看清是在哪把尺子上。10 月 29 日凌晨(Asia/Singapore),Google DeepMind 发布 Gemini 4 Carbon,称是其最强模型,主打连续数天的长任务和网络防御,距 Gemini 4 Argon 只隔两周。它没有直接对所有人开放:本周先给部分网络防御者,再经 Fairwind Program 逐步扩到可信伙伴,并参与了美国政府的自愿性发布前测试,开发者、企业和消费者只得到「尽快」的承诺。价格按官博是介绍期每百万 token 输入 2 美元、输出 10 美元(缓存输入享 95% 折扣),之后恢复 4 美元和 20 美元。

第三方评测里,Carbon(High)在 Artificial Analysis 智能指数 v5 上得 59.4,排第一,后面是 Claude Opus 5.5 58.4、GPT-6 Astra 56.9、GPT-6.1 Sol 54.5,9 项评测里拿了 4 项第一;编码 agent 指数上,Carbon 配 Antigravity CLI 得 59,仅次于 Claude Code 配 Opus 5.5(max)的 62,是 Google 在编码 agent 上第一次逼近 Anthropic。LMArena 文本榜上,Carbon 以 1528±9(初步,4,403 票)直接排第一。官博自报的网安和对齐数字包括 SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0%(无护栏评测),Terminal-Bench 4.0 成功作弊率 0.0%、作弊尝试 0.4%,Gray Swan 间接提示注入攻击成功率 0.0%(Argon 为 0.7%),这些都还没有第三方复现。

读这个榜之前必须知道一件事:AA 从 10 月 27 日起把智能指数换成了 v5。新增 FrontierCode 2.0 和 Terminal-Bench-Science,HLE 换成 HLE-Diamond,移除 GDPval-AA、SciCode 和 AA-LCR;60% 的题目来自私有或保留答案集,知识工作、编程、科学、通用各占 25%。私有题越多越难针对性刷分,但分数尺度也整体变了,新分数不能和以前各期直接比较。举三个例子:GPT-6.1 Terra 从 v4 的 48.1 变成 v5 的 51.0,Kimi K3.1 Pro 从 55.1 变成 46.0,DeepSeek V4.1 Flash 1017 从 45.1 变成 32.5,都是换版造成的,不是模型变强或退步。AA 还称,按 v5 口径开放权重与闭源的差距从约 3 分扩大到 12 分,同时推出把 2022 年以来模型放在同一把尺子上的 Progress Index。

同一周 DeepMind 还发布了 Genie 4,一个可以实时交互、原生生成声音和对话的世界模型,可由 Gemini 规划驱动,用来给机器人和 agent 造训练环境,演示了 Apptronik 人形机器人下跳棋。它没有量化基准,目前只是可信测试者研究预览,官方自报长会话里会出现视觉细节和物体恒常性漂移。

对选型团队,Carbon 现在大多数人还用不上,真正可做的是把它加进候选、等开放后用自己的任务复测;更重要的是更新自己的「读榜规则」:引用 AA 分数时注明版本,跨期比较只用同一版本。网安能力先给防守方,正在变成前沿模型的标准发布姿势,Anthropic 有 Cyber Verification Program,Google 有 Fairwind。

深入学习建议

主线:本周论文的共同结论是「接口和数据配方比流程花样更重要」

这三天大厂挂名的论文里,有几篇指向同一个朴素结论:给模型一个高效的执行接口、配好训练数据,往往比设计复杂流程更管用。这对正在搭 agent 的开发者是好消息,意味着先把工具接口做快、做稳,比堆编排框架更值得。

最典型的是 Meta FAIR 的 h1(arXiv 2610.35962)。标题借用了 Sutton 的「苦涩教训」(长期看,通用方法加算力总会赢过人工设计的技巧):它只用一个极简循环——模型、高效的 Lean 4 接口、验证器反馈和自我反思,不做问题分解或搜索树。Lean 可以理解为一个极其严格的数学编译器,证明能编译通过就说明每一步推导没错。论文自报在 PutnamBench、FATE-X、FormalConjectures100-Solved 上达到 SOTA,解决了 FormalConjectures 中 8 个开放问题,同模型对比下持平或超过 Goedel-Architect、AlphaProof Nexus 等专用工作流;消融实验显示,Lean 接口的效率在很大程度上决定了成本和解题率。AWS 与凯斯西储大学的 EasyProver(arXiv 2610.38174) 是另一个佐证:用现成前沿模型、不额外训练,自报解出 PutnamBench 672 题中的 669 题、全部 6 道 IMO 2026 形式化题,并在新基准 Aegis(2,045 对 Rust 与 Lean 程序、11,533 条候选规约)中,对分层抽样的 2,000 条在每条 30 分钟预算内证出 1,054 条(52.7%)。后者把定理证明拉到了真实代码验证上,离工程师的日常更近。

Apple 的 工具使用 agent 缩放律(arXiv 2610.37648) 回答的是数据怎么配。它用 SynthAPI 管线在工具、任务、数据库三个维度控制合成环境的多样性,共生成 458,752 个任务、训练 849 个模型、覆盖 4 种尺寸,结论是:数据预算变大以后,增加工具和数据库的多样性比单纯加任务数更划算,提高数据复杂度收益更大。做 agent 后训练和合成数据的团队,可以直接拿这条当配方原则。

但缩放律本身也要打折看。剑桥大学与 Google DeepMind 作者的 Ambiguous Fits(arXiv 2610.34514) 指出,标准的缩放律拟合存在「罗生门效应」:同一组数据能拟合出多条几乎一样好的曲线,外推到大规模时差别很大。他们给出一个确定性的分支定界算法,能列出所有近最优拟合对应的曲线范围。靠缩放律做算力规划的人,应该报一个区间,而不是一个点。

agent 能不能自己改进模型,这周也有两份实测。UC Berkeley 等机构的 ParetoRSI-Gym(arXiv 2610.34386) 让 agent 自己找数据、筛数据、做 SFT、读结果,循环 5 轮,覆盖数学、代码、金融、医学、科学 5 个领域;最强组合 Claude Code 配 Opus-5 把泛化分相对提升 9.2%(绝对 +2.3 分),作者认为 harness(把模型、工具、流程串起来的那层外壳)的影响和模型本身相当。爱丁堡大学与腾讯混元的 InfraDev(arXiv 2610.36589) 则泼了冷水:36 个取自 Megatron-LM、vLLM、verl 真实 PR 的任务里,6 个前沿模型最好只解决 38.9%,隐藏探针还拒掉了 32% 通过全部官方测试的提交。以上数字均为论文自报。

深入学习建议

  • 想入门形式化证明的,先读 h1 的消融部分,体会「接口效率」为什么决定解题率;再看 EasyProver 的 Aegis 基准构造。
  • 做 agent 后训练的读 Apple 论文 的多样性维度实验,对照自己合成数据的工具和数据库覆盖面。
  • 做算力规划的读 Ambiguous Fits,把自己的缩放律外推改成区间估计。

X 动态

主线:模型已经能独立写出完整漏洞利用链,跑浏览器 agent 的团队先查自己钉住的 Chromium

这是本期安全线最硬的一条,以下只写结论和修复版本,不涉及利用细节。上期还是「模型找到 PHP 漏洞」,这期 Anthropic 在落款 10 月 27 日的 红队文章 里称,一个未公开名字的内部模型写出了五条完整的漏洞利用链,分别针对 Chrome、Safari、Android(Pixel 9 锁屏绕过)、Windows(HTTP/3 远程拒绝服务,CVE-2026-33096)和 Linux(多路径 TCP 零点击远程 root,CVE-2026-98432)。利用链可以理解为把几个单独不致命的漏洞串成一次完整入侵,过去这是顶尖安全研究员的手艺。

Chrome 这条影响面最大。Anthropic 称相关的 62 个 CVE 已在 Chrome 156 修复,全部为高危或严重,其中 13 个是沙箱逃逸;这是 Anthropic 自己的统计口径,Google 不公布按报告人统计的数字,待核。可以核对的是:Chrome 10 月 27 日的稳定版更新 156.0.8078.73/.74 共修复 52 个问题,多条署名 Anthropic 研究员并注明「assisted by Claude」。Safari 的问题已在 iOS 26.5.2 修复,Pixel 9 的修复没有公开版本记录。X 上被反复转发的提醒来自 S5 Labs 的补丁清单:Puppeteer v25.16.0 仍钉在 Chromium 156.0.8078.47,Playwright v1.64.1 钉在 156 的预发布版,都早于修复线。也就是说,系统里的 Chrome 升级了,自动化框架自带的那份浏览器可能还没升,而 headless 浏览器 agent 恰恰会被引导去打开任意页面。

同一窗口还有几条线指向相同结论。Bitcoin Core 修复了 Spiral 的「Project Loupe」用 LLM 找到的内存耗尽类漏洞,修复版本为 29.5、30.4、31.2、32.1。Anthropic 研究员参与的 arXiv 2610.37741 首次端到端显示,在预训练语料里少量投毒,就能让后训练出来的命令行 agent 带上远程执行后门,模型越大越容易中招,后训练流程干净也挡不住(论文自报 4B 模型在 0.1% 污染率下攻击成功率约 92%)。CISA 在 10 月 27 日把 Brotli 的 CVE-2026-111497、10 月 28 日把 Linux 内核提权漏洞 CVE-2026-46300(Fragnesia)列入已知被利用漏洞目录(KEV);据 SecurityWeek,与中国有关的攻击者已把 PHP2Shell 和 Fragnesia 串起来,在野拿下部分防火墙的 root 权限。上期的 AGENTS.md 劫持问题仍没有厂商补丁:Codex 的 issue #41499 记录,即使项目设为 untrusted,AGENTS.md 仍会进入提示词,这个 issue 8 月创建、至今未关闭;Forever Security 补充了一次在执行前被拦下的真实攻击尝试。

攻防两边用的是同一种能力。Google 把 Carbon 先给防守方、Anthropic 把发现交给厂商修,都是在抢时间差;对使用者来说,「补丁按小时算」已经不是口号。浏览器 agent 和 RPA 团队、终端安全、Linux 服务器运维,这周都该过一遍版本。

深入学习建议

主线:蒸馏指控目前只是一篇媒体报道,被指三家都没有回应

10 月 29 日上午起,X 上开始大量转述 The Information 的独家报道(路透随后转述):DeepSeek 和月之暗面大量使用 GPT-6 Astra 的输出,蒸馏训练了 DeepSeek V4.1 Flash 1017 和 Kimi K3.1 Pro。蒸馏(distillation)指用一个强模型的输出当教材去训练另一个模型,就像学生抄着老师的标准答案练题。报道的消息来源是「直接知情人士」;截至路透发稿,OpenAI、DeepSeek、月之暗面三家都没有回应。所以这件事目前的性质是媒体报道,不是任何一方的结论。

X 上的转述还附带了两条背景,都只见于转述、待核:Anthropic 称其新限制让蒸馏量下降 90–99%;OpenAI 9 月曾把一次蒸馏活动关联到与月之暗面有关的人员。Anthropic 本周公布的 self-assessment 机制,也把蒸馏列为它会捕获的滥用类型之一。

技术上,「谁蒸馏了谁」以前很难拿出证据,这周恰好有一篇论文给了工具。Meta FAIR 与 Meta Superintelligence Labs 的 Watermark Basins(arXiv 2610.37266) 发现,带水印的教师输出会在学生模型参数里留下一块和任务微调方向正交的「水印盆地」,只靠 API 黑盒查询就能检测。论文自报,学生模型规模 135M 到 8.2B,在 0.1% 误报率下,n-gram=1 时检出 79%、n-gram=3 时检出 45%,基线分别只有 29% 和 1.3%,经过量化、剪枝和 RL 后训练信号仍在。要注意前提:教师的输出得事先加了水印,它不能回溯证明过去的蒸馏。

这件事和两条追踪线缠在一起。第一条是 Kimi K3.1 Pro 的权重:月之暗面此前称 11 月 4 日前放出完整权重(自述),但截至 10 月 30 日上午,Hugging Face 上 moonshotai/Kimi-K3.1-Pro 仍返回 401,官方最新公开仓库还是 9 月 2 日更新的 Kimi-K3。Hugging Face 上另有一个名为 audnai/penclaw-Kimi-K3.1-pro-unrestricted 的仓库,是冒名仓库、不是官方发布,不要下载或当作权重已经放出。第二条是榜单:AA v5 上 Kimi K3.1 Pro 得 46.0,是开放权重类最高(AA 页面仍标为专有,因为权重未放),有人拿它和 v4 的 55 分对比,但两个版本口径不同,不能直接比。

如果报道属实,「开放权重追平闭源」的一部分进展来自闭源模型的输出,OpenAI 很可能进一步收紧 API(限额、水印、条款)。选型国产开放模型的团队不必因一篇报道换模型,但可以关注 11 月 4 日 Kimi 放权重时的许可证和模型卡写法;研究模型溯源的读者,Watermark Basins 是本周最值得精读的一篇。

深入学习建议

  • 先看 The Information 原帖,注意消息来源的表述,等三家正式回应再下结论。
  • 读 Watermark Basins 的方法部分,理解「水印盆地」为什么能扛住量化和剪枝,以及它对教师侧水印的依赖。
  • 想看开放与闭源差距的读 AA v5 说明 里的对比图。

主线:AI 数学声称进入「围观核验期」,OpenAI 三项发现仍无外部定论

上期 OpenAI 称其模型证伪了指数时间假设(ETH)、证明了全维局部光滑猜想(进而推出 Kakeya)、并给出 QCD 与纯 Yang–Mills 的存在性证明。这三天的结论很简单:截至窗口结束,没有任何一项被外部专家组正式确认或否定,所以仍只能写成「OpenAI 称」。ETH 是理论计算机的一块地基,大意是 3-SAT 这类问题不存在明显快于 2 的 n 次方的算法,几百篇论文的下界都以它为前提。

X 上的新进展反而让局面更热闹。OpenAI 公布约 37 分钟后(10 月 27 日清晨 Asia/Singapore,略早于本窗口,传播在窗口内),Anthropic 在 GitHub 的 formal-math 仓库 发布署名「Claude, Anthropic」的论文,给出 3-SAT 的确定性 2^o(n) 算法并附 Lean 4 形式化证明;Anthropic 称这是内部模型 10 月 16 日在没有人工输入的情况下找到的,用了约 1,400 万输出 token。这同样是自述,也同样没有外部确认。关于这个算法从多大规模起才真正比暴力搜索快,X 上有「n > 10^108」和「n > 10^10000」两种互相矛盾的说法,都待核;无论哪个,都远超任何实际问题规模,意义在理论而非实用。

物理这边,加州大学圣塔芭芭拉分校的 KITP 发布了 Yang–Mills 工作组声明,这个科学协作组负责解读 OpenAI 的 QCD 与 Yang–Mills 结果。另有「数学与 AI 顾问组」公开要求 OpenAI 公布仍未放出的 Yang–Mills 证明,以及证明长达 1,147 页的说法,都待核。

最容易被误读的是密码学。X 新闻汇总称,马克斯·普朗克研究所与波鸿鲁尔大学的研究者在 OpenAI 的 ETH 结果基础上,提出了椭圆曲线离散对数问题(ECDLP,椭圆曲线密码的安全基础)的亚指数算法。目前没有找到论文原文,待核;密码学家 Matthew Green 等人认为没有实际威胁,Ryan Williams 转发了 Chris Peikert 的回应。在论文出现、同行看过之前,不要据此得出「椭圆曲线密码被攻破」之类的结论。同样待核的还有 Altman 在播客中提到的「Navier–Stokes 单次证明算力约 1,000 万美元」,以及 Axiom 称用 AI agent 在 24 天内把有限单群分类定理形式化、共 4,310 万行 Lean。

一篇 UIUC 的论文正好可以用来校准预期。OpenFrontiers(arXiv 2610.37739) 收集了 12,151 个开放问题,基准 200 题都带 Lean 4 陈述;论文自报,7 个 LLM agent 在闭卷条件下最多只重新发现了 40 道已解决题中的 7 道,联网时的成功大多来自检索到已发表的解法。Lean 能保证推导没错,但不保证命题写对、也不保证结果是新的,专家组要核的正是这两层。

对理论计算机和数学物理的研究者,可以直接读已公开的 Lean 文件;其他读者最稳妥的做法仍是等专家组表态,转述时保留「某某称」。

深入学习建议

  • 研究者直接看 Anthropic formal-math/eth 里定理是怎么陈述的,对照上期 OpenAI 公开的材料。
  • 读 OpenFrontiers 的闭卷与联网对比,理解「重新发现」和「检索」的区别。
  • 关注 KITP 声明 后续,Yang–Mills 部分的材料何时公开会是下一个节点。

热门开源项目

主线:PyTorch 2.15 换上重写的 NCCL 后端,llama.cpp 0.8 开始支持实时语音

这三天开源侧最重要的不是新星仓库,而是两个基础设施的大版本:一个改变多机训练的默认通信层,一个把本地推理从「文字」扩到「语音」。

PyTorch 2.15.0 于 10 月 29 日凌晨发布。NCCL 是 NVIDIA 的多卡通信库,分布式训练里梯度同步全靠它,这次 PyTorch 把重写的 NCCL 后端直接设为默认,并附带一个卡死时自动转储现场的 flight recorder,相当于给训练任务装了行车记录仪;如果出问题,可以用 TORCH_DIST_USE_NCCL2=0 或 nccl-legacy 回退。torch.distributed 新增单边传输,包括 NIXL 后端和可被 CUDA graph 捕获的传输;FSDP2 和流水线并行对显存与通信的控制更细。推理方面,Blackwell 上的 NVFP4(NVIDIA 的 4 位浮点格式)解码更快,Apple Silicon 新增 FP8 和 grouped_mm,官方称 MoE 解码 tokens/s 提升 1.32 到 1.34 倍。默认 wheel 改为 CUDA 13.2,torch.compile 支持 Python 3.15。有一处不兼容变更要注意:同一进程里不能再重复导入 torch,importlib.reload(torch) 会直接报错,有热重载习惯的 notebook 和测试脚本可能中招。

llama.cpp v0.8.0 是继 v0.7.0 之后的正式版。server 新增实现 OpenAI realtime 协议的 /v1/realtime 端点(对话和转写)以及 /tts 端点,mtmd 新增实验性的流式音频输入 API。配合同期入库的 LiquidAI LFM3 系列(PR #31257),一个 2B 级的音频或全模态模型就能在本地做语音识别、合成和对话。新架构还包括 DeepSeek V4.1 Flash、Beam、Flint、Muse Spark;MoE 专家缓存改为 50/50 的 SLRU 策略(把缓存分成试用区和保护区,常用专家不容易被挤出去);web UI 可以直接从 HF Hub 浏览和下载模型。Ollama v0.40.13 也把 LFM3(含语音合成)扩展到 Linux 和 Windows。

适用场景很清楚。跑多机训练的团队,升级 2.15 前要先在小规模任务上验证新 NCCL 后端,并记住回退开关;单机推理和 Mac 用户可以直接享受 FP8 和 MoE 提速。想在本地搭语音 agent、又不想把音频送进云端实时 API 的开发者,现在可以用 llama.cpp server 加一个 LFM3 音频模型跑通整条链路,再按延迟需求决定是否上云。

深入学习建议

  • 先读 PyTorch 2.15.0 发布说明 的 Distributed 和 Backwards Incompatible 两节,确认回退方式。
  • 本地语音方向,从 llama.cpp v0.8.0 的 /v1/realtime 说明入手,用 LFM3-Audio-2B 跑一段转写。
  • 用 Ollama 的直接升到 v0.40.13 试 LFM3。

主线:Codex 同时变开放也变便宜,CLI 直连 Vertex AI,订阅用量翻倍

OpenAI 的编码 agent Codex 这周在开源 CLI 和订阅两头同时有动作,对已经在用的团队都是直接利好。

开源的 Codex CLI 0.165.0 把上期在 SDK 里出现的 gpt-6.1-terra 加进模型目录,0.166.0 又把它放进内置、Vertex AI 和 Amazon Bedrock 三套目录。更实用的是 0.165.0 新增了内置的 Google Cloud Vertex AI 提供方(model_provider = "gcp"),在 GCP 体系里用 Codex 不再需要中转;新建配置默认启用 memory v2,并支持导入其他 agent 的记忆;对话中途改推理强度也默认开启。0.166.0 加入键盘驱动的转录选择与搜索、codex queue --resume,以及专门排查网络问题的 codex doctor --network-only。这两个版本里还修了一处插件市场 URL 校验问题,它可能让 Git 连到和白名单检查时不同的主机,建议尽快升级。

订阅侧,Codex 团队负责人 Tibo 的 28 天计划走到 Day 25:10 月 30 日凌晨起,Pro 100、200、500 三档和 Business Premium 的全部用量上限即日翻倍,原定的 Pro 200 降额取消,dot(Codex 的常驻助理)继续单独计算并享受延长额度。此前一天,OpenAI Devs 宣布符合条件的 Pro 和 Business 订阅用户每月最多可领 500 美元 API 额度;Day 24 则让用户能像发短信一样给自己的 dot 发消息。ChatGPT 与 Codex 的合并,Tibo 说还没开始推、「今年内某个时候」;X 新闻汇总称页面里有隐藏说明,12 月起付费方案的 ChatGPT 和 Codex 共用一个限额,待核。

第三方对 Terra 的评测也在这三天陆续出来,结论是「便宜是共识,比 Astra 好有争议」:AA v5 前 10 名里 Terra(max)每任务成本最低,0.96 美元,最贵的 Fable 5.1(max)是 13.04 美元;有开发者用同一提示实测,Astra 花 14.37 美元、40 分钟,Sol 5.20 美元、46 分钟,Terra 2.14 美元、25 分钟(单人测试,仅供参考)。The Information 的评价是 OpenAI 在靠低价拿客户,但企业仍愿意为 Claude 的效果多付钱。

如果你是 Pro 或 Business 用户,现在就该把那 500 美元 API 额度领出来,用来跑自己的模型对比;GCP 上的团队可以直接试 Vertex 提供方。想要最强推理的长链路任务,仍应按每任务成本比较,而不是只看单价。

深入学习建议

模型相关

主线:Mistral Large 4 放出约 1T 参数开放权重,欧美阵营有了万亿级可自部署选项

这是本窗口最大的一份开放权重。10 月 29 日晚(Asia/Singapore),Mistral 在 Hugging Face 放出 Mistral Large 4,此前它只以 Preview 形式出现在 API 和 AA 上。按模型配置和 Transformers v5.22.0 发布说明,它是原生多模态的 MoE(混合专家,每个 token 只激活一小部分参数),总参数约 1T,每 token 激活约 49B,算上嵌入层和输出层约 52B;128 个路由专家每次激活 4 个,另有 1 个共享专家;配置里的最大位置长度是 1,048,576,也就是约 1M 上下文;输入支持文本和图像,推理强度可按请求设为 low、medium、high。权重直接以 FP8 块量化发布,54 个分片约 1.08TB,内嵌一个用于投机解码的 draft head。

许可证不是 Apache:模型卡写的是 Mistral Ecosystem Open-Weight License(改版 MIT),做模型即服务(MaaS)的公司需要另签商业许可,企业内部使用不受限,具体边界要读完整条款。部署门槛方面,单机 8 卡张量并行即可(vLLM 有官方镜像),官方另给了 NVFP4 版本,Blackwell 用户门槛更低;unsloth 和 ggml-org 已跟进 GGUF,Transformers v5.22.0 和 llama.cpp 首日支持。

成绩要分开看。AA 智能指数 v5 上,Mistral Large 4(High)得 26.0,比 Preview 高约 1 分,略高于 Meta 的 Muse Spark Open(24.7),所以「中国以外最强开放权重」的说法成立;但它比 DeepSeek V4.1 Flash 1017(32.5)和 GLM-5.3(31.7)低 6 分左右,离 Kimi K3.1 Pro(46.0,权重未放)更远,「开放权重第一」并不成立。AA 的网安指数上它得 51,开放模型中排第三,仅次于 DeepSeek V4.1 Flash 1017(57)和 MiMo-V2.6-Pro(56);每个指数任务输出 82K token,比 Preview 少 39%;短板是 FrontierCode 2.0 只有 15%(DeepSeek 29%、GLM 22%)。

以下都属于厂商自述或尚未单独核实,按待核处理:模型卡称训练用了欧洲境内 3,800 块 Grace Blackwell GPU、支持 160 多种语言;卡片自报「AA 编程 agent 指数 48%,与 GLM-5.3 持平且 token 少 47%」,未在 AA 页面逐项核对;发布说明称它在网络安全、金融、法律任务上表现突出、视觉定位超过闭源前沿模型;X 上流传的「API 半价」也没有在官方材料里核到。Mistral 官方发布文 中这些表述本期没有逐条核实。另外它在 LMArena 文本榜排第 113(1432±6),那是 API 期间入榜的同名条目,并非本次新进。

需要欧盟数据主权或本地部署的大企业、做长上下文多模态 agent 的团队,可以认真评估它;只想要最高分开放模型的,DeepSeek 和 GLM 仍更强;资源有限的团队要先算清 1.08TB 权重的存储和 8 卡部署成本。

深入学习建议

主线:LiquidAI 一次放出整套 LFM3,2B 级模型开始专攻本地 agent

如果说 Mistral 在比谁更大,LiquidAI 这周在比谁更小但更专。10 月 27 日下午到 28 日凌晨(Asia/Singapore),LiquidAI 把 LFM3 整套端侧家族的权重全部放出:主力 LFM3-1.7B,以及视觉 VL-2B、语音 Audio-2B、全模态 Omni-2B、底座 Base,和一类新东西 d1。

LFM3-1.7B 不是纯 Transformer,而是卷积加注意力的混合结构:24 层里 13 层门控短卷积、5 层滑动窗口注意力、6 层全局注意力。可以这样理解:卷积层只看附近几个 token,便宜;全局注意力看全文,贵;把贵的层压到少数,就能在手机和笔记本上跑出 256K 上下文,4-bit 量化后约 1GB。它明确针对 Hermes Agent、OpenClaw 这类本地 agent 场景训练。Omni-2B 支持文本、图像、视频、音频输入,输出文本和 24kHz 语音,32K 上下文。d1 最特别:它不生成 token,只做「决策」,在 H100 上单次决策约 5.7 毫秒,用途是给 agent 做路由和判断,比如这条请求该交给哪个工具或哪个大模型。

卡片自报的成绩和 Qwen3.5 9B 对比,都待第三方复现:agent 类基准大幅领先,LiveClaw 45.60 对 35.77、WebArena-Verified 38.42 对 28.94、AutomationBench 41.29 对 15.10、BFCL V4 71.39 对 62.83;但 SWE-bench Verified(OpenCode)43.40 对 51.20、GPQA Diamond 63.37 对 80.40 明显落后,官方也写明不推荐用于 agentic coding。所以它是一个「小而专」的 agent 底座,不是通用小模型的全面替代。社区接受度不低,GGUF 版三天下载约 6.1 万;许可证是 LFM Open License v1.0,商用的营收门槛要读原文。

适合的人很明确:做手机和笔电端侧 agent、需要离线工具调用的开发者;需要毫秒级路由判断的 agent 平台(d1);做本地语音助手的团队(Omni、Audio,配合本期 llama.cpp 0.8 和 Ollama 0.40.13 的支持)。需要写代码或深度推理的,仍该交给更大的模型。

深入学习建议

  • 先读 LFM3 官方博客 的架构图,再看 d1 博客 理解「决策模型」的用法。
  • 本地试用从 LFM3-1.7B-GGUF 开始,用自己的 10 个工具调用任务对比现用小模型。
  • 商用前读 LFM3 合集 各模型卡里的 LFM Open License 条款。

主线:专用模型往「大底座」走,NVIDIA 用 30B 级 LLM 做语音识别,面壁给 OCR 配了自检模型

第三条线是专用模型。语音识别和文档 OCR 都是生产管线里的老需求,这周两个新权重给出了相反方向的答案:一个把模型做大,一个把模型做小但加上质检。

NVIDIA Nemotron 3.5 Transcribe 30B-A4B 于 10 月 27 日晚放出权重。过去开放 ASR(自动语音识别)的主力是 Parakeet 这类 0.6B 级专用小模型,这次 NVIDIA 直接拿 Nemotron 3.5 Lightning 30B-A3B(Mamba-2 与 Transformer 混合的 MoE)当底座,加上音频编码器,总参约 34B、激活约 4.3B,单张 H100 可跑,支持 40 种语言、最长 1 小时录音、65,536 上下文,许可证是 openmdw-1.1。卡片自报 Open ASR 榜平均词错率(WER,转写出错的词占比,越低越好)4.71,略好于 Qwen3-ASR-1.7B 的 4.94;长音频 10.98 对自家 Parakeet-TDT-0.6B-v3 的 13.37,多语种 4.62 对 6.49,多说话人 cpWER 15.80。NVIDIA 博客称它在 HF Open ASR 榜第一、AA 开放权重语音识别第二,待核;最亮眼的吞吐数字(RTX PRO 6000 上每秒处理 2,238 秒音频)依赖尚未开源的 NIM 优化。代价是体量比主流 ASR 大一两个数量级,短句、低延迟场景未必划算。配套多语种语音数据集 Granary-v2 也进了数据集 Trending。

它的底座来自 NVIDIA 同期的 Nemotron 3.5 Super / Lightning 技术报告(arXiv 2610.38095):Super 是 120B 总参、12B 激活的多模态模型,Lightning 是 30B 总参、3B 激活的纯文本模型,都专为 agent 场景优化。报告自报 Super 在 SWE-bench Pro 上 51.78%,超过 Nemotron 3 Ultra,激活参数约少 4.6 倍;NVFP4 相对 BF16 的中位精度恢复 99.62%;GB200 上最高每 GPU 每秒输出 4,856 token,同时每用户不低于 50 token/s。

另一头是面壁的 MiniCPM-OCR-1.0:基于 MiniCPM-V-4.6、只有 1.3B,专做中英文文档和 PDF 解析,覆盖表格、公式、图表、印章和关键信息抽取,Apache-2.0。项目自报 Real5-OmniDocBench 93.68、OCRBench v2 54.7,吞吐约为 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍。更有新意的是配套的 MiniCPM-OCR-Jev:它在区域级别判断 OCR 结果靠不靠谱,把可疑区域和可靠区域分开标出,还能配合其他解析模型使用,让人工只复核该复核的地方。权重 10 月 23 日就已上传,模型卡和 GitHub 仓库 10 月 27 日晚才公开,首日支持 vLLM、SGLang、llama.cpp 和 Ollama。

选型思路:做会议纪要、播客和客服质检这类长音频、多说话人转写的团队,值得在自己的录音上测 Nemotron Transcribe;只做短句识别或需要端侧运行的,小模型仍更现实。做 RAG 文档入库、票据合同解析的,可以拿真实扫描件测 MiniCPM-OCR,Jev 的「质检」思路即使不用这个模型也值得借鉴。

深入学习建议

次要动态

大厂与产业

  • OpenAI 更新 Model Spec:重组为五大价值(忠于人类意图、最小化伤害、诚实透明、人类能动性、关怀),新增「忠于人类意图」章节,退役大部分细节风格指南,文中把模型称为「GPT」而不是「the assistant」,并承认模型尚未完全符合 Spec。OpenAI
  • OpenAI 企业合作:ServiceNow 集成进 ChatGPT,ServiceNow MCP 插件上架 OpenAI marketplace;Oracle AI Workspace 把 Oracle 应用带进 ChatGPT,Oracle 自报 13 万 ChatGPT 活跃用户、9.5 万以上 Codex 活跃用户。ServiceNow · Oracle
  • Anthropic 药物研发盘点:Claude 深度参与 BigHat、BMS、Enveda 等 6 家机构的真实项目,多数仍在临床前;Anthropic 收购单人公司 Mithril Medicine 自做药物发现,目标最快 2028 年底进入人体试验。合作方自报 Enveda 文档审阅时间降 89%(25 小时以上到不足 3 小时)。Anthropic
  • Anthropic 政府与科研:与美国 GSA 扩大合作,40% 折扣扩展到州、地方、部落与领地政府;AI for Science 新增 20 家合作方发放免费额度。GSA · AI for Science
  • Claude API:Messages 和 Token Counting 单次请求上限从 32MB 提到 128MB。Claude Devs
  • Anthropic IPO:截至 10 月 30 日上午,EDGAR 上仍无 S-1/A,发行规模和价格区间未定;S-1 披露 2025 年 10 月从美国政府回购 4,453,900 股罚没的 B 轮优先股,每股 140.9676 美元并原价转售给 9 名投资者,合计约 6.27 亿美元。「11 月 16 日那周上市」只见于媒体转述,待核。
  • Meta:个人 agent Muse 在新加坡上线,接入 Shopee、Grab、新航等本地服务,密码和支付方式不给 agent 看;JiTTesting 用 LLM 生成即时测试拦截 diff 中的 bug,自报 2026 年上半年拦下 74 个严重隐私事故。Muse · JiTTesting
  • NVIDIA RTX Spark 笔记本:ASUS、Dell、HP 等推出,最高 128GB 统一内存、最高 1 PFLOP FP4。NVIDIA
  • Google Research 睡眠式持续学习:给 LLM 加「清醒/睡眠」周期,把上下文记忆蒸馏进长期参数,数字为官方自报、待核。Google Research
  • 融资与工具:Cohere E 轮首次交割,目标最多 70 亿加元、估值 357 亿加元;Cognition 收购安全公司 Corridor;GitHub 发布在 Anthropic 与 OpenAI 模型间编排的 Copilot Fusion;LangChain Managed Deep Agents 0.10 公测;Cursor 设计模式新增 Annotate。Cohere · Cognition · Copilot Fusion · LangChain
  • 追踪项:阿里仍未公开回应 Cohere 对 Qwen3.8 的调查;Cathedral、Fable 5.5、Claude auto mode 默认开启、DeepSeek 融资本期均无新消息。

论文

  • 2610.38433(独立研究者):25 个开源模型上,答案对自身 CoT 的依赖率随规模上升,Qwen3 从 0.6B 的 16–18% 升到 14B 的 97–100%,支持在这类任务上做 CoT 监控(论文自报)。
  • 2610.36405(kw-bench,单作者):同一模型换不同 harness,结果可以从 0.00 到 0.54 不等,提醒评测必须报 harness;只有一个任务族,样本小。
  • 2610.37481(DatologyAI、UIUC):用梯度追溯找出让模型变不安全的训练样本,删掉 Tulu 3 中最相关的 20% 后 GCG 攻击成功率最多降 22%,能力基本不降(论文自报)。
  • 2610.35188(V³AST-Bench,单位待核)与 2610.34074(单位待核):只记结论——最强编码 agent 在可执行验证下仍会造成真实危害,能识别风险不等于能安全执行;哪些越狱能打穿模型主要取决于预训练随机种子,单个 checkpoint 的越狱评测不能外推。

开源与模型

  • pbakaus/impeccable:给编码 agent 的设计指令集(polish、bolder、critique、audit),10 月 30 日抓取时 GitHub 日榜当日 +2,870 星排第一、周榜 +9,713 星。impeccable
  • inclusionAI Ling-3.1-flash-1019:560B 总参、25B 激活的混合线性注意力 MoE,1M 上下文,MIT 许可,AA v5 得 29.5。HF
  • 其他新权重:块扩散语言模型 Clover-35B-A3B-Preview(Apache 2.0);ServiceNow 语音理解 Apriel-Voice-27B-preview(MIT);Pika 视频加音频生成 Pika-H3-Flex(下载量仍为 0)。
  • HuggingFaceBio/Carbon-X:10 月 28 日修复 tokenizer 持久化并统一 EOS,早前下载的建议重拉。HF
  • 榜单:AA 图像编辑榜新进 MAI-Image-2.7-Preview,直接排第二(1193±15);AA 文生图榜无变化;LMArena 文生图和视觉榜本窗口未刷新。AA 图像编辑榜

来源与延伸阅读

今日行动建议

  • 跑浏览器 agent 或 RPA 的团队,把 Chrome 升到 156.0.8078.73 及以上,并检查 Puppeteer、Playwright 自带的 Chromium 版本是否已跟上;iOS 设备升到 26.5.2,Bitcoin Core 节点升到修复版 29.5、30.4、31.2 或 32.1。
  • 用编码 agent 的开发者,继续避免在下载目录、桌面这类目录里启动 agent,AGENTS.md 问题目前没有厂商补丁;Codex CLI 升到 0.166.0。
  • 做 agent 平台的工程师,对照 OpenAI 的四层监控盘点自己的盲区:哪些流量没人看、告警多久到人、复核者是否能独立于 agent 的结论。
  • 引用 Artificial Analysis 分数时注明 v5,跨期比较只用同一版本;把 Gemini 4 Carbon 加进候选清单,等开放后用自己的任务复测。
  • 跑多机训练的团队,先在小任务上验证 PyTorch 2.15 的新 NCCL 后端,记下 TORCH_DIST_USE_NCCL2=0 回退开关。
  • Pro 或 Business 订阅用户领取每月最多 500 美元的 API 额度,用来做模型对比。
  • 需要可自部署大模型的团队,评估 Mistral Large 4 时先读许可证里关于 MaaS 的条款;等 Kimi K3.1 Pro 时只认 moonshotai 官方仓库。
  • 对蒸馏报道和 AI 数学声称,转述时保留「据报道」「某某称」,等当事方回应和专家组结论。
🎵 看累了听个音乐吧
跟鬼哥聊聊 AI