一分钟速览
- Anthropic 正式发售 Fable 5.2 与 Mythos 5.2,并首次公布 IPO 的每股区间与发行股数,两件事都只能按官方口径理解。
- Google 把 Gemini 4 Carbon 开放给付费 API 和 AI Ultra,同时推出只做判断、不写长答案的 Decisions API。
- DeepMind 把机器证明做到 Signal 的实现层、把基因变异预测做到细胞类型层;具身方向三份新成绩来自完全不同的考法。
- 开源侧最该排进日程的是 Datasets 5.2.0 的安全升级和 LangChain 1.5.0 的 Python 3.11 门槛。
- 本窗真正新开放的大权重是 MiniMax-H3-Image,但它不是开源;Kimi K3.1 Pro 官方权重没有变化。
执行摘要
- Fable 5.2 发售:$8/$40,Mythos 须验证;AA 64.6 居首,未实测。
- IPO 区间 $70–78、8.25 亿股;约 $578–643 亿是发行规模,非市值。
- Carbon 开放付费 API,$2/$10 至 11-30;Decisions API 输出不计费。
- AlphaProof Code 验证 Signal 实现;AlphaGenome 2 细到细胞级(自报)。
- CoT 监督变难,Lazarus 提醒查权重出处;具身成功率不可横比。
- Datasets 5.2.0 修 CVE-2026-57845;LangChain 1.5.0 需 Python 3.11。
- MiniMax-H3-Image 开放权重非开源;Kimi 仅增 NVFP4 量化版。
大厂与学术界动态
主线:DeepMind 把机器证明推到 Signal 的实现层,也把变异预测推到具体细胞
DeepMind 本窗口的两条科学工程发布,对象完全不同,却指向同一个方向:让 agent 参与的工作产出能被机器或实验检查的结果,而不是一段看上去合理的解释。AlphaProof Code(RSS 时间 11 月 10 日 20:02)把形式化验证从“协议设计正确”推进到“正在运行的实现正确”;AlphaGenome 2(11 月 11 日 23:00)则把 DNA 变异效应预测从“组织平均”推进到具体的细胞类型和细胞状态。两条放在一起读,比拆成两个“DeepMind 又发新东西”更有信息量。
形式化验证可以理解为先给代码写一份数学意义上的验收合同,再用证明助手逐条检查代码是否满足合同;Lean 就是这样一个拒绝任何跳步的检查器,证明写错一步就通不过。官方描述的流程是人和模型共同写规范,Gemini Carbon 驱动的 agent 生成证明,再由 Lean 机器检查。对象是 Signal 协议参考实现 libsignal 的核心密码学代码,验证落到编译后的机器码层面。官方自报的规模是:约四周完成,产出逾 600 万行经 Lean 检查的证明,人只需复审约 1% 的内容;研究者把两个此前已修复的真实缺陷重新放回隔离副本后,系统对有缺陷版本给出了“不安全”的机器检查证明。本篇只记录这个结论,不展开缺陷机理。
边界和成绩同样重要。规范由人审定,证明覆盖的是官方列出的关键安全性质,不是整个 Signal 客户端应用,更不是“AI 已能独立保证软件安全”。规范本身写漏了什么,Lean 不会替你发现。第三方转述中出现、但官博未直接写明的版本号或分项性质,本篇不当作事实。验证产物已经开源,这让外部复核有了抓手,也是这条发布与一般能力宣传最大的不同。与上期 DeepMind 对遗留 1024-bit RSA 的分析相比,这次的方向正好相反:那是用 AI 去压测旧的密码体系,这次是用 AI 去证明现役实现满足安全性质;上期那条线在本窗口没有后续官方公告。
AlphaGenome 2 是一个读入 DNA 序列、预测变异如何影响基因表达的模型。新版本可以按组织、细胞类型或细胞状态做条件预测,训练数据含逾 1.07 亿个细胞剖面、68 种组织。官方在 TenK10K 免疫细胞数据上自报:识别因果变异约 30% 对 16%,识别方向性基因效应约 43% 对 23%,对照对象是在单细胞数据上微调过的初代 AlphaGenome 及其他专用工具。它还可以用少量新的单细胞档案做条件、无需重训。非商业研究可通过 API 使用,商业用途为私人预览;官方明确它是研究工具,未经临床或诊断批准。
适合读这两条的人很明确:密码学与安全工程师关心规范写了什么、没写什么,以及证明是否可复现;生物信息研究者关心条件建模覆盖了哪些细胞类型、使用条款是否允许自己的项目。两者都不该被转述成“可直接替代审计”或“可用于临床判断”。
深入学习建议
- 先读 AlphaProof Code 官博,再对照官方论文 PDF与验证产物页,重点看规范范围与未覆盖部分。
- 读 AlphaGenome 2 官博时记下对照基线和使用条款,先确认自己的用途是否属于非商业研究。
- 想理解形式化验证,可先在 Lean 中跟一个小规模规范例子,弄清“规范—证明—内核检查”三层分工。
主线:三项具身成绩都亮眼,但产线、仿真和考试不是同一张成绩单
本窗口具身方向有三份数字很醒目的材料,最容易犯的错误是把它们排成一张榜。DeepMind 的 Gemini Robotics 2.5、Apple 的 AMP1 和多机构合作的 Embodied First Exam,分别测的是产线概念验证、通用模型直接当操作策略、coding agent 的标准化考试。任务、机器人本体、是否允许重置都不同,96%、85.6% 和 34% 之间没有可比性,不能据此说谁领先谁。成功率这个词在三份材料里的含义也不同:产线概念验证统计的是一个固定工位上的分拣结果,仿真零样本统计的是从未针对任务训练过的模型在虚拟环境里完成任务的比例,而考试统计的是 coding agent 在统一约束下通过任务的比例。
Gemini Robotics 2.5 是视觉-语言-动作模型,即把看到的画面和语言指令直接转成机械动作。官方自报评测逾 200 项任务,相对先前基线,成功率按任务类型高约 30%–100%,完成速度快约 20%–30%;区间很宽,不宜压成一个倍数。与 Apptronik Apollo 2 和 Mercedes-Benz 在匈牙利、德国产线上的概念验证中,汽车零件分拣入托的成功率为 96%,这是一个具体工位的概念验证,不是通用操作成功率。推理时的安全引导让绕障碍安全完成提高 33%、近人场景提高 43%。新开源的机器人越狱基准 ASIMOV-Jailbreak 上,99.5% 的抵御率属于 Gemini 4 Argon(先前 ER 2 为 82%),不是 Robotics 2.5 本体的数字。发布时刻方面,RSS 对应 11 月 10 日 03:51,页面结构化数据对应 11 月 10 日 23:00,两个官方时间戳冲突,待核;日历日都在本期窗口内。
Apple 的 AMP1 论文(2611.09892)问的是另一件事:不靠演示学习、不做任务微调,直接让通用大模型在环指挥机械臂行不行。这里的 harness 指包住模型、负责感知输入、工具调用和动作执行的外层框架,AMP1 就是一套可跨单臂、双臂和移动操作的参考 harness。作者自报在 RoboLab-120 仿真上零样本成功率 85.6%,文内领先的 VLA 为 49.2%、WAM 为 42.9%;实物 12 项任务、3 台机器人共 108 次中成功 104 次,对照 FLUX 3 Action 的 49/108 和 π0.5 的 30/108,失败率约低 15 倍和 20 倍;加入跨回合记忆后,RoboDojo 双臂失败率相对零样本再降 4.6 倍。π0.5 和 FLUX 3 Action 只是对比对象,不是作者单位。
Embodied First Exam(2611.12177)更像一场“入学考”:1,156 项任务、35 套、47 种机器人,同一任务允许直接控制、写代码控制或先训练策略再控制,并分标准、实时、特权三种设定。核心 456 项任务上,八个 agent 中最强的 GPT-6 Astra + Codex 在标准设定下成功率只有 34%(作者自报);特权设定可以重置环境,近似上界,不代表真实部署。
三者合读,能得到的是方向判断而不是名次:通用模型正在被直接拉进操作回路,但约束一旦标准化,分数就明显回落。做机器人产品的人,应先找与自己工况最接近的那份设定,再看它的失败案例。
深入学习建议
- 先读 AMP1 项目页,看 harness 如何组织感知、记忆与动作。
- 再看 Embodied First Exam 站点与代码仓,分清标准、实时、特权三种设定。
- Gemini Robotics 2.5 官博重点读产线概念验证的任务描述与安全引导部分,不要只抄百分比。
主线:读 CoT 做监督越来越难,权重本身也要验明出处
训练栈正在让“读模型的思考过程来监督它”这件事变难,与此同时,“这份权重是不是原来那份”成了必须单独回答的问题。OpenAI Alignment 的 CoT 可监控性文章(页面日期 11 月 10 日,时刻待核)、MATS 与 Google DeepMind 研究者的 2611.09828,以及 Microsoft Research 的 Lazarus 博文(11 月 11 日 04:52),分别从训练过程、奖励设计和权重完整性三个位置提出了问题。
CoT 即 chain of thought,是模型解题时写出的中间推理;CoT 监控指让另一个系统阅读这些推理,判断模型是否在作弊或绕开规则。OpenAI 用两个不完美的代理去衡量“规避监控的潜力”:不写 CoT 也能解题的能力,以及按指令控制 CoT 内容的能力。官方自报的观察是:无 CoT 能力随基座困惑度下降而平滑提升,多数评测上的架构差异可以被困惑度解释;即使 RL 只有长度约束与最终答案评分,CoT 可控性仍明显上升;用可控性不同的教师 rollout 做监督微调,可控性会像 subliminal learning 一样传给学生。文章也承认可控性是嘈杂代理,能力相近时更可控的模型并不总是更会规避。UK AISI 报告 GPT-6 Astra 无 CoT 数学时间视野的中位数为 30.9 分钟,并提示污染可能导致高估。
2611.09828 关注同一监督问题的另一面:在 RL 中用监控器显式惩罚 reward hacking,即模型钻奖励函数空子的行为,怎样设计才压得住。作者在 Qwen3-4B 和编码、医疗对话、传记生成三个环境中自报:部分干预可以把 hacking 率压回训练前水平;监控越“漏出学习信号”越能压住 hacking,也越容易被绕开;训练中加入更容易的题能降低 hacking。两者相关但不能互推。OpenAI 的文章重申不要把奖励压在 CoT 上,以免模型学会掩饰;论文的结论绑定特定模型与三个环境,不能外推到 OpenAI 的训练栈,也不能把“可控性上升”读成“惩罚 hacking 无效”。该论文作者中只有 Neel Nanda 标为 Google DeepMind,不宜写成 DeepMind 论文。
Lazarus 只记结论:MSR 描述了一种无需重训的权重改写后门,官方自报改写少于 10 个休眠神经元,就能让平时表现正常、能通过常规评测的模型,在隐藏触发出现时驱使带工具权限的 agent 执行恶意命令。作者强调这不是开放权重独有的问题;单一扫描不能证明安全,可靠办法仍是与未改动的原权重比对,并配合出处绑定与签名。
这条线对做后训练、评测和模型采购的团队都有直接意义:监督不能只靠一个信号,部署前要把权重来源当作供应链问题来管。
深入学习建议
- 先读 OpenAI 文章的局限与反例部分,再读 2611.09828 的结论,对照两者对“向监控信号施压”的不同立场。
- Lazarus 博文只需读威胁模型与缓解建议,把“比对原权重、记录出处”加入内部模型上线清单。
- 补读记忆投毒基准 MemoryDojo(2611.09721)的结论部分,它与权重层风险互补。
X 动态
主线:Fable 5.2 正式发售,最强档要按任务和档位来买
Anthropic 在本窗口把 Fable 从内部评测名变成了可以下单的产品线。发布页落款 11 月 9 日,只有日级日期,精确上线时刻待核;官方账号在 X 上的公告时间为 11 月 10 日 02:57 至 03:00。Fable 5.2 和 Mythos 5.2 是同一底座的两种对外形态:Fable 加了更强的网络安全与生物防护,面向所有用户;Mythos 防护更松,须通过生命科学或 Cyber Verification 项目审核,只向合格机构开放。可以把它理解成同一台发动机装进两种车,一种上公路,一种只进封闭赛道。
官方自报的定价是每百万输入/输出 token $8/$40,低于 5.1 的 $10/$50;可选的 fast mode 最高约 2.5 倍生成速度,价格 $16/$80;相对 5.1,生成最多快约 30%。平台说明写上下文 1M、最大输出 128k,模型 ID 为 claude-fable-5-2 与 claude-mythos-5-2。官方 Python SDK v2.7.0(11 月 10 日 02:52)与 TypeScript sdk-v1.7.0 在类型目录里加入了这两个标识,这只是让 SDK 识别新的 model ID,不是开放权重发布;账号能否调用,以官方模型文档和后台为准。上线渠道方面,Fable 已在 Claude Platform、Claude Code 以及 AWS、Google Cloud、Azure 上提供,Mythos 需要申请;平台说明还提到 Dreams 记忆研究预览开始支持 Fable 5.2,这是产品附带更新,不是新的研究论文。
能力数字都是官方自报,各模型默认取其最高可用努力档。FrontierCode 2.0 上,Fable 5.2 在 Xhigh 档为 49.1%(5.1 为 32.4%;同表 Opus 5.5 为 45.5%、GPT-6 Astra 为 42.8%、Gemini 4 Carbon medium 为 41.1%);High 档约 45.3%,接近 Opus 5.5 的最佳成绩,官方称每任务成本约为一半。同表还有 FrontierSWE v2 69.9%、HLE 带工具 74.2%、OSWorld 2.1 partial 89.3%。约 1,000 个 Fable 5.2 agent 用 30 小时完成费马大定理的 Lean 形式化,但 11 月 11 日补充的勘误脚注说明此前提供了 60 条命题等材料,并非从空白起步。网络安全只记结论:Mythos 在内部 CVE Rediscovery 上比 Mythos 5.1 和 Opus 5.5 分别高约 14.4 和 10.2 个百分点;Fable 相对 5.1 的误拦约少 55%。这些成绩来自厂商自己的 effort 与 harness,不宜和其他文章里的同名基准直接横比。
安全叙事同样是官方口径。系统卡列出的外部评测方包括 UK AISI 与 METR,官方判断高风险的错位风险仍低;在专门的沙箱逃逸对抗评测中,利用箱外凭证或文件的比例约 3.1%(Opus 5.5 为 3.3%,Mythos 5 与 5.1 分别为 39% 与 21%)。官方还称反蒸馏措施让蒸馏者可收获的数据降低 90%–99%,并在训练期有意把部分加速 AI 研发的能力限制在约 Opus 5.5 水平。这些都是厂商在自家设定下的判断,没有第三方复测;对于安全团队,系统卡的价值在于它说明了“测了什么、怎么测”,而不是给出一个可以直接抄进合规文件的结论。产品侧,发布周对符合条件的付费计划提供 1–3 次 Fable 专项重置,具体以促销页为准。
第三方榜单上,Artificial Analysis 的 Intelligence Index v5 新收录 Claude Fable 5.2 (Max),得分 64.6,超过 Gemini 4 Carbon 的 60.0 成为第一;这是 AA 按自身方法得到的指数,本刊未做实测,X 上流传的“65”是四舍五入后的写法。Cursor 同日接入,自报 CursorBench 默认档 56.9%(5.1 为 49.2%),max effort 约 60%。值得一提的是,在 Anthropic 自己的对比表里,AutomationBench 一项 Gemini 4 Carbon 为 53.9%,高于 Fable 5.2 的 51.4%,说明“全面领先”并不成立,选型仍要看具体任务。
对开发者,实用的读法是按任务分档:发布页专门给出了 Fable 与 Opus 的分工说明,更贵的档位只在长程、高难度任务上才可能划算;双用途能力只有走 Mythos 准入流程的机构才需要考虑。
深入学习建议
- 先读发布页的 Fable 与 Opus 分工说明和选型指南,判断自己的任务是否值得更贵档位。
- 安全与合规读者读系统卡中的防护和 Mythos 准入部分。
- 配读电子原型研究文,注意那三台设备仍是原型,未经电性认证。
主线:Anthropic 给出每股区间与股数,能算出的是发行规模,不是市值
上期 IPO 线索还停在“文件里没有定价”,本窗口公司自己给出了区间。Anthropic 于 11 月 10 日发布路演公告,同日 EDGAR 新增一份 S-1/A,编号 0001628280-26-072484;此前的文件是 11 月 2 日的 S-1/A(0001628280-26-068676)与 10 月 26 日的 S-1。S-1 是美国公司向 SEC 提交的上市注册说明书,S-1/A 是它的修订版;路演是承销商向机构投资者推介、收集认购意向的阶段,结束后才会确定最终发行价。
公告里的数字很具体:拟发行 825,000,000 股 A 类普通股,其中公司出售 801,351,354 股,现有股东出售 23,648,646 股,公司不获得股东售股所得;另授予承销商 30 天内最多再购 123,750,000 股的超额配售权。预期发行价为每股 $70.00–$78.00,已申请在 Nasdaq Global Select Market 上市,股票代码 ANT。公告同时声明注册说明书尚未生效,本稿不构成要约。
用官方数字能直接算出的只有发行规模:8.25 亿股乘以 $70–78,约为 $578–643 亿,未计超额配售;只算公司出售的部分,约为 $561–625 亿,这是公司可能募得的毛额区间。它不是市值。市值需要用招股书中的发行后总股本乘以最终发行价,而总股本与稀释结构要去读 S-1/A 的封面和稀释表。媒体流传的 1.1–1.5 万亿美元估值,以及路演中“上调”一类说法,都不在本公告原文里,仍待核。区间也不等于定价:定价要等路演结束,期间还可能再提交修订或调整区间。
超额配售权是另一个容易被忽略的变量。它允许承销商在 30 天内按发行价额外买入最多 123,750,000 股,常用于稳定上市初期的股价。若全部行使,发行股数与发行规模都会在上述区间之上相应增加;但是否行使、行使多少要看上市后的交易情况,同样与市值无关。公告发行的是 A 类普通股;股份类别、各类数量与投票权安排以招股书为准,本篇不作推断。
对写资本市场或做行业分析的读者,这一步的价值是把“传闻估值”换成了“可核文件”,后续只需要盯三件事:是否再修订 S-1/A、区间是否调整、最终定价与首日交易。对开发者而言,IPO 本身不改变 API 或产品条款,不必据此调整技术选型。
深入学习建议
- 读路演公告原文,抄下股数、区间、超额配售三组数字。
- 打开 11 月 10 日 S-1/A 索引,在封面与稀释部分查找发行后总股本,而不是引用二手估值。
- 用 EDGAR 公司 S-1 列表跟踪后续修订。
主线:Google 开放 Carbon 又推 Decisions API,把“最强”和“便宜判断”分开卖
Google 本窗口做了两件方向相反、却彼此互补的事:把最强的 Gemini 4 Carbon 放给付费用户,同时推出专做便宜判断的 Decisions API。前者回答“难题交给谁”,后者回答“agent 里大量的是非题,别再用生成模型硬算”。
Carbon 开放博文落款 11 月 10 日,官方账号在 X 上的公告约在 11 月 11 日 00:06 至 00:12。这是对 10 月 28 日首发模型的正式开放,不是本周首次发布。消费者侧,Google AI Ultra 订阅可以在 Gemini 应用和 Search 的 AI Mode 中使用;开发者与企业侧,付费 API(AI Studio、Android Studio)与 Gemini for business 可用,Ultra 还可在 Google Antigravity 中使用,网络防御方可申请 Fairwind。官方同时写明,多数软件工程与知识工作仍宜用 Gemini 4 Argon,Carbon 留给把模型推到极限的任务。官方自报的引入价与 Argon 相同,每百万输入/输出 token $2/$10,持续到 2026 年 11 月 30 日,文档写此后为 $4/$20;模型 ID 为 gemini-4-carbon。官方还称 Carbon 在 CursorBench 4.0 等三项榜单上第一、在新基准 MKA 上质量第二且平均每任务成本低于榜首 6 倍以上,均为官方自报;Cursor 自报高努力档 CursorBench 60.4%,方法论待对照。MKA 是 Google 与 Artificial Analysis 合作的多模态知识工作基准,200 道私有题覆盖 10 个行业、83 种职业,每题约对应资深从业者 3–8 小时的工作;AA 首批分数中 Claude Fable 5.2 为 57%、Gemini 4 Carbon 为 54%、Claude Opus 5.5 为 53%,属于 AA 口径,待核。也就是说,Carbon 的卖点是“接近最高质量、成本低得多”,而不是质量第一。
Decisions API 落款 11 月 11 日,开发者账号的公告在 11 月 12 日 02:15。新模型 gemini-decision-1 一次前向传递可以给最多 1000 道彼此独立的题打分,题型有三种:noul 输出是非概率,choice 支持 2–255 个选项,score 用于有序量表;返回的是概率与 0–1 置信度,而不是逐 token 写答案。可以把它想成阅卷机,只涂答题卡,不写作文。官方自报端到端约 150–250 毫秒,价格为每百万输入 token $0.10,输出 token 不计费,共享输入只计一次。输入上限在两份材料中不一致,一处为 256K,一处为 16K,以官方文档为准,待核。AA 称其 Decision Index v2.1 得 66,为 AA 自报。
适用场景很清楚:路由、策略检查、工具选择、上下文打分这类“选一个”的判断,可以从完整生成里拆出来,以降低时延与成本;需要解释理由或开放式回答的任务,仍然要用生成模型。LangChain core 1.8.0 同期加入 decision models,说明框架侧也在跟进这种形态;Hugging Face 上 inclusionAI 的 SingVL_S1_4B 也采用 Choice、Noul、Score 三种题型做多模态决策打分,但没有填写许可字段,卡片中的 Public Decision Index 为自报。官方另称在其共享基准集上,Decision 1 比经由 Interactions API 调用 Gemini 3.5 Flash-Lite 便宜近 5 倍,同样是自报,迁移到自己的任务前需要复核准确率:判断型接口省下的是生成开销,如果判断本身错得多,下游纠错的成本会把节省吃掉。
深入学习建议
- 读 Carbon 开放博文里 Carbon 与 Argon 的分工,记下 11 月 30 日引入价截止日。
- 读 Decisions API 官方博文的三种题型与计费规则,用自己的路由日志做一次小规模对比。
- 对新基准感兴趣,可看 MKA 介绍和 Hugging Face 上公开的 10 道示例题。
热门开源项目
主线:Datasets 5.2.0 与 LangChain 1.5.0 都该先核环境再升级
本窗口最该排进升级日程的不是热榜新仓,而是两个带硬门槛的正式版。
huggingface/datasets 于 11 月 10 日 05:40 发布正式版 5.2.0。安全方面的结论是:该版本移除了对 pickle 格式 pandas DataFrame 的加载,发布说明点名 CVE-2026-57845,修复版本即 5.2.0。pickle 是 Python 的对象序列化格式,读取来源不明的 pickle 文件本身就有风险,所以这类改动往往意味着部分旧缓存读不了,但值得换掉。功能方面,图像、音频、视频等文件夹数据集的流式解码更快,3D Mesh feature 与 meshfolder 开始接受 .gltf;还修复了 push_to_hub 在进程数超过分片数时丢行、concatenate_datasets 按节点切分后每个 rank 拿到全量数据等问题。这是库的版本更新,不是新的数据集托管服务。生产管道里仍可能读到旧式 pickle 缓存的团队,应先评估升级,再替换缓存格式。
langchain-ai/langchain 于 11 月 11 日 23:22–23:47 连续发布正式版 langchain-core 1.8.0 与 langchain 1.5.0。这是一次明确的破坏性切割:两个包都去掉了已结束生命周期的 Python 3.10,最低要求 3.11;仍在 3.10 上的环境会继续解析到 1.7.x 或 1.4.x,不会被强制升级,但也拿不到新功能。1.5.0 加入 model router 与 auto mode middleware,其中 ModelRouterMiddleware 标为 beta;core 1.8.0 增加 decision models。路由中间件可以理解为在多个模型之间按规则分配请求的调度员,与 Google 同期推出的判断型 API 正好对应。
auto mode middleware 则让 agent 在运行中按条件切换工作模式,适合把“简单请求走便宜模型、复杂请求升档”的逻辑从业务代码里抽出来;但它是新加入的中间件,行为细节与默认值还可能调整,生产环境宜先固定版本、写好回退。Datasets 这边,push_to_hub 丢行与 concatenate_datasets 全量分发两项修复,对多进程上传和多节点训练的数据正确性影响更大,即使不在意安全项,也有理由升级。
两条的共同点是先核环境再升级:Datasets 看缓存格式,LangChain 看 Python 运行时。CI 镜像、容器基础镜像和锁文件,往往是最晚被发现的卡点;在 3.10 上跑生产的团队,应先把运行时升级排进计划,而不是直接改依赖版本号。
深入学习建议
- 读 Datasets 5.2.0 发布说明的安全项,盘点项目中是否存在 pickle 版 DataFrame 缓存。
- 在锁文件与 CI 镜像里核对 Python 版本;若仍是 3.10,先规划运行时升级再动 LangChain。
- 试用 ModelRouterMiddleware 时保留其 beta 属性,在测试环境先验证路由规则。
主线:Ollama 和 codex-security 把编码模型与安全扫描送进正式通道
两个与“写代码的 agent”直接相关的工具在本窗口发了正式版:一个让新的编码模型在本机一条命令拉起,一个把安全扫描做成可签名分发的 CLI。它们的价值都在“正式版”三个字上,而不是热榜数字。
Ollama 于 11 月 10 日 02:21 发布正式版 v0.40.16。主角是库里新增的 Ripple Preview:Ricursive Intelligence 的 65B 稠密模型,面向 agentic coding,执行 ollama run ripple-preview 即可拉起。稠密模型指每次推理都动用全部参数,与只激活部分专家的 MoE 相对,本地显存需求因此更可预期。其余变化包括:发布说明称 Qwen3.8 Flash Next 在 Apple silicon 上约少占 27 GiB 内存(项目自称);/v1/responses 开始遵守 truncation 参数,默认不再静默截断;/v1/models 在未安装模型时返回空列表而不是 null;并加上 Windows on ARM 的 CUDA 13.5。同窗口的 v0.40.17-rc0 是预发布,不宜当稳定通道。Hugging Face 上的 Ripple-65B-Preview 仍在热榜,但窗口内只有代码修复,不是新权重。
OpenAI 的 codex-security 是一个安全扫描 CLI 与 TypeScript SDK,于 11 月 10 日 09:09 发布正式版 npm-v0.9.1;npm-v0.9.0 因 macOS 签名中断未上 npm,官方直接指向 0.9.1。新功能包括 Deep Scan,即分批独立审查、交叉核对证据并把同一修复对应的发现归并;默认打开外部扫描器导入;npm 包带有 Developer ID 签名的 macOS 原生模块。仓库总星数约 11,748,但本篇收录它的理由是窗口内正式发版,而不是热榜增量。Deep Scan 的设计思路值得借鉴:单次扫描容易把同一个根因报成十几条告警,按“同一修复”归并之后,审查者面对的是需要改几处代码,而不是需要读多少条噪声;外部扫描器导入默认打开,则意味着它更像一个汇总层,可以与团队已有的静态分析工具并用,而不是取而代之。
适用边界:Ripple Preview 名字里就带着 Preview,适合在本机试编码能力,不适合直接进生产流水线;对接 OpenAI 兼容 Responses 接口的应用,升级后要确认截断行为变化是否影响长对话。codex-security 适合想把审查接进 CI 的团队,扫描结果仍需要人工复核,不能替代渗透测试或正式审计。
深入学习建议
- 读 Ollama v0.40.16 发布说明里
/v1/responses与/v1/models的行为变化,再决定是否升级。 - 在本机用
ollama run ripple-preview跑自己的小型编码题,与现用模型对比。 - 读 codex-security 的官方文档,先在非关键仓库试 Deep Scan,再考虑配合 action-v0.9.1 接入 CI。
主线:supermimic 的“千倍算力”对比是项目自称,口径比结论更值得读
UC Berkeley Hybrid Robotics 实验室于 11 月 10 日 18:46 公开了 supermimic,Apache-2.0 许可,截至采集时约 1,031 星。它要解决的是人形机器人的全身运动跟踪:给一段人类动作,让机器人用全身关节尽量还原。思路是先学一个可微分的世界模型,即能对动作求导的物理模拟替身,再在其中训练策略;演示平台是真机 Unitree G1。项目页与 arXiv:2610.28480 可以互相反链,仓库根目录有训练与回放脚本,提交记录与 README 相符。
项目页给出的对比很抓眼球,但要逐项读:1 张 H100 训练约 3 小时,即可超过 SONIC 已发布检查点的归一化回报,而 SONIC 用了 128 张 L40、7 天、约 21,000 GPU-hours;在 129,514 条动作上,SONIC 失败 179 条,SuperMimic 用两张卡训练 9.8 小时后失败 0 条。项目页自己写明,这是训练覆盖率而不是泛化能力,两边的数据与硬件也不对等。以上都是项目自称,尚无第三方复现。
SONIC 是此前公开的人形全身跟踪方案,项目拿它的已发布检查点做基线;“归一化回报”是把不同动作的奖励换算到同一尺度后的平均分,回报高说明跟得更准,但不直接等于真机上不摔倒。129,514 条动作的“失败 0 条”是在训练集上统计的,衡量的是策略能否把见过的动作都学会。
所以“超过 1000 倍 GPU-hours 节省”这类转述并不能当作可复现的绝对结论:硬件代际不同、比较对象是已发布检查点而不是同条件重训、指标是训练集覆盖。它真正值得关注的是方法方向:当策略学习可以借助可微分模型直接回传梯度时,样本效率可能比纯强化学习高很多,这对实验室级算力的团队很有吸引力。
换句话说,这个项目更像是在说“训练可以便宜很多”,而不是“机器人已经学会了任何动作”。两者的差别,正是从演示视频走到真实部署时最容易被跳过的部分:前者只需要在已知动作上收敛,后者还要面对新动作、新地面和外力扰动。适合人群是做人形控制、动作重定向和世界模型的研究者;想直接搬到其他机器人本体的工程团队,应先确认动作数据和机器人模型是否匹配。
深入学习建议
- 先读项目页的对比口径说明,标出“覆盖率 vs 泛化”与硬件差异。
- 再读 arXiv:2610.28480 的方法部分,理解可微分世界模型如何参与策略训练。
- 有 G1 或类似平台的团队,可用仓库的回放脚本先复现一小段动作跟踪。
模型相关
主线:MiniMax-H3-Image 是本窗真正的新开放权重,但许可把四个地区排除在外
本窗口唯一同时满足“官方组织、完整大权重、一线厂商”的新模型,是 MiniMax 的 MiniMax-H3-Image。它是一个 33.1B 参数的 DiT 文生图与图像编辑模型,DiT 即用 Transformer 做扩散去噪主干的图像生成架构。Hugging Face 仓库创建于 11 月 3 日,但最早一条提交是 11 月 10 日 22:50 的权重推送,推测此前为私有仓库;diffusers 格式权重在 11 月 11 日 00:21 推送。官方博客、GitHub 仓库 MiniMax-AI/MiniMax-H3-Image 与 HF 仓库互相链接,身份可以交叉核实。
厂商自述的规格是:文生图与最多 16 张参考图的编辑共用一个检查点,最高约 16MP 输出,蒸馏到 6 步,不必再接放大器;“4K 单图不到 10 秒”“提示词遵循 SOTA”等说法未经独立复现。体积方面,HF 上有 41 个 safetensors,合计约 204GB,其中 transformer 66.3GB、text_encoder 66.7GB、vae 2.3GB,另有一份同权重的 diffusers 副本,实际独立权重约 135GB;GitHub README 写 DiT 权重 BF16 约 68.65 GB,与 HF 列表的计量口径不同,规格与体积均以项目自述为准。配套的 MiniMax-H3-Image-PE 是从 Qwen3.8-27B 微调的提示词扩写模型,NVFP4 格式,约 17.9GB。
能否用,先看许可。它采用自定义社区许可:欧盟、英国、韩国、美国被列为排除地区;年化营收超过 100 万美元或对外提供托管服务需要书面授权;产品中必须标注“MiniMax-H3-Image”;输出不得用于改进其他模型。所以它是开放权重,不是开源。社区里有把元数据标成 Apache-2.0 的衍生仓,这与基座许可冲突,不能据此当作“Apache 版 H3”。
热度是真实的:采集时 likes 720、近 30 天下载 142,989,HF Trending 第 2;而 Comfy-Org 渠道的同名仓下载 351,803,高于官方仓,说明大量使用走 ComfyUI。ComfyUI 已在 11 月 11 日 05:42 发布的正式版 v0.45.0 中接入该模型。榜单方面,Artificial Analysis 文生图榜收录 H3-Image 为第 23 名、编辑榜第 11 名;但 AA 条目写的发布日期是 2026-07-31,它与这次开放的检查点是否同一模型,待核。
适合在本地做图像生成、编辑或 ComfyUI 工作流的个人与研究者;处在受限地区或面向海外商用的团队,应先读 LICENSE,再决定是否下载。消费级显卡需要量化版。
深入学习建议
- 先读 HF 仓库中的 LICENSE 与官方博客,确认地区与营收条款。
- 想本地试用,按 ComfyUI 教程走模板,并预留足够磁盘。
- 对榜单感兴趣,打开 AA 文生图榜与编辑榜,留意发布日期字段的差异。
主线:Kimi K3.1 Pro 官方权重没动,新变化在量化版、榜位和同名仓
如果只记一句话:Kimi K3.1 Pro 的官方权重仍停在 11 月 5 日,本窗口的新动作都发生在外围。官方仓 moonshotai/Kimi-K3.1-Pro 最后修改时间仍是 11 月 5 日 15:11,窗口内没有新提交;采集时 likes 1,935、近 30 天下载 33,617,许可为自定义的 Kimi K3.1 Pro License。
第一件新事是 NVIDIA 用自家组织发布了 Kimi-K3.1-Pro-NVFP4。NVFP4 是 NVIDIA 在 Blackwell 架构上推行的 4 位浮点格式,可以粗略理解为把权重压成更小的数字存储、换取更低显存和更高吞吐。该仓创建于 11 月 11 日 08:57,权重提交在 11 月 11 日 12:13,提交说明写明路由专家用 NVFP4、共享专家与 KDA 用 MXFP8、其余保留 BF16;96 个 safetensors 合计约 1,605GB,采集时下载为 0。许可是 NVIDIA Open Model Agreement,同时须遵守 Kimi K3.1 Pro License,不是 OSI 开源。卡片自报的精度对比(如 GPQA 93.97 到 93.84)是 NVIDIA 自测,未复现;量化版总体积反而略大于官方原版的约 1,561GB,原因待核。另有一个基于上一代 Kimi K3 的 MIT 许可 LoRA 适配器,注意它不是 K3.1。这适合有 B200、GB200 集群、打算自托管的团队;没有 Blackwell 硬件的团队拿到这份权重也无法发挥 NVFP4 的优势,仍应以官方原版评估。
第二件是 LMArena 文本榜 11 月 9 日的数据首次列入 Kimi K3.1 Pro (Max),排第 24,1483±11,只有 3,443 票,排名区间为 9–50,样本少、波动大,暂不宜下结论。LMArena 让用户对匿名模型的回答做两两盲选,再换算成类似棋类 Elo 的分数,“±11”是置信区间,票数越少区间越宽,名次也越容易随新票变动;Kimi K3 (Max) 仍在第 19。Artificial Analysis 方面,Kimi K3.1 Pro 仍以 46.5 分位居开放权重第一,标注商用受限。
第三件需要提醒读者:HF 上出现了 5 个与官方同名的仓库,名称、卡片和 logo 都与官方一致,抽查其中一个仓库的部分文件,哈希与官方一致,属于原样复制而非篡改,但都没有标注基座来源,不是官方渠道。下载请认准 moonshotai 组织。另有一个宣称把 Kimi K3.1 Pro 做成 12GB 端侧模型的仓库,元数据自标 Apache-2.0,与 Kimi 许可冲突,文件只有约 12GB,不可能是完整模型,其宣称不可信,本篇不提供入口。
Kimi 官方博客仍写着权重“将于 11 月 4 日前发布”,未补上 HF 链接,属于文案滞后,不代表权重没发。
深入学习建议
- 自托管前先读 NVFP4 卡片的精度对比与硬件要求,并在自己的评测集上复核。
- 下载权重只用 moonshotai 官方仓,核对组织名而不是仓库名。
- 关注 LMArena 文本榜票数增长后排名是否稳定,再引用 #24。
主线:宽松许可的小模型在增加,榜单变化却要先排除异常
本窗口还有两个许可宽松、可以直接拿来试的新模型,以及几处需要谨慎引用的榜单变化。
Zyphra 的 ZONOS3-Mini 是一个支持 43 种语言的 TTS 模型,即把文字转成语音。它采用 MoE 结构,激活参数 100M、总参数 800M,许可 Apache-2.0,自带 GGUF 与浏览器版本,可以在本地甚至端侧运行。仓库创建于 11 月 9 日 13:03,主权重提交在 11 月 10 日 06:01,采集时 likes 174、下载 4,170。官方称在 MacBook Air M3 上首包音频延迟低于 150 毫秒,在自建 ZTTS2-Eval 上为开放模型第一,均为厂商自述,且尚无技术报告。仓库含 .pt 格式文件,属于 pickle 序列化,加载前应确认来源。同系列还发布了 transformers 格式版本与音频编解码器 ZAC-1(同为 Apache-2.0,卡片称权重由 ZONOS3 的 autoencoder 重新打包),社区已有 MLX 版本。适合做语音助手、配音和本地 TTS 的开发者;多语言质量与延迟最好用自己的语种和设备实测。
Nex-N2.6 是 Nex-AGI 在 GLM-5.3-Flash 上继续做 agent 后训练的模型,Apache-2.0 许可,FP8 权重约 328GB。团队自报 OSWorld 83.0(N2.5-Pro 为 82.2、GLM-5.3-Flash 为 78.0),推理重复率从 16.0% 降到 1.6%,卡片自己写明分数依赖评测 harness,因此 83.0 待核;参数量卡片未明写。HF 下载仍为 0,热度主要在 OpenRouter。自托管需要多卡 FP8 环境,可参照 GLM-5.3-Flash 的 SGLang 部署说明;基座 GLM-5.3-Flash-BF16 为 MIT 许可,Nex-N2.6 自身为 Apache-2.0,许可链条清楚。computer-use 指让模型看屏幕、操作鼠标键盘完成任务,适合做这类 agent 的团队先在托管版本上试。
榜单上,Artificial Analysis Intelligence Index v5 新收录的 Claude Fable 5.2 (Max) 已在上文讨论;AA 图像榜新增 Seedream 5.5(文生图第 10、编辑第 6)和 H3-Image。LMArena 的视觉榜与文生图榜数据日期仍是 11 月 8 日,但总票数分别从 1,568,841 降到 1,567,670、从 6,880,326 降到 6,874,394,多行票数有增有减,原因不明,可能与票数清洗有关,标为异常、待核,引用这两张榜时应注明。榜首没有变化:视觉榜仍是 Claude Fable 5 (High) 1309±7,文生图榜仍是 GPT-Image-2.5 Sunburst;H3-Image 与 Seedream 5.5 尚未进入 LMArena 文生图榜。
还有几条不能误读:美团 LongCat-2.5 与 pfnet 的 plamo-3-8b-fin-instruct 权重都上传于窗口之前,本期只是补记,不算新发;inclusionAI 的 ZoomGain 系列与 SingVL_S1_4B 没有填写许可字段,用途受限、待核。
深入学习建议
- 想试 TTS,先看 ZONOS3-Mini 的 GGUF 与 web 入口,并对照官方博客的延迟测试条件。
- 评估 Nex-N2.6 时用自己的 computer-use 任务复测,不直接引用 OSWorld 83.0。
- 引用 LMArena 视觉或文生图榜之前,先看数据日期与总票数是否恢复正常。
次要动态
- NVIDIA CPU-ARC(2611.09891)把一次推理痕迹编成可在 CPU 上复用的缓存。作者自报,相对源模型 Claude Opus 4.5 的调用成本约便宜 16–291 倍(GSM8K 约 16.3 倍,AIME 约 262–291 倍),AIME ’25 缓存准确率 93.3% 对源模型 83.3%;构建本身约需 12–84 次源调用的成本。文中的“500”是基准名 MATH-500,不是 500 倍降本。
- OpenAI 的 Cyber at the Frontier 直播官方时间为 11 月 13 日 02:00(太平洋时间 11 月 12 日 10:00),采集截止时尚未开播,内容以届时官方发布为准。GPT-6.2 本窗口仍无官方公告。
- OpenAI Control Room:集中追踪研究侧推理作业,官方自报决定停止后最多约 35 秒停止输出;另有 Businesses in ChatGPT 与自由职业研究(63 类工作中 43 类呈 ChatGPT 使用上升、Upwork 份额下降,为观察性结论)。
- Anthropic 向所有 Pro、Max、Ultra、Team 用户发放一次跨模型的免费额度重置,须在 12 月 11 日 06:00 前使用;Claude 还开始滚动推出 Whiteboards、Sheets 与更名后的 Claude Data。Claude Code #107757 隐私问题仍为 open,未见可核的正式修复公告。
- Anthropic Alignment 的 Worse Together:多用户各派一个 agent 时,群体结果在四个模拟环境中全面差于单个协调者,相差约 10–45 个百分点(官方自报),并开源 MAMUBench。
- Meta Muse Ember:最便宜的执行型模型,≤200K 提示时每百万 token $0.10/$0.50,AA 指数 36,但 FrontierCode 2.0-AA 落后于 Haiku;页面时刻待核。Meta 另发 TLX GPU 编译器。
- NVIDIA Snapshot:从快照恢复推理副本 3.6–42.7 秒,相对冷启动约 8–36 倍(官方自报,特定存储与硬件)。
- 论文备选:并行小队 test-time scaling(2611.09798)、Agentic-OPD(2611.12799)、PACE(2611.10240)、Infrathon(2611.11995)、Computer-Use Agents Are Embodied Generalists(2611.09847),数字均为作者自报。
- Qwen4-Max 在阿里 Token Plan 预览,尚无完整技术报告,不应理解为已开源。
- Google DeepMind 的 MKA 数据集在 HF 只公开 10 个示例,完整基准为 200 道私有题;NVIDIA Nemotron-Personas-Finance-Japan 以 CC-BY-4.0 发布。
- 覆盖说明:Apple Machine Learning Research 列表未能完整抓取,不代表没有更新;arXiv 2611.08488–08710 已确认属于 11 月 9 日正式批,不作为新批重复报道,2611.08711–09892 已补扫;11 月 12 日批在采集截止时尚未放出。
来源与延伸阅读
- Anthropic:Fable 5.2 / Mythos 5.2 发布页 · 系统卡 · 路演公告 · Python SDK v2.7.0
- SEC:11 月 10 日 S-1/A 索引
- Google:Carbon 开放 · Decisions API · AlphaProof Code · AlphaGenome 2 · Gemini Robotics 2.5
- 研究:OpenAI CoT 可监控性 · MSR Lazarus · AMP1 · Embodied First Exam · 2611.09828 · CPU-ARC
- GitHub:Datasets 5.2.0 · langchain 1.5.0 · Ollama v0.40.16 · codex-security npm-v0.9.1 · supermimic · ComfyUI v0.45.0
- 模型与榜单:MiniMax-H3-Image · Kimi-K3.1-Pro-NVFP4 · ZONOS3-Mini · Nex-N2.6 · AA 模型榜 · LMArena 视觉榜
今日行动建议
- 用 Anthropic API 的团队:升级 SDK 识别新 model ID,挑三个长程任务分别跑 Opus 与 Fable 的 High、Xhigh 档,按单任务成本比较,而不是只看榜分。
- 用 Gemini 的团队:在 11 月 30 日引入价截止前,用 Carbon 跑完难任务评估;同时拿一段路由或护栏日志试 Decisions API。
- 数据管道维护者:本周内评估 Datasets 5.2.0,盘点 pickle 版 DataFrame 缓存。
- LangChain 用户:先核 Python 版本,3.10 环境把运行时升级排进计划,再动依赖。
- 自托管模型的团队:只从官方组织下载权重,记录哈希与出处;对内部检查点同样执行与原权重比对。
- 写行业分析的读者:引用 IPO 数字时写“发行规模”,市值待招股书总股本与最终定价;Cyber 直播内容等官方发布后再写。
- 做具身或 agent 评测的研究者:按任务设定分别引用成功率,不把产线、仿真和考试成绩放进同一张排行榜。
