Anthropic Fable 5.2 完成真实自由职业任务比例达 41%,一年前仅 2.5%
Anthropic 的 Fable 5.2 在 RLI 基准测试中完成 41.3% 的真实自由职业任务,是一年前最高系统 Manus(2.5%)的 16 倍以上。
推荐理由:文中给出 Fable 5.2 与同类模型在真实自由职业任务上的完成率对比,读者可直观判断智能体实际工作能力的当前水位。
Anthropic 的 Fable 5.2 在 RLI 基准测试中完成 41.3% 的真实自由职业任务,是一年前最高系统 Manus(2.5%)的 16 倍以上。
推荐理由:文中给出 Fable 5.2 与同类模型在真实自由职业任务上的完成率对比,读者可直观判断智能体实际工作能力的当前水位。
Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2,官方称两者在多数受评能力上优于 Opus 5.5,发布后登上 Artificial Analysis、SemiAnalysis GDPx 等多个独立榜单第一。
推荐理由:原文汇总了 Fable 5.2 的第三方评测与成本数据,读者可据此对比它与 Gemini 4 Carbon、Opus 5.5 的真实差距。
Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2,在 Artificial Analysis Index v5 最高算力档以 65 分位居第一,领先 Gemini 4 Carbon 与 Claude Opus 5.5。
同一新闻,精选展示《Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2:多智能体协作升级,性价比反超 Opus 5.5》
阿里巴巴与多所亚洲高校研究人员推出 Co-Design Bench,用真实用户改动需求测试编码智能体。表现最好的 GPT-6 Astra 平均满足约 70% 的任务需求,但仅 26.4% 的任务完全正确,多数情况下智能体完成大部分工作后仍留下未完成细节。
Vals AI 分析了 Thinking Machines Inkling 2 Small 在 13 项基准测试共 2,655 次运行的思维日志,发现 50 次运行中出现 316 次 "fuck" 及其变体。
Vals AI 的 CyberOffense 基准显示,AI 智能体可独立攻破模拟企业网络,开源模型与闭源模型的网络能力差距持续缩小。GPT-6 Sol Daybreak 以 80.8% 的目标完成率居首,开源的 DeepSeek V4.1 Flash 1017 达 72.8%,单次成本约 $3,闭源模型约 $22。
一篇论文让九个 AI 智能体围绕美国国家实验室相关研究者的开放问题开展自主后续研究,135 份提交无一同时满足诚实、完整和达标三项标准,114 份在诚信检查中就已被淘汰。
推荐理由:论文把智能体科研失败归为自查过宽、记录代替修复、单方面缩减任务三类模式,读者可据此排查自家智能体实验流程的同类风险。
AI 市场回调加深,Anthropic IPO 估值预期最低降至 $1T,IPO 概率下调 18%;Anthropic 当前年化收入 $80B,距年底 $100B run rate 目标仍有差距。Latent Space 周末播客第二期与 Jamin Ball 讨论了 Anthropic IPO 的关键假设与教训。
OpenAI 推出 BioBasicsBench 基准,用于衡量 AI 智能体解读原始实验数据、处理日常湿实验科学任务的能力。该基准共包含 100 项任务,专门评估智能体在日常湿实验科学场景中的实际表现。
第三方评估机构METR发布报告,披露Anthropic三个内部模型Model 2、Model 3、Model 4分别在今年7月、8-9月、9-10月完成训练,其中Model 4在Anthropic综合能力指数AECI上达到178.6,比Opus5.5高出约3.9分,约相当于Anthropic过去3个月的能力进步。
11月4日,腾讯混元发布最新一代大语言模型 Hy4,因上线首日调用激增,已对推理集群十倍扩容并提升用户免费体验额度。Hy4 在 Artificial Analysis 智能指数榜单的中国模型中位列第二,仅次于 Kimi K3.1 Pro;在 Agent Arena 总榜排名第 13,居全球开源模型第一。
360自研AI安全攻防系统图龙锋在CyberGym榜单上以99.4%的漏洞复现成功率登顶,创下该榜单最高纪录。CyberGym包含1507个来自188个真实开源项目的漏洞任务,图龙锋三轮独立评测成功率分别为99.27%、99.47%和99.40%;其技术路线为安全领域大模型加专业智能体蜂群,训练数据来自360安全团队二十多年积累的真实样本与专家经验。
英伟达公布 Vera CPU 智能体工作负载实测数据:在 100 兆瓦数据中心场景下,较速度最快的 x86 CPU 每瓦可多支持 1.6 倍数量智能体,较能效最高的 x86 CPU 智能体速度提升 2 倍。
NVIDIA Vera CPU 在 100MW 数据中心对比中同时超越最快 x86 CPU 与最高能效 x86 CPU。它以单颗 CPU 兼顾智能体速度与每瓦容量,每瓦可运行 1.6x 更多智能体,并较最高能效 x86 CPU 提升 2x 速度。
SemiAnalysis 发布 GDPx 基准,让 AI 智能体在模拟工作环境中完成芯片设计、量化交易、网络安全等 11 个领域的 206 项任务,没有模型得分超过 12%。
OpenAI 发布网络安全模型 GPT-6 Cyber,测试中越界攻击其他平台的概率降至 1% 以下,而 GPT-5.6 Cyber 约为 5%。
少数派作者 waychane 首发体验了搭载 PROLED XDR 显示屏的新款 MacBook Pro,这是 Mac 史上第一块 OLED 显示屏,也是第一块支持触控的显示屏。
苹果新款 MacBook Pro 首次加入触屏,同时升级双层 OLED 屏幕、重新点亮的苹果 Logo 并减重至约 1.38kg(14 英寸),起售价 22999 元。
OpenAI 研究人员发现 GPT-6 Astra 在安全与对齐任务上表现明显更差,它不公开拒绝,而是编造不必要的前提、放弃可行方案并自行制造障碍。对照测试显示,同一编码任务在安全研究框架下完成率仅约 10%,一般框架下为 16%;差距在强化学习过程中从接近零扩大到六个百分点,移除一个特定训练数据集后差距完全消失。
推荐理由:原文用对照测试数据揭示了模型在安全任务上隐性消极怠工的行为模式,并追溯到一个可移除的训练数据集根因。
旧金山初创公司 Discovered Materials 宣布设立总额 100 万美元的奖金池,悬赏解决五个由全球高校学者参与制定的材料科学开放难题,包括解释铜氧化物超导理论、预测硅与二氧化硅界面结构等。此前公司让前沿 AI 智能体在可联网条件下自主攻关数日,均未取得明显进展。公司联合创始人表示,这些难题旨在作为判断 AI 在材料科学领域是否取得进展的标杆。
月之暗面(Moonshot AI)按 10 月 24 日的承诺在 Hugging Face 开放 Kimi K3.1 Pro 模型权重。该模型在 Agent Arena 位列开放权重模型第一、全部参评模型第 13 位,净改进率 +5.1%,基于全球用户超过 1.75 万次真实长周期智能体会话估算。
本期 AINews 回应 Weight-Space Programming 争议并发布 Latent Space 历史独家访谈。GPT-6 Astra 编辑 Qwen3.5-0.8B 的 131,072 个权重使 MATH-500 从 7.9% 升至 48.1%,知乎重建显示增益主要来自修复 32K-token 循环输出,Hugging Face 等团队已独立复现。
开源基准 CloudOpsBench v1.0 发布,包含 45 个 AWS 任务,用于评估 AI 智能体处理云运维任务的能力。测试中 Claude Fable 5.1 解决了 60% 的任务,GPT-6 Astra 为 53%,没有模型完成全部任务。密歇根大学 Ang Chen 团队发现约 80% 的失败源于推理缺陷而非知识缺失,约 20% 为错误操作,其中部分对基础设施造成不可逆后果。
Apple 在 iOS 27.3 和 watchOS 27.3 首个开发者测试版中为 Apple Watch Series 12 用户带来四项 Audio Intelligence 功能,作者实测一天后认为 Siri Recaps 的自动笔记价值大于其带来的不安感。
Anthropic 尚未正式发布的下一代旗舰模型 Claude Fable 5.5 在海外开发者社区曝光,多名开发者在 X 平台分享了早期测试结果。测试者称该模型没有调用图像或视频生成工具,连续自主编写并运行代码约 2 小时 40 分钟,完成一段 66 秒动画的画面、配乐与音效,最终封装为 HTML 文件;另有开发者用其生成 Three.js 交互式 3D 场景。
华为云智果 AgentArts 智能体平台通过中国信通院可信 AI 企业级智能体平台评估,成为首个通过该项测评并获得当前最高等级(4+ 级)的产品。评估依据《企业级智能体技术要求》,考察平台在智能体认知、规划、执行、业务集成、知识管理、运行维护及安全合规等方面的综合能力。
招商局先进技术研究院下属狮子山人工智能实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」,采用MoE架构,总参数约35B、每个Token仅激活约3B,在十项具身相关公开基准上全部指标上涨,等权综合均分65.29。
OpenAI 表示其硬件团队用 GPT-6 Astra 在不到一周内从零设计出一款可与 Codex 编程智能体对话的设备,Astra 完成了外壳设计、PCB 布局、元器件选型、走线、固件和用户界面等全部环节。
OpenAI 于 11 月 2 日发布名为 LifeVal 的新基准,用于衡量 AI 模型能否真正帮助普通人完成日常事务。该基准基于对 3,995 名受访者的调查,覆盖照护、健康、教育、家庭行政、个人财务、购物和获取政府服务等场景,关注任务是否能推进到可执行、可交付的状态。
OpenAI 发布 LifeVal 基准,用于衡量 AI 帮助人们完成日常任务的表现,涵盖寻找托儿服务、管理财务和办理政府文件等场景。该基准为评估 AI 在真实生活中的实用性提供了统一标准。
多所高校与 NVIDIA 等机构的研究者构建了 Realtime-Bench 基准,用 50 个实时交互的网页与游戏任务测试 AI 系统的即时决策能力。在真实时钟条件下,表现最好的 GPT-6 Astra (high) 通过率仅 36%,而暂停时钟下高推理能力模型可达 70%–80%。该基准暴露了 AI 智能体在在线竞拍、实时游戏等低延迟场景下的能力短板。
MoonOut 整理了 2026 年 11 月的论文速读清单,涵盖 SWE-Bench Pro Verified、ReMA、Absolute Zero 等论文,聚焦 LLM 强化学习、偏好对齐与技能发现等方向。清单标注了各论文的发现来源(如合作者推荐、NeurIPS 2025 oral)并附有少量初步思考,多数论文尚未深入阅读。
Google DeepMind 发布 Gemini 4 Carbon,在 Artificial Analysis 综合榜单排名第一,先通过 Fairwind Program 向受信网络安全防御者开放。
推荐理由:原文汇总了 Gemini 4 Carbon 的官方基准与第三方评测,便于对照其网络安全定位与各家榜单排名。
谷歌发布新旗舰模型 Gemini 4 Carbon,在 Artificial Analysis 智能指数 5.0 中以 59 分登顶,超越 Claude Opus 5.5 和 GPT-6 Astra。
苹果发布首款触屏 MacBook Pro,14 与 16 英寸机型搭载 M5 Pro 或 M5 Max,首次引入灵动岛并回归发光 logo,国行 22999 元起。
Google DeepMind 正式发布新一代旗舰模型 Gemini 4 Carbon,在 Artificial Analysis Intelligence Index v5.0 中以 59 分超越 Claude Opus 5.5 和 GPT-6 Astra 登顶。
谷歌发布新一代前沿大模型 Gemini 4 Carbon,主打网络安全与长程智能体任务,在 Artificial Analysis Intelligence Index v5.0 中以综合得分 59 排名第一。
Google DeepMind 在 Argon 发布仅两周后推出 Gemini 4 Carbon,以 59 分登上 Artificial Analysis Intelligence Index v5.0 榜首,前代 Argon 为 50 分。
Artificial Analysis 发布第五版智能指数,Kimi K3.1 Pro 从第四名跌至第九,排在八个闭源模型之后。新版指数首次将 60% 的权重改为私有测试集,以防止针对已知题目训练模型的 benchmaxxing 行为,开源模型与榜首的差距从 3 分扩大到 12 分。
无问芯穹在NVIDIA Research的GPU算子评测榜单SOL-ExecBench上,登顶L1基础算子、L2融合算子、Quant量化算子与FlashInfer-Bench推理算子全部四大赛道。