Gemini 4 Carbon登顶智能指数，万亿开源模型与内核级修复展现硬核突破。
AI News、alphaXiv 与 Artificial Analysis 共同记录了开源阵营的技术跨越。月之暗面开源 2.8T 规模的 Kimi K3.1 Pro 登顶多项 Agent 榜单，Thinking Machines 则凭借原生 NVFP4 在 68 小时内完成 594B Inkling 2 Small 预训练；这表明开源模型正通过极致的精度压缩与架构创新打破闭源巨头的性能垄断。
AI News、arXiv cs.AI 与 alphaXiv 均聚焦智能体超越玩具任务的硬核落地。从 OpenAI 自主修补近千个 Linux 内核漏洞、Scientist World 构建可运行科学世界，到 FrontierPhysics 检验物理前沿研究成文能力，智能体评估正从孤立单题问答全面转向跨时程的端到端生产力实战。
arXiv、Artificial Analysis 与 The Batch 均探讨了现有评测与调用的现实痛点。Christopher Ré 等人揭露 Terminal-Bench 积累了 30% 的基准维护债务，而 GitHub Copilot Fusion 与企业实战则证明，通过在多模型间自适应动态路由与压缩上下文，能在不损表现的前提下将实际调用开销削减一半以上。
Google 推出专攻网络安全的多模态大模型 Gemini 4 Carbon，在 Artificial Analysis 智能指数 v5.0 上以 60 分登顶榜首，且在 CWE-bench（71.0%）与 SEC-bench Pro（88.2%）等安全基准上全面领先。与此同时其任务输出 token 较 Claude Opus 5.5 减少 29%，综合任务成本降低 23%。
展现了前沿模型兼具最高通用推理智能与专业安全攻防实战能力的双重跨越，标志着闭源双雄竞争格局进入新拐点。
Thinking Machines 发布 594B 总参数、17B 激活的多模态 MoE 模型 Inkling 2 Small，基于 GB300 集群与原生 NVFP4 仅耗时 68 小时完成 8.4T 核心 tokens 预训练，并在智能指数上斩获 31 分。官方承诺完成外部安全评测后以 Apache 2.0 协议开源全部权重。
极速算力转化效率与原生 FP4 训练落地，使海外开源阵营首次拥有足以抗衡同规模闭源模型的强力武器。
Anthropic 递交招股书拟赴纳斯达克上市（股票代码 ANT），计划募资约 1,000 亿美元，估值或达 1.5–2 万亿美元。2026 上半年营收达 163 亿美元且二季度实现经营盈利 9.74 亿美元，同时背负着向 Broadcom、Google、Amazon 等高达 8,950 亿美元的算力采购承诺。
确立了全球独立大模型企业由纯烧钱研发向高爆发商业变现的里程碑式转折，直观展现了生成式 AI 产业的惊人商业吸金力与算力资本壁垒。
月之暗面正式开源 2.8T 总参数、104B 激活的端到端原生多模态 MoE 旗舰模型 Kimi K3.1 Pro，支持 100 万上下文并在架构中引入门控稀疏注意力与 KDA 机制。模型在 Agent Arena 盲测中登顶开源模型第一，并且提供了极其宽泛的商用与个人许可。
开源权重模型规模首次被推向数万亿参数层级，对传统闭源大模型的护城河形成了前所未有的实质性平替压力。
OpenAI 研究团队披露利用未公开的网络安全模型驱动自主漏洞发现与修补流水线，在单次实验中以 120 万美元 API 成本修复了 948 个 Linux 内核本地提权漏洞。智能体自主探索出至少 10 种人类此前未知的利用技巧，平均单个漏洞修复成本低至约 1,000 美元。
标志着自主 AI Agent 在高复杂度真实系统级安全防御中具备了规模化超越人类顶级黑客与审计员的工程实战能力。
前 10 名 · Artificial Analysis 智能指数（Intelligence Index v5.0.1）综合评估模型在知识工作、编程、科学和通识等 9 项测试上的基准表现（总分越高越好）。
真人盲测 Elo（2026-11-07） · 数据截至 2026 年 11 月初，其中第 5 名 Claude Fable 5.1 (Max) 与第 6 名 Claude Fable 5 (High) 分数并列（1504 Elo）。 · 经网络搜索获取
Thinking Machines 推出 594B 总参数、17B 激活参数的多模态 MoE 模型 Inkling 2 Small，基于 GB300 集群采用原生 NVFP4 在 68 小时内完成预训练（8.4T 核心 tokens，全流程小于 12T）。在 Artificial Analysis 智能指数上取得 31 分（较前代提升 18 分），并计划在外包安全测试后以 Apache 2.0 开源权重。
这是当前美国开源体系中得分最高的开放权重候选模型，展示了极高算力效率和原生低精度训练的技术突破。
OpenAI 安全团队利用即将发布的未公开网络安全模型构建自主漏洞挖掘与补丁生成流水线，在单次运行中以约 120 万美元 API 成本验证并修复了 948 个 Linux 内核本地提权（LPE）漏洞。智能体在此过程中发现并应用了至少 10 种被专家认定为全新的 Linux 利用技术，平均单个漏洞成本约 1,000 美元。
展示了前沿 AI 智能体在真实底层系统级安全防御与漏洞自动化挖掘上的工业化突破。
评估机构 METR 深入分析 Anthropic 内部数据发布风险评估报告，指出自 2025 年 10 月以来 Anthropic 模型的 AECI 评分增速达到以往的 1.9 倍（95% 置信区间 1.5–2.8 倍）。Anthropic 联合创始人 Sam McCandlish 回应称 AI 确实在加速研究，但尚无法独立完成最核心的训练贡献。
首次通过实验室内部数据证实了 AI 递归自我加速研发的现实趋势，引发关于超智能时间表的前沿讨论。
Hugging Face 投入约 80 万 GPU 时（价值约 200 万美元）实验，发布约 7 万字的免费开源《MoE 训练手册》。内容深入涵盖专家数量与共享、隐藏 All-to-All 通信、路由算法设计（Softmax/Sigmoid/sqrt-softplus）、无损偏置与 Upcycling、低激活专家推理等全套核心技术方案。
系统性开源了价值数百万美元的超大规模 MoE 架构训练工程细节，惠及整个开源大模型社区。
月之暗面（Moonshot AI）正式开源旗舰模型 Kimi K3.1 Pro 权重，该模型为 2.8T 总参数、104B 激活参数的多模态 MoE，包含 93 层与 896 个专家（每 token 激活 16 专家），上下文窗口达 100 万 token。架构采用门控稀疏注意力（DSA）配合 KDA 混合注意力，并在 Agent Arena 登顶开源模型榜首。
刷新了开源权重模型的规模上限，以较为宽松的商用许可（除 API 供应商外只需署名）重构了全球开源生态格局。
Together AI 推出生产级智能体持续优化编译器 TKCC，目前已在日均数万亿 token 的生产流量上运行。该编译器让智能体每小时可执行的优化实验次数提升 252 倍，在 MiniMax M3.1（B200）上实现 1,111 TPS，在 DeepSeek V4.1 Flash（GB300）单批次下达到 1,205 TPS。
验证了无需手工设计 IR、完全依靠自主智能体寻找底层推理最优算子的系统级可行性。
监测数据显示，在 OpenRouter 单日 27 万亿 token 流量中，DeepSeek 单一模型占比高达约 53%，所有开放权重模型总占比已突破 75%。社区开发者反馈，长上下文智能体编程工作流中 DeepSeek 单日开销仅约 4 美元，而类似任务在 Claude 上需花费超过 400 美元。
彰显了极高性价比模型在开发者和真实调用层面对传统封闭 API 形成的剧烈市场冲击。
顶级 AI 机构迎来密集人才更迭：Anthropic 的 Claude Code 团队产品负责人 Cat Wu 离职加入 OpenAI 负责核心产品 PM；此前随 Lamini 被收购进入 AMD 担任 AI 副总裁的 Sharon Zhou 转投 Anthropic。此外，智能体初创企业 Factory 宣布收购 HumanLayer，Meta 宣布收购 Conductor。
智能体编程工具核心带头人与算力基础设施关键高管跨巨头流动，反映出编码 Agent 与前沿模型产品化的竞争进入白热化。
Google 宣布面向选定网络安全企业推出多模态模型 Gemini 4 Carbon，支持最高 100 万 token 的文本、图像、语音和视频输入。在 Artificial Analysis 智能指数 v5.0 上以 59 分登顶榜首，任务输出 token 较 Claude Opus 5.5 减少 29%，且在 CWE-bench（71.0%）和 SEC-bench Pro（88.2%）等安全基准上全面领先。
标志着 Google 在前沿推理模型上以极高的 token 输出效率与专业安全能力实现对行业领跑者的超越。
Anthropic 申请在纳斯达克挂牌上市（代码 ANT），拟融资约 1,000 亿美元，估值预计达 1.5 至 2 万亿美元。招股书显示 2026 上半年营收达 163 亿美元（同比增长 14 倍），第二季度实现 9.74 亿美元营业利润，算力采购承诺总额高达 8,950 亿美元，且 2026 年 9 月 Claude 已编写了公司代码库中超 90% 的代码。
生成式 AI 顶级独立实验室迈出公开上市关键一步，其财务转正与近万亿算力承诺确立了万亿级 AI 商业体标杆。
Google 发布实时可交互世界模型 Genie 4，支持即时音频合成与最长 2 分钟交互式场景仿真。系统由 Gemini 3.8 Flash 担任“导演”分解指令并校验帧渲染，Gemini 4 Argon 生成物理仿真步进；在演示中模拟了 Apptronik Apollo 人形机器人与人下棋等复杂场景。
将世界模型直接对准具身智能与机器人仿真训练，展示了语言模型逻辑规划与生成式视频模拟结合的“混合世界模型”方向。
MIT 研究团队开源视觉语言智能体框架 VISTA，摒弃传统丢弃旧帧嵌入的做法，将所有交互历史帧保存在持久内存中，并赋予模型主动检索与局部放大视窗的工具。在 ARC-AGI-3 基准测试中以比初次人类玩家少 57.4% 的动作完成解题，搭配 Claude Opus 5.0 取得 100 分的相对人类行动效率满分。
证明了视觉与多模态长程任务同样依赖精细的“上下文工程”，持久化帧检索能大幅突破视觉工作记忆瓶颈。
针对传统自回归 VLM 逐个 token 生成坐标开销过大且易累积误差的问题，NVIDIA 提出利用视觉图元先验结构的轻量草稿模型 VFlash，实现单次前向传播直接预测整个框或轨迹。在 3D 点运动预测上实现约 25 倍生成加速，条件化于 VFlash 规划的世界动作模型在 MolmoSpaces 四个任务集上平均成功率达到 70.2%（基线为 62.6%）。
突破了具身智能中自回归逐步生成坐标的瓶颈，显著压缩端到端视觉感知与动作规划延迟。
上海交通大学提出 Harness-S 训练机制，维护一个固定的专业兄弟 Harness 池，仅在基础系统完全失败时调用兄弟环境生成新轨迹进行强化学习替换。跨 AppWorld、SWE-Gym 和 DBBench 测试表明，经兄弟环境辅助训练后的单一策略在放回原始基础环境时，表现显著超越仅在基础环境中训练的策略。
为复杂工具使用和智能体环境交互中的强化学习探索受阻提供了全新的“外部支架拯救”泛化思路。
CMU 研究推导了从子集估计完整基准得分的误差分布解析逼近，发现随机抽样表现优异但存在不可忽略的重尾大误差风险。基于此提出的 BestRand 方法在 70 多个文本、多模态与智能体基准上，以仅需 51.3% 的构建成本将高误差风险降低 50.2%、估计误差降低 16.4%，OOD 误差降低 21.8%。
从统计学原理破解了基准评测成本暴涨难题，在评测子集压缩的稳定性与低成本之间取得严谨突破。
港科大（广州）团队提出 SLA，基于预训练 π0.5 策略，在持续预训练中通过特征门控将 VLA 中间视觉嵌入对齐到冻结的 3D 感知模型空间表征。该方法充分融合异构多实体机器人数据集与不完全深度信息，且所有辅助对齐组件仅在训练阶段使用，完全保留了原有极简的推理架构。
解决了传统 VLA 过于依赖 2D 预训练缺乏 3D 物理空间理解的问题，为具身智能规模化注入几何感知先验。
面向微信海量消费级场景单 GPU 部署需求，团队推出交织处理文本、参考图像和潜在变量的统一图像模型 WeLM-Image。其采用 MoT 与 MoE 架构（总存储 31.7B，每个潜变量 token 激活约 5.4B 参数），支持原生 1.5K 分辨率，经 MeanFlow 蒸馏后的 WeLM-Image-Turbo 在单张 NVIDIA H20 上仅需 8 步无引导步即可在 4.98 秒内生成 1024x1024 图像。
实现了超低延迟单卡部署与原生超高清图像生成、指令编辑的高度集约化统一。
针对大模型长思考自回归输出解析繁琐、延迟高且不稳定的痛点，Nace.AI 开源了 8B 到 35B 参数的 Drex 决策模型家族，直接根据输入的上下文和选项输出离散概率分布。旗舰版 Drex-Max 在典型请求上耗时仅 183 毫秒（对比 GPT-6 Sol 的 2.0 秒与 Claude Opus 5.5 的 3.5 秒），在 Decision Bench v4 上与前沿自回归模型统计持平，且对选项排列顺序具有完全鲁棒性。
重新探索了非自回归判决式架构在生产级 Agent 流程决策中的高确定性与极端低延迟优势。
牛津大学、Martian 等机构系统梳理了机制可解释性（MI）在 AI 安全领域的现状，通过特征、多义性、神经回路及因果干预全面对比内部机制分析与外部行为评测。报告指出，尽管激活探测器能够以超过 99% 的 AUROC 检测后门休眠智能体，但将内部机制理解直接转化为系统安全性保证的假设在宏观层面仍未经验证。
深入剖析了前沿模型白盒安全审计的技术边界，对依赖内部表征确保对齐的乐观预期给出了严谨的审视。
由加州大学伯克利分校、加州理工等 42 位物理学家根据自身研究构建了涵盖理论、计算与实验物理的 56 个端到端任务，要求智能体完成文献调研、方案设计、执行实验与撰写可发表论文。测试中表现最顶尖的 Claude Opus 5.5 单次成功率仅为 27.4%（GPT-6 Astra 为 23.2%），分析显示主要瓶颈在于专家直觉与严密多步推演不足，而非专业物理事实知识缺失。
建立了首个涵盖“构思-实验-成文”全流程的严谨科学智能体评测集，揭示了 AI 独立进行前沿自然科学发现的真实能力鸿沟。
南洋理工大学提出端到端免独立编码器的具身控制架构 NEO-VLA，直接将轻量卷积 Patch 图像标记与文本共同输入骨干网络，并通过流匹配动作专家按需提取骨干网络不同层级的视觉计算表征。层级探测证实具身关键视觉信号常在最终表征前达到峰值，在 LIBERO 骨干冻结设置下 NEO-VLA 2B 取得 90.9% 成功率，显著高于传统编码器架构 Qwen3-VL 2B 的 79.5%。
颠覆了将感知压缩成固定视觉终态的传统 VLA 范式，证明动作控制需直接访问多尺度深度的中间视觉计算。
针对混合架构大模型（如 Mamba-2、GDN）中线性注意力稠密循环状态每步读写带来的显存带宽开销，研究团队发现了线性注意力状态高度集中的“线性注意力汇（Sink）”低秩现象，提出 SinkState 算法。通过 GPU 缓冲区局部 SVD 与 CPU 异步奇异值整合，在 4B 至 120B 参数混合模型上使循环状态显存峰值降低最高 2.6 倍，解码速度提升最高 1.58 倍且几乎无精度损失。
解决了长上下文线性注意力模型在实际高并发推理部署中循环状态显存搬运受限的关键工程瓶颈。
研究指出传统视觉语言导航（VLN）成功判定通常以目标 3 米内为准，导致多达 80% 的“成功”导航实际上模型朝向墙壁或目标被遮挡，形成“最后三米对齐鸿沟”。作者提出解耦长程导航与精细近距离接近的即插即用模块 REALM，结合目标可见性主动停止策略，大幅改善了实体级对齐与最终视线交互成功率。
直击现有具身导航评估标准的致命盲区，推动机器人从粗糙“走到附近”向精准“看清并能够操作”演进。
针对 AI 科学家面临“文献可读但不可运行”的困境，研究团队构建了包含 1,000 个已验证可执行学术环境的 Scientist World，自动提取论文开放性课题并复现 baseline 作为基准。在评估中前沿 AI 科学家已有 74% 的概率超越人类学者原始成果，并积累了 6,400 小时的完整科研轨迹数据，使小型模型科研构思能力提升 158%。
为自主 AI 科学研究搭建了首个标准化可执行的沙盒模拟世界，开创了智能体以真实科学探索作为强化学习训练场的全新范式。
研究团队推出 XStack 基准，专门评测编码智能体将包含完整仓库的 PyTorch/GPU 代码无缝迁移为 JAX/TPU 代码并复现原论文指标的长程任务能力。测试显示当前智能体迁移依然脆弱：顶级模型 Claude Opus 5 通过率为 75%，GPT-5.6-sol 仅 45%，其余所有智能体均在 40% 以下。
针对 AI 硬件与框架生态割裂的核心痛点，首次定量检验智能体跨异构算力平台的整库重构与调试能力。
斯坦福 Christopher Ré 等学者指出评测集存在严重的“基准维护债务”——模型会发现有效新解法但被僵化测试用例判定错误，环境依赖变更也会导致评估失效。作者建立持续验证工作流对严格审查过的 Terminal-Bench 2.0 进行审计，发现并修复了约 30% 的任务缺陷，新发布的 Terminal-Bench 2.1 导致多个模型准确率产生超过 10 个百分点的偏移。
颠覆了将基准视作静态黄金标准的传统观念，呼吁像对待软件一样对 AI 评测进行持续测试与缺陷修复。
Karniadakis 团队针对传统大模型进化搜索频繁文本解码速度慢的问题，提出让数百个轻量智能体直接在隐空间进行推理并借由传递 KV Cache 共享信息的 SwarmEvolve 框架。隐向量距离作为新颖度过滤机制并在隐空间完成思想交叉，在 21 个数学发现与科学计算问题中仅需 3 至 8 分钟即可达到现有 SOTA 系统运行 60 分钟的最优水平。
绕过了自回归文本生成高延迟障碍，为大规模群体智能体在科学计算中的高效协同演化开辟了隐空间通信新路径。
针对近期关于前沿大模型可直接读取和篡改神经网络原始权重的热议，作者对 Claude Opus 5.5 在无工具、无前向传播的 12.5 万参数卷积网络权重纯文本读取任务上进行严格测试。结果表明，模型擅长基于边缘层统计量做局部代数计算（如根据 BatchNorm 恢复优化步数、根据输出层符号分辨动物与车辆），但在中间层主要依靠对常见公开数据集（如 CIFAR-10）的强记忆先验，并未真正进行全局权重流推理。
客观厘清了大模型在“权重直接编程”上的能力本质，破除了对所谓内部神性直觉的过度神话。
Artificial Analysis 发布重大升级，Intelligence Index 升级至 v5.0.1 并纳入 9 项高难度私有评测，Google 闭源模型 Gemini 4 Carbon (high) 以 60 分超越 Claude Opus 5.5 (59 分) 登顶榜首，单任务加权成本仅需 7.76 美元。同时平台推出 AA-Robotics v0.1 与 AA-3D 等全新具身与 3D 智能体基准，模型排名洗牌剧烈。
见证了前沿闭源智能指数王座更迭，同时评测维度全面向具身控制与真实世界生产力迁移。
独立评测显示，Inkling 2 Small 在智能指数上较初代跃升 18 分达到 31 分，与 Gemini 3.8 Flash 持平并超越小米 MiMo-V2.6-Pro。其在长程商业工作流 AA-Briefcase 上获得 1527 Elo（较前代暴增 615 Elo），虽任务输出 token 增至 150K（近 4 倍于前代），但得益于极低定价（$0.30/$1.00 每百万 tokens），任务成本仅 1.18 美元。
提供了目前海外最具竞争力的开源权重候选模型的全面第三方客观基准数据。
BOSS直聘旗下大模型团队以 Apache 2.0 开源 dense 33B 推理模型 Nanbeige4.3-33B，支持 524K 上下文且可在笔记本本地运行。在智能指数上取得 20 分并列 Qwen3.8 27B，在 Terminal-Bench 4.0 终端调用上以 30% 对 6% 显著领先，但在通识推理 HLE-Diamond 上稍逊（7% 对 15%）。
在 30B 级小体积参数密集模型上刷新了本地推理与终端调用的能效帕累托前沿。
GitHub 发布在 Copilot 中动态调度 Anthropic 与 OpenAI 多模型的编排引擎 Copilot Fusion，在 Coding Agent Index v2.0 评测中仅比 Claude Code (Opus 5.5) 低 2 分，但任务成本从 11.42 美元腰斩至 5.59 美元。其每任务仅消耗 7.2M tokens，并以 71 分的成绩领跑 Terminal-Bench 4.0 基准。
证明了在生产级编码智能体中，通过多模型自适应路由可在保持准前沿表现的同时大幅压缩推理成本。