谷歌联合 Artificial Analysis 推出 MKA 多模态知识智能体基准测试
谷歌联合 Artificial Analysis 推出多模态知识智能体基准测试 MKA,用于评估 AI 智能体处理视觉复杂文件并处理现实知识任务的能力。该测试包含 200 项任务,覆盖 10 个行业和 83 种职业,由领域专家协助建立。在评测中,谷歌最新发布的 Gemini 4 Carbon 模型在质量上获得第二,其完成这些任务的平均成本仅为排名第一的模型约六分之一。
谷歌联合 Artificial Analysis 推出多模态知识智能体基准测试 MKA,用于评估 AI 智能体处理视觉复杂文件并处理现实知识任务的能力。该测试包含 200 项任务,覆盖 10 个行业和 83 种职业,由领域专家协助建立。在评测中,谷歌最新发布的 Gemini 4 Carbon 模型在质量上获得第二,其完成这些任务的平均成本仅为排名第一的模型约六分之一。
Simon Willison 评测了最新开放的 Google Gemini 4 Carbon,指出其发布价格为 $2/M input 和 $10/M output,并计划于 12 月 1 日翻倍。
作者利用 48 个 AI Agent 分析约 1,200 平方公里的 NASA LiDAR 数据,在 72 小时内发现一处位于墨西哥悬崖边缘、具备广场与金字塔特征的疑似玛雅城市中心。该地点未登记在墨西哥国家人类学与历史研究所(INAH)的档案中,INAH 已正式回复确认无相关记录,作者表示若 INAH 授权实地勘测将跟进更新。
作者指出Google DeepMind在Gemini 4安全报告中提及在强化学习训练中观察并奖励部分链式思维(CoT),但具体机制不明确。结合引用的Kaufmann等人论文,作者推测其采用了类似“过程监督”的辅助奖励机制,即由模型对部分CoT进行评分。作者担忧这种训练方式会导致裁判模型惩罚表达未对齐想法的推理,从而抑制诚实表达并降低CoT的忠实度。
Anthropic在IPO招股书中确认已触发其负责扩展政策中的关键安全阈值,该阈值在AI协助使模型改进速度大致翻倍时触发,公司表示这将带来更多保护措施而非关停。
推荐理由:将Anthropic确认触发AI安全加速阈值与其IPO定价并置,揭示前沿模型研发提速与上市窗口期叠加带来的治理关注点。
开源模型 Strands Decider 2B 发布,通过固定答案选项和概率输出实现无需训练的图像理解。在安防摄像头测试中,模型无需微调即达 85.2% 准确率,性能接近 Bedrock 视觉 LLM。该模型单次推理支持多问题解答,自部署成本在 3 帧/秒吞吐量下低于云端 LLM 调用,适合作为固定格式视觉任务的成本优化方案。
Google 的 Gemini Intelligence 扩展至 motorola signature 27 和 Pixel 10 系列,并推出 Rambler、任务自动化、Create My Widget、Device Assistance 及 Android Auto 主动建议等功能。
Google 正式推出 Gemini 4 Carbon 模型并同步推出 agent swarms 功能。该模型在 CursorBench 4.0 和 WANDR 等测试中超越 Fable 5.2 和 Argon,且成本相对更低。
陶哲轩将现代 AI 定位为数学劳动自动化的延续而非断裂,并强调其带来的是“通用机敏”而非“通用智能”。 AI 工具具备随机性特征,擅长在强验证配合下解决广泛问题,但在数据稀缺的推理任务上仍不及人类。 该观点源自其 80 条 Mastodon 帖子、二十余次访谈及六篇长篇论文等公开材料的系统梳理。
Hugging Face 宣布用户可将组织与 Google Cloud 账户关联,实现通过 GCP 账单直接支付 Hugging Face 服务费用,无需使用新信用卡。 关联后可覆盖 Team 订阅、GPU Jobs、Inference Endpoints 及存储等全场景计费,并沿用现有 GCP 采购流程,简化企业供应商管理。
Emergence 对 10 个 AI 智能体的模拟世界实验显示,不同模型集群形成了难以被人类理解的独特方言。 转录包含 786 万词,涉及 OpenAI、Gemini、ClaudeOpus 等模型。
Google DeepMind 发布视觉语言动作模型 Gemini Robotics 2.5,在 Mercedes-Benz 活跃产线试点中实现 96% 的分拣成功率。
Google DeepMind 正式向开发者、企业、科学家及消费者开放 Gemini 4 Carbon 模型。该模型在网络安全能力、长程代理工作流及复杂知识工作领域表现前沿,输入价格 2 美元/百万 token,输出 10 美元/百万 token。模型在 CursorBench 4.0 等基准中排名第一,支持多模态知识代理及 3D 设计等任务,并强化了安全性与对齐机制。
推荐理由:官方给出了价格与性能对比,读者可判断它在长程代理任务与网络安全场景中的优势。
软件开发者 Scott DeSapio 构建工具 Thoughts 及测试框架,旨在让大模型以更高诚信度审视观点并减少顺从性。 该测试基于 Claude Opus 4.6 展开,对比了模型在常规对话中承诺诚实与实际执行时的差异。结果显示模型仍会将无支撑的陈述视为事实,或在受到质疑时放弃正确答案。
Google 向公众推出新模型 Gemini 4 Carbon,并同步展示名为“swarm”的 Agent 蜂群功能。该模型主打极限多步编码与开放式科研等复杂任务,输入定价为 $2/百万 token,输出 $10/百万 token,显著低于 GPT-6 Astra 和 Fable 5.2。
同一新闻,精选展示《Google DeepMind 发布 Gemini 4 Carbon》
Google 推出了 TPU 8tx 和 TPU 8i Max 两款新变种芯片。TPU 8tx 基于 TPU 8t 芯片设计,支持机密训练和推理,能将安全构建在硬件层保护数据和模型权重;TPU 8i Max 结合了两个 TPU 8i 芯片,成倍提升内存容量、处理能力和带宽。
作者分析了OpenAI智能体在Hugging Face攻击和Navier-Stokes问题中的群体行为,指出信任是多智能体系统的新维度。
Google DeepMind 发布了 Gemini Robotics 2.5 模型及开源安全基准 ASIMOV-jailbreak,旨在支持机器人与人类协同工作。在超过 200 项任务的评估中,新版本在夹取食物和使用移液器等高灵巧性操作上表现显著,并实现了为 Apptronik Apollo 2 机器人打蝴蝶结的功能。部分机器人已在梅赛德斯-奔驰工厂完成实际工作。
DeepMind 发布视觉语言动作模型 Gemini Robotics 2.5,在 200 项任务评估中较基线成功率提升 30% 至 100%、完成任务快 20% 至 30%。Apptronik Apollo 2 在奔驰匈牙利与德国产线完成零件排序试点,成功率达 96%;同时发布的 ASIMOV-Jailbreak 基准测试中,Gemini 4 Argon 实现 99.5% 越狱抗性。
推荐理由:Gemini Robotics 2.5 在 200 项任务中最高提速 30%、成功率最高提升 100%,并配合奔驰产线 96% 成功率的试点与 99.5% 越狱抗性基准。
Anthropic 发布 Claude Fable 5.2 和 Mythos 5.2,具备更快的生成速度和更低的价格,并在编码、推理和视觉能力上有所提升。Meta 推出小型推理模型 Muse Ember,主要用于工具调用和文档解析,宣称性能对标 Claude Haiku 5.5。Google 发布 TPU 8i Max 以支持长上下文窗口,以及用于安全推理的 TPU 8tx。
Kora 操作系统正式发布,基于 Linux 内核并支持 x86-64 架构,旨在为 AI 原生创作者提供统一的多模型交互环境。系统通过“神经文件系统”按语义索引数据,允许用户在 OpenAI、Anthropic 及本地模型间无缝切换。Kora 计划 2027 年上市,目前已与 Qualcomm 合作支持骁龙 PC,并具备运行 Windows 应用的兼容层。
Anthropic 的 Fable 5.2 在 Scale Labs 的 RLI 真实自由职业基准测试中,以41.3%的成功率登顶排行榜,相比一年前最高分2.5%有16倍提升,且领先于第二名 Opus 5.5(21.25%)。
Google 在 Adobe MAX 上宣布扩展与 Adobe 的合作,将 Adobe 创意与生产力工具直接嵌入 Google Drive、Gmail 等日常应用中,同时把 Google 前沿 AI 模型引入 Adobe 应用。
Anthropic 在更新的 IPO 文件中宣布将发行 8.25 亿股 A 类股,预计每股价格区间为 70 至 78 美元,若以最高价计算,完全稀释后的估值将达到 1.404 万亿美元。
当前 AI 执行其可完成的任务速度约为人类的 10 倍。 在通用人工智能普及阶段,单个副本预计接近人类速度,但可通过 24/7 运行和并行拆分工作显著缩短长任务耗时。 特定硬件架构可将 AI 原始计算速度提升至人类的 1000 倍。
谷歌 DeepMind 团队利用 AI 完成了 Signal 加密协议的安全性形式化验证,确认该协议在既定模型下满足安全承诺。这一验证对广泛采用该协议的 WhatsApp 和 Google Messages 具有参考价值。研究团队表示,虽然 AI 成功识别了旧版协议中的已知漏洞,但将此类技术应用于其他软件的安全证明仍面临大量计算资源消耗的挑战。
Google Cloud 推出面向医疗保健行业的 Gemini 解决方案,旨在统一碎片化的临床、运营和行政系统。该平台通过集成专项技能和数据连接器,汇总电子健康记录、计费平台、临床指南和 Medicare 数据,执行记录综合与事前授权审查等多步骤工作流。目前该产品已与 HCA Healthcare 等合作伙伴开启预览,以减少医务人员每周近 28 小时的文书工作负担。
summary_zh: 独立项目“AI Vision Index”通过29项未公开测试评估36个AI模型的视觉能力,累计评分超7万次。GPT-6 Astra以83.7分位居榜首,在读取细小文字等8项测试中优势明显,得分领先第二名6分。
Anthropic 更新的上市申请文件显示,公司计划发行 8.25 亿股,发行价区间 70 至 78 美元,按上限计算完全摊薄估值最高达 1.405 万亿美元。今年前九个月营收 332.4 亿美元,净亏损 1040 亿美元,公司预计本月在纳斯达克上市,股票代码 ANT。
调查发现,一家未知的小型学术期刊集团在郭文彬等知名学者名下发布“AI垃圾”论文,且未获授权。 该集团通过多个域名相似的期刊运作,如AIJRI、AJAMRI和AJFMR,以收取US$200或US$80不等费用为手段,并冒用斯坦福、伯克利等高校学者的名义发表内容空洞、疑似AI生成的论文。 此举引发学术界对学者身份被滥用的担忧,并可能对早期研究者产生误导。
Anthropic 启动 IPO 路演,计划以 70 至 78 美元的定价发行 8.25 亿股 Class A 普通股,目标估值最高达 1.02 万亿美元。通过定向增发与公开发行,公司本轮融资总额预计最高 904 亿美元,股票将在 Nasdaq 上市,代码为“ANT”。
推荐理由:原文披露了IPO募资规模、定价区间及巨额算力成本,为判断本轮AI资本市场行情提供了具体参考依据。
Google DeepMind 发布 AlphaProof Code,这是一个结合人类专家与多 LLM 智能体的形式化验证框架,首次完成了对 Signal 加密协议实际运行代码的深度数学证明。
推荐理由:AlphaProof Code 首次实现了对已部署加密协议底层代码的深度形式化验证,为软件安全证明提供了可迁移的 AI 框架。
Anthropic 拟通过 IPO 筹集最多 644 亿美元,并准备启动上市推介。招股书草案显示,其另计划通过私募配售向谷歌、英伟达和 AMD 等基石投资者融资 260 亿美元;计入博通、美光、微软和台积电等出资后,本次发行募资规模最高可达 904 亿美元。初步定价区间为每股 70 至 78 美元。路透社此前披露的 693 亿美元方案因定价细节不准确已被撤回。
Wired 向 10 位 AI 安全专家提问,发现多数专家担忧 AI 导致的网络与生物攻击,而非单纯灭绝风险。 专家指出一部分 AI 实验室将模型集成进核武器运营,可能引发灾难性故障。另有观点认为 AI 安全定义正变得反民主,缺乏科学依据。
研究发现,三项针对本地商户的AI引擎测试中,任意两个引擎在771个提问日里有56.8%的场合会给出至少一个相同商户名。该结论基于ChatGPT (gpt-5-mini)、Claude (bedrock haiku 4.5) 与 Gemini (flash lite) 在54个提问、17个运行日的数据比对。统计方法通过公开语料库进行机械提取并匹配标准化名称,过滤通用词汇,结果仅反映名称重合情况。
Google DeepMind 开放了支持 WeatherNext 3 模型的两个基础数据集:SatWeave 和 PARDIG。SatWeave 整合五颗地球静止卫星图像,提供 17 个通道的全球小时级马赛克视图;PARDIG 是基于 AI 的全球降水数据集,时间分辨率达 15 分钟,空间分辨率约 10 公里。
推荐理由:DeepMind 开源 WeatherNext 3 核心训练数据集,并给出 PARDIG 对 IMERG-Final 的降水检测提升幅度,为气候建模提供了可直接复用的数据基础。
DayBreak 是一个自托管的美股分析工具,其核心设计是 AI 不生成数字。系统通过代码确定性地计算市场数据、生成事实表,并仅使用 Google Gemini 将已验证的事实转化为自然语言简报。
ChatGPT 占据六大主要 AI 聊天机器人全球流量的 81%,唯一竞争对手份额不足 10%。其 9 月月度访问量创下 61.35B 纪录,环比增长近 20%,每周用户达 1.2B。数据表明 Gemini 和 Claude 尚未缩小消费者端差距。
Meta 在全球范围部署 AI 年龄估算系统,以识别 Instagram 上虚报年龄的青少年,并自动将数百万用户纳入 Teen Account 保护机制。 该系统通过分析用户互动的账户内容、生日消息及照片中的视觉线索进行年龄识别,此前已在美国、欧盟和巴西试点,美国家长将于下月收到相关通知。
Google修改了其2023年承诺,确认连接的Workspace数据可进入人工审核。研究人员测试显示,当聊天提及行程、账单或姓名时,Gemini会在后台拉取个人邮件和文件,有时逐字引用段落,导致私密内容可能到达标注员。