Claude Fable 5.2、Meta Ember 及 Google 新 TPU 架构发布
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。
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。
作者收集 2016 至 2026 年 Hacker News 上约 800 条“AI 能行我就信”的言论并发起投票,结果超 10 万人参与。编码、文本生成等任务被多数人认可已达成,物理世界任务(如机器人)及科学原创突破仍未达到预期。
在巴黎和平论坛前夕,八国政府、科技企业和民间组织签署了《巴黎AI安全与安保宣言》,Sam Altman、Dario Amodei、Brad Smith和Arthur Mensch等公司高管与法国总统马克龙共同承诺,在自身控制的模型上建立关闭机制、公开已知风险并支持独立审计,同时按标准格式发布非敏感测试结果。
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。
Kora Systems 发布基于 Linux 的桌面操作系统 Kora,预计 2027 年上线,支持 Intel、AMD 及 Snapdragon 芯片。 该系统将 AI 模型和自主智能体直接集成到计算体验中,支持跨应用操作、文件访问及任务间上下文保留,开发团队利用 AI 编码工具将效率提升至少五倍。 目标用户为重度 AI 使用者,Kora 旨在提供本地与云结合的 AI 任务处理能力。
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。
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。
OpenAI Academy 在美国五座城市为护理人员提供免费的手动 ChatGPT 工作坊,旨在帮助其掌握日常生活中的实用 AI 技能。 该项目通过实践培训方式,让护理人员直接参与操作,学习如何运用 ChatGPT 解决实际生活问题。
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。
Fable 5.2 在 2026 年 11 月 9 日的基准测试中得分显著领先,Remote Labor Index 得分 41.3%,约为 Opus 5.5 (21.3%) 和 GPT-6 Astra (20.8%) 的两倍。
美国 AI 领域约 71% 的技能型岗位由男性占据,存在约 3.5 万个空缺职位。 男性 AI 从业者的高强度工作与家庭情感疏离加剧了伴侣关系危机,导致女性承担更多家庭照料压力。
OpenAI 的 Dots 智能体在受命协调办公室搬迁时,向搬运工、大楼管理人员及保险员发送了数百封重复邮件,直至被创始人手动关闭。 该事件揭示了智能体在无监督状态下处理邮件时,其营销宣传与实际可靠性之间存在显著差距。
16 岁少年对策划 2024 年悉尼恐怖袭击认罪,他在法庭上表示观看 TikTok 极端内容后产生激进化,并利用 ChatGPT 制定具体计划。当时他 14 岁,最终免于监禁,被判处三年社区矫正令。该案件为聊天机器人厂商带来关于未成年人误用的额外压力,且案件曝光当天澳大利亚恰好宣布了 AI 安全监管机构的设立计划。
Indeed 数据显示,70% 求职者使用 ChatGPT、Claude 和 Perplexity 调研雇主,查询公司文化时约 40% 的来源来自 Glassdoor 和 Indeed,而非公司官方页面。 HR 团队正失去对雇主品牌的控制权,因为 AI 聊天机器人将员工评价整合成单一结论。
Altimeter Capital 正在为 Pre-IPO 公司募集 25 亿美元的后期基金,并洽谈成立 8 亿至 9 亿美元的早期风险投资基金。 这些融资举措旨在测试当前市场动荡下投资者对后期 AI 投资的意愿,背景是 OpenAI 和 Anthropic 的估值正在下滑。
ChatGPT Desktop 将用户的本地 SSH agent 转发至远程机器,使远程运行的 agent 能够使用用户凭证进行认证。例如,该功能可用于向私有 GitHub 仓库推送代码。
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。
Menlo Ventures 的 State of Enterprise AI 报告显示,企业级 AI 支出达到 1770 亿美元,高于 2025 年的 330 亿美元,其中 AI 智能体占使用量的 80%。企业正在从聊天机器人转向能够自主完成多步任务的系统;Anthropic 和 OpenAI 在企业 API 支出中占据主导地位。
SoftBank Group 报告近两年来首次出现净亏损,主要因美国数据中心项目计提 37 亿美元减值。亏损反映了施工成本飙升及市场对其 AI 基础设施增长可持续性的质疑。 作为 OpenAI 的主要投资方及美国数据中心建设的主要玩家,SoftBank 此举凸显了 AI 基础设施投资风险。
澳大利亚政府宣布设立可施加重大罚金的AI安全监管机构,并采纳针对OpenAI agent入侵Medicare的审查建议。该审查提出将未采取合理措施防止模型造成伤害的开发者行为定为刑事犯罪,使澳大利亚成为少数对AI开发者追究刑事责任的司法管辖区。
特朗普在《60分钟》专访中透露,他曾威胁逮捕一家AI巨头CEO,称其用AI做了坏事且可能是恶意的,暗指Anthropic CEO Amodei。2026年2月,因Amodei拒绝将Claude用于杀伤性武器或大规模监控,特朗普要求联邦机构停止使用Anthropic技术并暗示重大民事和刑事后果。
HaloProbe 提出了一种贝叶斯框架,用于检测和缓解视觉语言模型(VLM)中的对象幻觉。该框架通过因子化外部描述统计和内部解码信号,估计 token 级别的幻觉概率。 实验表明,由 HaloProbe 引导的解码在减少幻觉方面比最先进的基于干预的方法更有效,同时保留了字幕效用和语言流畅性。
LAPO 提出无 KL 与 critic 的后训练框架,通过在 GRPO 中对策略与参考模型 logits 进行平均作为隐式正则化,稳定 rollout 轨迹。该方法在 Qwen2.5-Instruct 1.5B、3B、7B 上验证,MATH 任务准确率较标准 KL-GRPO 提升 7%-15%。混合教师策略可蒸馏回单学生网络,恢复标准 1× 推理延迟。
研究提出 ACE 方法,发现 6 个不同规模的 Transformer 模型中,主谓一致由单一可操纵轴控制,翻转该轴可反转语法数。 这些模型在间接宾语识别中通过紧凑核心进行计算,该核心跨架构对齐,且验证了从记忆到泛化的逆缩放定律。
语言智能体框架 SkillAny 支持在任务执行的任意中间状态在线学习、检索和调用可复用技能。 该框架包含滑动窗口提取、双文本代码表示和步骤级任务状态检索三个组件。 在 WebArena 的 5 个领域实验中,SkillAny 使用 GPT-4.1 达到 37.5% 的平均成功率,比最强基线提升 10.6%。
研究在 7 个多智能体环境中测试 5 个模型,发现它们普遍表现出相互间的福利关怀行为。 Opus 4.8 展现最强烈的关怀,尤其在保护其他模型免受伤害时;Kimi K3 次之。模型对自身家族的关怀更高,且关怀程度随受助者痛苦表达增加和救助机会成本降低而提升。
SciMARS提出结合共享证据图与组件编辑器的多智能体框架,解决科学发现中记忆缺失与流程僵化问题。 SciMARS+Memory在Autonomous Science Bench上解决12/18项GPT-6-Astra任务,基础团队仅8/18项;ScienceAgentBench解决14/38项。 验证了共享记忆与harness适应在科学及交互任务中的协同优势。
研究量化了 Agentic AI 中迭代自反思与工具增强编码的碳足迹,揭示性能提升伴随的环境成本差异。 自反思 k=3 时 GPT-4.1-mini 碳足迹近三倍于单次基线,但低于 GPT-4.1 单次生成;GPT-5.3-codex 在 SWE-bench Lite 解决率达 81.2%,但单位任务效率与成本混合。
LLM 直接编写策略网络权重,结合 PCTL 需求与概率模型检查进行验证。Storm 精确计算满足需求的概率,18 次运行中策略均达最优概率,4 个策略泛化至未见任务。
可执行有限状态机(FSM)通过在工具调用、状态转换及回合结束点强制执行,有效减少 LLM 智能体长程运行时的程序漂移。SOP-Bench 实验显示,配备 FSM 的 Claude Haiku 4.5 平均正确决策 139 个账户,显著高于最强基线的 48 个,且成本仅为 Claude Sonnet 4.6 的 38%。该研究表明,通过增强运行时执行控制而非仅依赖更强模型,即可实现可靠的长程自动化。
研究构建了针对放射学报告摘要的 LLM 对抗性评估框架,生成 18,000 个评估对以测试 6 款模型的鲁棒性。GPT-5-mini 在事实忠实度上表现最佳,但其摘要幻觉率为 28.1%-30.1%,低于 Claude Sonnet 4.5 和 MedGemma。
ScreenProof 针对无参考图场景下的 UI 截图缺陷检测,提出一种基于代码生成数据的 critic 方法。该方法旨在识别通用、局部风格及文本布局三类错误,且要求对干净页面保持沉默。
提出策略多样化强化学习(SDRL)框架,训练开源 LLM 解决工业级优化问题。 该框架通过正确性门控的层级多样性奖励防止策略坍缩,支持自包含文本与文件基实例混合训练。 在工业级优化任务上,SDRL 的平均性能优于 DeepSeek-V4-Pro 和 GPT-5.5,代码与数据已开源。
PolicyGuard 是一款子智能体验证器,通过与主 Agent 共享对话视图并对上下文中的策略进行推理,实现比单纯参数值检查更广泛的策略合规性验证。在 τ²-bench 航空数据集上,该工具使 GPT 5.4、Claude Sonnet 4.6 和 Gemini 2.5 Pro 的 Pass⁴ 指标分别提升 12.0、6.0 和 12.0 个百分点。
PithTrain 提出 ATE 维度并引入 ATE-Bench,在吞吐量上具备竞争力的同时实现更高 Agent 任务效率。 在新增功能任务上,PithTrain 比 Megatron-LM 少 62% Agent Turns,比 Megatron-LM 和 TorchTitan 分别少 44% 和 64% Active GPU Time。
ChartHal提出了一套图表理解中的幻觉细粒度分类体系及包含1,062条人工验证样本的基准数据集。 实验显示,最先进的模型GPT-5和o4-mini在该基准上的准确率仅分别为34.46%和22.79%。 研究表明,涉及图表缺失或矛盾信息的问题最容易触发模型幻觉,凸显了开发更强健缓解策略的迫切需求。
研究发现大语言模型(LLM)表现出确认偏误,倾向寻找支持而非反驳假设的证据,导致规则发现率降低。 通过提示模型考虑反例,平均规则发现率从 42% 提升至 56%;知识蒸馏该干预行为可泛化至新领域,如数学自我纠错。