← 返回 AI 日报归档 · ← 返回首页
AI 日报：2026-11-03
采集于 2026-11-03 · 共 7 条 · 覆盖当日时间窗口；各条注明原始发布日期。厂商性能数据与研究结论均保留来源口径，“值得看”属于编辑分析。
1. Anthropic 更新招股书：三季度营收 169.56 亿美元
SEC 于北京时间 11 月 3 日前受理的 S-1/A 显示，Anthropic 截至 9 月 30 日的季度营收为 169.56 亿美元，经营亏损 5.67 亿美元；采购承诺和租赁协议合计约 8954 亿美元，主要与算力及基础设施有关。文件对 RSP 加速研发门槛的表述针对未来模型的内部预期，不代表现有模型已被认定越过门槛。
值得看：营收、经营亏损和长期算力承诺应分开阅读；净亏损还包含大额金融工具公允价值变动，不能直接当作现金经营支出。
2. MIT CSAIL 研究“权重空间编程”，直接编辑小模型权重
11 月 2 日，MIT CSAIL 研究者公布实验：让 GPT-6 Astra 在不使用梯度训练的情况下修改 Qwen3.5-0.8B 的 0.016% 权重。按作者相同采样设置，MATH-500 从 7.9% 提升至 48.1%，主要改动用于压制重复推理循环；作者同时展示了从原始权重识别网络用途等早期实验。
值得看：它把模型行为诊断与参数编辑连接起来，但当前是作者报告的特定模型和评测结果，不能外推为通用的模型修复方案。
3. Anthropic Messages API 消息线程进入公测
Anthropic 推出 Message Threads 公测：首轮保存对话，后续请求只发送新增消息和上一条响应 ID，服务端在轮次间加密保存线程且不落盘，闲置 5 分钟后过期。官方称 Claude Code 中 50 万至 100 万 token 请求的首 token 延迟中位数下降约 35%，仍按标准 token 费率计费。
值得看：长会话 Agent 可减少重复传输，但线程过期、完整上下文仍被模型读取及计费方式都需要纳入客户端设计。
4. FlashProve 开源：为指定模型的推理结果生成证明
Anthropic 11 月 2 日发布可证明推理原型 FlashProve，目标是在隐藏模型权重的同时证明输出确由承诺模型生成。在 4-bit Llama 4 Maverick 400B 实验中，单块 H100 约每秒证明 110 个 token，每个 1024 token 请求的证明约 19 MB，GPU 时间约为 vLLM 推理的 70–95 倍；代码与 Lean 证明采用 Apache 2.0 许可。
值得看：适合研究第三方算力与模型供应链的审计机制；它仍是高成本研究原型，不隐藏模型架构，也不是实时推理的零开销替代品。
5. Mistral Large 4 技术报告公开，关注长程 Agent 的效率取舍
Mistral 11 月 3 日在 alphaXiv 发布 Large 4 技术报告：模型总参数 1T、激活 52B，支持多模态与长程 Agent 任务。报告披露 FrontierCode 2.0 得分 19.7%、Terminal-Bench 4.0 得分 41%；NVFP4 检查点为 606 GB，可在四块 GB300 上部署。团队还说明过度的 KV 缓存压缩曾损害 Agent 表现，因此调整注意力设计。
值得看：相近语言建模损失不代表相近 Agent 能力，长上下文架构必须在真实工具任务上单独验收。
6. Hume 发布 Audio Decision API，直接对音频提问
Hume 11 月 2 日推出 Audio Decision API：输入原始音频、自然语言问题和候选答案，返回答案概率，也可定位叹气、笑声等声音的时间区间。官方称模型使用数千万条人类判断训练，初步评测中与人类评审组平均判断的一致率为 70.7%，目前 API 需申请访问。
值得看：语音 Agent 可补充转文字丢失的情绪和现场声音信息；主观感知判断仍需用目标场景的人类标注验证。
7. 斯坦福复测 50 条 LLM 结论，44% 在当前模型上失效
Owen Queen 与 James Zou 11 月 2 日发布复测项目，用 20 个模型重测 50 条被广泛引用的 LLM 结论：按项目分类，44% 已失效、34% 明显减弱、16% 保持、6% 增强。能力类缺陷通常消退更快，而讨好用户、模型评审偏好等倾向更持久；比例只适用于该项目选择的结论和模型面板。
值得看：模型升级后不能只跑传统能力基准，旧的安全与行为假设也应进入回归测试，并保留测试版本和失效日期。