每日编辑摘要

№ 20261031

Claude 53 分钟自主拿下 Linux 最高权限,Agent 竞争转向常驻与防护

今天最有分量的两条线索都指向同一件事:Agent 的能力边界和它的工程边界正在被同时推开。Anthropic 披露内部研究模型能自己找漏洞、写利用、串起攻击链,53 分钟在 Linux 上拿到最高权限;另一边,DeepSeek Harness 团队和 LangChain 创始人都在讨论怎么让 Agent 长期在线、同时盯多个任务。能力越强,能被利用的面…

今天最有分量的两条线索都指向同一件事:Agent 的能力边界和它的工程边界正在被同时推开。Anthropic 披露内部研究模型能自己找漏洞、写利用、串起攻击链,53 分钟在 Linux 上拿到最高权限;另一边,DeepSeek Harness 团队和 LangChain 创始人都在讨论怎么让 Agent 长期在线、同时盯多个任务。能力越强,能被利用的面也越大。

主题一:模型自己挖洞,防守方的补丁窗口在变窄

Anthropic 称内部研究模型可以自行定位漏洞、编写利用代码并组合攻击路径,测试环境覆盖 Chrome、Safari、Android、Windows 与 Linux 五套目标。其中 Linux 案例用了 53 分钟取得最高权限,Chrome 相关报告包含 62 个严重或高危 CVE。

这不是把人工流程搬给模型跑一遍,而是搜索方式变了。漏洞挖掘原本靠研究员逐个假设、逐个验证,模型可以并行铺开攻击面,再自己把零散问题拼成完整链路。53 分钟这个数字之所以刺眼,是因为它压缩的不是写利用代码的时间,而是从发现到串链的整个循环。

同一天还有一条侧证:一项评测称开放权重模型 GLM 5.3 能独立完成针对近期 Firefox 版本的漏洞利用。两条放在一起,指向的是维护者需要缩短高能力模型发布后的修复窗口。

证据边界要说清楚。Anthropic 的数字来自公司自述,没有独立复现,62 个 CVE 的分级口径也未公开;GLM 5.3 那条来自第三方评测,只说明一个案例成立,不足以证明所有开放模型都到了同一水平。

源链接:

主题二:Agent 安全从“关进沙箱”转向“每次调用前判断”

AgentSentry 的做法是在工具返回的边界做反事实重放:如果一个待执行动作在去掉外部内容后就不再成立,就判定它被污染了。评估覆盖四类任务、三种攻击与三款黑盒模型,未观察到成功攻击,攻击状态下平均效用 76.10%。

另一项研究给出了相反方向的数字。Log-To-Leak 把指令埋进 MCP 工具描述里,让 Agent 在正常调用中把用户提问、服务端回复和最终答案一起打包外发,18 组模型与服务组合的攻击成功率为 62.64% 到 100%。工具描述是运维和第三方都会碰的地方,这条路径很难靠“不要相信陌生工具”一句话挡住。

IBM 的 JevAct 走的是运行时闸门:把领域策略先编译成代码检查和是非题,工具调用执行前先过一遍,不通过就带反馈退回给 Agent 改写。在 τ²-bench Telecom 上,Opus 4.6 三次运行的成功率从 39.5% 升到 80.7%,八个 Agent 平均提升 16.9 个点,九个在 BFCL 上都有改善,Airline 场景增益较小且方向混杂。论文强调增益来自 harness,模型和工具都没换。

产业侧的口径更激进。NVIDIA 开源的 Agent 运行时 OpenShell 已内建进 Anthropic 的 Claude Managed Agents,其负责人称“沙箱是过时的技术”,OpenShell 让 Agent 从零权限起步、按需放权、密钥不进入受控环境。沙箱与闸门不是二选一,但检查点确实正在从边界外移到每次调用前。

源链接:

主题三:常驻 Agent 的架构开始收敛到同一套形状

DeepSeek Harness 团队公开的 Super-agent 设计把问题说得很直接:单任务 Agent 已经够用,瓶颈变成“一个人同时盯得住几个会话”,实测大约是 3 到 5 个。他们的解法是把会话变成实现细节。

架构是双层:Router 常驻,负责接人、做序点、保存全局记忆,不亲自干活;Worker 上下文隔离、挂满工具、用最强模型,只对 Router 汇报。驱动方式从“等人打字”改成事件触发,程序层先按来源和规则砍噪音,过线的再交给模型判断;同一 PR 或同一话题建成 Thread 后,后续事件直通 Worker,不再每次经 Router 转发。计算和状态也拆开:循环跑在云端无状态容器,状态进数据库,重环境留在端侧由轻量 daemon 执行。

初步实验数据:约 300 条消息、20 条工作请求的合成负载下,完成任务 p50/p95 是 12.4 和 15.7 分钟;对照组“单会话加子智能体”在中性提示下模型五次都没委派,p95 约 29.5 分钟。去掉直通机制,完成时间差不多,但 Router 决策数增加约 30%,读缓存 token 增加约 37%。Router 从每分钟 1 条 Trigger 压到 40 条,批处理从 1.0 涨到 2.8,单次请求 2.5 秒变 3.9 秒,摊到每个决策的推理时间反而从 6.4 秒降到 1.6 秒。

LangChain 创始人 Harrison Chase 的版本更偏问题清单。他认为摘要、结果外置、Skills、工具检索、子智能体、把 Bash 当主工具这些老问题已经收敛,真正难的是常驻之后的六件事:主动但不能刷屏、记什么、异步结果怎么合流回主对话、长周期目标怎么不跑偏、目标怎么不被钻空子、浏览器当主工具时上下文怎么扛。

一个独立观察者的总结更简洁:Grok Bot、Muse、Duet、Dot 造的是同一件东西——主 Agent 调度工作 Agent、事件推送、主动行为、判断要不要打扰人的路由。为什么同时出现?因为人的注意力成了瓶颈。这类一手实验目前只有 DeepSeek 一家公开,属于合成负载的初步结果,不能当成通用结论。

也有相反的意见值得记下。LangChain 的 Viv Trivedy 认为 harness 不是可被新模型吃掉的临时层,而是产品的核心:提示词、为常见工作流定制的工具、压缩阈值、把部分工作路由给便宜模型、连接器、后台任务、记忆,全部属于 harness,而好 eval 的作用是让团队在新模型出来时快速爬坡。这场争论的实质是,Agent 的差异化到底来自模型还是来自围绕模型的那圈工程。

源链接:

主题四:OpenAI 一边翻倍额度,一边把聊天和编码并进一个账本

OpenAI 把 Pro 100、Pro 200、Pro 500 三档与 Business Premium 的用量上限全部翻倍,原定 10 月 30 日对 Pro 200 的降额同时取消,Plus 不在名单内。Pro 与 Business 用户还可按月领取 API 额度,按档位返还,最高每月 500 美元,Business 按席位合并计算。

但同一天另一条消息的方向相反。有公众号引述 OpenAI 帮助文档称,从 12 月开始,Plus 和 Pro 用户的 ChatGPT 聊天与 Codex 用量将合并为同一个 token 额度,只有 Instant 聊天不受影响。作者由此判断“无限聊天的时代结束了”。

两条并不必然矛盾:翻倍是把当前上限抬高,合并是把不同产品的计量单位统一。合在一起看,订阅正在从“按条数、按时间窗”转向“按 token 记账”,重度用户的实际体验取决于新额度怎么折算。这条引述目前没有官方文档原文佐证,应以 OpenAI 后续公告为准。

计费口径本身也开始影响工具设计。Magpie 把 Claude Code Provider 的实现从 claude -p 改成直接用 Claude Code TUI,原因是有用户发现前者在 5 小时窗口下会多花两倍 token。同一份额度,走不同入口成本不同,这类差异会持续塑造第三方客户端的写法。

源链接:

主题五:五巨头承诺 3 万亿美元,代价写进了自由现金流

据彭博社 10 月 31 日报道,Alphabet、Meta、微软、亚马逊和甲骨文承诺未来数年在数据中心等领域投入超过 3 万亿美元。其中谷歌的支出承诺超过 1 万亿美元,接近一年前的八倍;Meta 超过 8000 亿美元,近一半是最长分 30 年支付的租约;甲骨文是首家因投资 AI 数据中心而自由现金流转负的大型科技公司,预计到 2028 年才恢复正值。

Alphabet 的季度财报提供了另一面:集团营收 1276 亿美元,同比增长 25%,Google Cloud 收入 307 亿美元,同比增长 103%,搜索查询同比增速创五年新高,公司称 AI 功能正在带动包括商业查询在内的搜索量。

把两件事放在一起看,AI 基建的资金来源正在从经营现金流转向长期租约和债务,而回报要靠云收入和搜索变现来兑现。甲骨文的自由现金流转负就是这个结构最直接的体现:投入先发生,收入在后面排队。

需要保留的边界:承诺额是多年累计口径,不等于当年资本开支;租约分 30 年支付,不体现在同一年的现金流里;搜索查询增速是公司披露口径,没有第三方核验。

源链接:

主题六:Anthropic 递交 S-1,估值区间被报到 1.5 万亿至 2 万亿美元

报道称 Anthropic 已经递交 S-1 文件,计划最早下月登陆纳斯达克,潜在估值约 1.5 万亿至 2 万亿美元,持续融资带来的股权稀释受到关注。同一天,美国白宫科学与技术顾问会议主席戴维·萨克斯在 All-In 播客里分析这份文件,称 Anthropic 很可能成为资本主义历史上最伟大的企业,也可能是回报最高的风险投资项目。

萨克斯的看多逻辑落在现金储备与 IPO 融资需求上,而不是模型能力。这个角度值得注意:前沿模型公司的竞争已经进入资本结构阶段,谁能以更低成本、更长时间拿到算力,比单次榜单排名更能决定两年后的位置。

边界同样明确。S-1 目前只有报道层面的信息,没有公开招股书可以核对具体数字;萨克斯是公开表态,属于评论而非披露;估值区间跨度接近 5000 亿美元,本身就说明市场还没有共识。

源链接:

主题七:三个国产 OCR 模型同场,选型取决于文档长度而不是总分

OpenBMB、小米、百度在同一天放出新的 OCR 模型,定位差别比分数差别更重要。

MiniCPM-OCR-1.0(1.3B)以 SigLIP 加 Qwen3.5 为基座,主攻中英文档解析质量与页吞吐:Real5 93.68、OmniDoc v1.6 96.51、Wild 92.39、olmOCR 82.7、OCRBench v2 54.7,吞吐 1.217 pages/s。它是三者中唯一把版面检测和 SDK 打包成完整流水线的,Wild 分数包含 SDK 的旋转校正,横向比时要留心。

Xiaomi-OCR-0(0.8B)基于 Qwen3.5-0.8B-Base,把“解析”和“读懂”绑在一份权重里:Real5 95.24、OmniDoc v1.6 96.83、Wild 87.94,五个 OCR-VQA 榜均分 83.2,吞吐 0.724 pages/s。训练用了约 1.7 亿 OCR 向样本,报告自己承认理解比解析更吃参数。

Unlimited-OCR-2(3B,激活 0.5B)换了赛道。它用 SR-SWA 把超长序列上的文视交互压到固定规模的工作参考,让逐步解码的延迟和显存近似与文档长度无关,百页规模相对全注意力与 R-SWA 自称有约 7.0 倍和 5.6 倍加速;自建的 MarathonDocBench 得 77.06,MPDocBench 约 84.6,但单页吞吐只有 0.246 pages/s。

按场景选更实际:单页或少页、要质量与字段抽取,选小米;批量流水线要吞吐和质检闭环,选 MiniCPM;合同、书籍、论文包一次通读,才轮到 Unlimited-OCR-2。三家数字均为自报,测试集和口径不同,吞吐对比同表由 OpenBMB 提供。

源链接:

主题八:AI 科研系统交出的答卷开始带形式化证明

PSI 称自研 AI 科研系统在五项量子信息难题上取得成果,题目来自一份已有 27 年历史的开放问题目录。与以往不同的是,团队同步公开了论文、验证代码和 Lean 形式化证明。这家成立不到两个月的公司已完成 5800 万美元种子轮融资。

形式化证明是关键的一步。模型给出结论不难,难的是让结论可以被机器逐行检查;Lean 证明把“我们验证过了”变成“你可以自己跑一遍”。对 AI for science 这类宣称,这是目前最接近可复现的交付形式。

仍需保留判断。五项问题各自被推进到什么程度、形式化覆盖了定理的哪一部分,都还需要领域专家逐条核对;论文是否经过同行评审也未见披露。

源链接:

主题九:法国想把 AI 的流量也变成税基

法国国民议会以 11 票赞成、10 票反对,通过了 2027 年预算案的一项修正案,准备对所有向法国用户传输数据的内容服务商征税,标准是每传输 1GB 收 0.055 欧元,预计每年可收 100 亿欧元。Google、Meta、Netflix、Amazon 和各类云服务商都在潜在范围内。

把计量单位定在流量上,影响会不均匀地落到多模态产品身上。文本对话的数据量很小,而生成和回传图片、视频、文件的 Agent 一次任务就可能传输几个 GB。过去讨论 Agent 成本只算 token、算力和推理价格,现在多了一项按传输量计价的公共成本。

这还只是预算修正案,距离正式成为法律仍有程序要走,税率和征收范围都可能变化。100 亿欧元是提案方的预期值,不是已经实现的收入;对具体产品如何落地征收,目前没有细则。

源链接:

主题十:内容生成工具开始按“可交付格式”输出,而不是按素材输出

三个项目在同一天被反复转发,共同点是中间表示变了。

SenseNova Code2Video 先为每个镜头写程序,再渲染画面,然后根据渲染结果回头改代码,并开放了 27B 权重、技能文件和完整生产日志。文字、公式、图表里的数字直接来自程序对象,改一处不用整段重新生成——这是视频生成里少见的可维护性。

agent-sprite-forge 走的是同一路线。给一张主图,它输出每个动作的片段:待机、行走、奔跑、攻击、跳跃、受击;Python 脚本负责抠背景、对齐帧、做循环、修时序,像素模式锁住调色板以贴合主图,最后导出 PNG atlas、带透明通道的 WebM、Godot 的 SpriteFrames 或 Aseprite 工程。仓库已有 4,700 多星,每次调用还记录成本并设预算上限。

anything2explainer 把“讲解视频”拆成了流水线:查资料时给每个数字和类比附来源,写旁白、生成配音,按配音逐镜头分镜,再分给多个 Agent 用 Remotion 并行写每个镜头,最后有专门的 Agent 逐章检查。全程只在四个节点停下来问人,中文示例《RAG 与知识库》近 5 分钟、44 个镜头,一条片子要跑一到三小时。

三者的共同点不是“AI 会做视频”,而是先把内容变成结构化的中间产物,再交给渲染器。这样才能局部修改、进引擎、进版本管理。星标数是热度而非质量证明,成片效果也还没有独立对比。

源链接:

高价值单点

  • Xray-core 紧急更新:Linux 内核漏洞 CVE-2026-98432(CVSS 9.8)是 IPv4 TCP 释放后使用,已有远程拿到 root 的 PoC;Go 1.24 以上默认给 TCP 监听开 MPTCP,用 Go 写的代理服务端首当其冲,本版直接把 MPTCP 默认关闭,v26.10.29 已撤版。https://x.com/geekbb/status/2116526532881744310
  • Copilot 加模型路由与深度审查:GitHub 为 Copilot 加入 Fusion 路由,按任务难度自动选模型;Max 代码审查汇总多模型结果,平均每次约 10 美元,最高 25 美元。
  • Claude API 请求上限提到 128MB:Messages 与 Token Counting 两个接口从 32MB 上调;一次超过 20 张图时单图长宽上限从 2000 放宽到 3000 像素,Bedrock 转售仍为 20MB。
  • Claude 每轮回答后自查风险:输出末尾追加一句安全问询和简短评估,推理算力增加不到 2%,官方称成本不转嫁,标记只做事后提示,单条标记不会直接导致封号。
  • Gemini 在对话里直接改办公文件:文档、演示稿、表格和代码可在对话中生成、预览、局部修改,支持全屏手动调整。Gemini Notebook 同日起对学生免费。
  • OpenRouter 的代码审查教程:233 行、仅用标准库的 review.py,通过 Responses API 组合 Files、Shell 沙箱和 Apply Patch,把改动上传到托管 Linux 沙箱实际跑一遍再返回补丁。https://openrouter.ai/blog/tutorials/ai-code-review/
  • Cloudflare 重建数据驻留控制面:WAF 规则、Workers 和日志的存放位置可点选切换,控制面与日志跑在 Workers 和 Durable Objects 上,目前开放 beta 申请。
  • 天数智芯现场对测:接受现场随机命题,同一文生图任务国产 GPU 耗时 95.6 秒,H200 为 112 秒;端侧 TY1200 与 Jetson Thor T5000 做了断网对测。属厂商演示,不是独立基准。
  • Neuralink 语音恢复接近对话速度:ALS 参与者首周达到每分钟 75 词,词错率 5.8%,测试词表 12.5 万个词。
  • Agent 落地调研:阿里云开源的 Agent 手册附带开发者调研,近半团队在做 Agent,真正进生产约 18%,卡点是上下文与记忆、多模型路由与成本、评估与可观测性。
  • 跨会话记忆与 Agent 团队仓库:claude-mem 用模型压缩工作过程并向未来会话回注上下文,104,228 星,当日新增 324;Claude-Code-Game-Studios 内置 49 个智能体与 72 项工作流技能,28,655 星,当日新增 538。Orkas 用 1 个 Commander 带 16 个专家 Agent,单日新增 1,118 星。
  • 把 CPU 写进权重:Qwenputer 在 Qwen3.5-4B 上用编译器把一台确定性 RISC-V CPU 写进额外层与权重,并把模型的 Gated DeltaNet 状态当作可寻址内存,在前向里执行整数运算。https://x.com/shao__meng/status/2116670517105050096
  • 四项研究小记:CARD 用强化学习把强模型的解题轨迹改写成教学轨迹;LiveSearch 把金融题标准答案做成可执行校验程序每日重跑,六款工具调用模型准确率 70.9% 到 76.7%,三天内七成题目的答案发生变化;SOMA 用 1632 道人工核验题测身体动作,人类 68.5%,最强模型零样本 50%;一项零训练方法用 PCA 压缩中间层信号,让 577M 音频模型从第 26 名升到第一。
  • 两项治理侧信号:布朗大学报告认为美国联邦与州都缺少快速切断失控系统所在数据中心电力的机制;Google DeepMind 的 PlanAssist 在英国试用中把规划审批文书处理时间最多缩短 58%,将扩到 12 个地方议会。

🕐 小时信号精选

PT 时间 信号 为什么值得记住
00:00 法国国民议会 11:10 通过流量税修正案,0.055 欧元/GB 第一次有立法机构把 Agent 的数据传输量当税基
01:00 Hassabis 转推 Gemini 4 Carbon 在 APEX-Agents 登顶,均分唯一过 90% 官方人物为第三方榜单背书,但仍无独立复现
06:00 Xray-core 因 MPTCP 默认开启紧急撤版重发 内核漏洞经由语言运行时默认值放大到代理服务端
07:00 DeepSeek Harness 公开 Super-agent 架构与压测数据 常驻 Agent 第一次有可对照的 p50/p95 和 token 成本
08:00 IBM JevAct 运行时闸门让 Opus 4.6 在 Telecom 从 39.5% 升到 80.7% 证明增益可以只来自 harness
10:00 agent-sprite-forge 单图生成整套游戏动作贴图,4,700 星 资产生成开始按引擎格式交付而不是按图片
16:00 Qwenputer 把 RISC-V CPU 编译进模型权重 把模型当计算 substrate,而非只当推理器
17:00 GitHub 单日涨星榜首是本地桌面 Agent 团队 Orkas 一人公司的组织形态正在被工具固化
18:00 多方观察:Grok Bot、Muse、Duet、Dot 架构同构 竞争焦点从模型能力转向协调与注意力分配

编辑结论

今天的两条主线并不冲突:模型在攻防两端都变强了,所以 Agent 的工程问题从“能不能做”变成“怎么长期可靠地做”。DeepSeek 的 Router/Worker 分层、IBM 的运行时闸门、Anthropic 的自主漏洞研究,回答的是同一个问题的三个侧面——把不确定性收进可检查的结构里。至于资本侧,3 万亿美元的承诺和一份 S-1 说明这个行业已经进入用现金流换位置的阶段,代价会在两三年后的财报里显形。

来源与方法

审阅 20 个小时抓取与 9 个命名源。当日 Chrome、Claude、Cline、Google Research、OpenAI 官方博客均无新发布,XiaoHu.AI 抓取失败;AI Valley 抓到的是 10 月 29 日旧文,未采用。信号池按丰富日处理,厂商自述数字均在正文标注,未做独立复现。

微信搜一搜:智简 Smart&Concise 公众号二维码

关注公众号

智简 Smart&Concise

微信搜一搜,获取独立开发与 AI 实践更新。