每日编辑摘要

№ 20261106

OpenAI 融到 110 亿美元,Anthropic 的 1.5 万亿美元估值被要求下调

11 月 6 日给出的是一组方向相反的信号。资金面,OpenAI 完成 110 亿美元新融资的首笔到账,估值 1.25 万亿美元;Anthropic 的 IPO 则遇阻,投资者把 1.5 万亿美元往下压到 1.2 万亿至 1.3 万亿。同一天公布的企业支出数据显示,token 用量还在涨,花在上面的钱几乎没涨。技术面走的是另一种节奏:OpenAI 用…

11 月 6 日给出的是一组方向相反的信号。资金面,OpenAI 完成 110 亿美元新融资的首笔到账,估值 1.25 万亿美元;Anthropic 的 IPO 则遇阻,投资者把 1.5 万亿美元往下压到 1.2 万亿至 1.3 万亿。同一天公布的企业支出数据显示,token 用量还在涨,花在上面的钱几乎没涨。技术面走的是另一种节奏:OpenAI 用 30 小时、121 万美元 API 费用扫出 948 个 Linux 内核提权漏洞,平均每个 1279 美元。这两类信号并不矛盾,它们共同指向一件事——能力仍在快速变强,单价在快速变便宜。

主题一:OpenAI 拿到首笔 110 亿美元,Anthropic 的估值预期一路下修

据 Bloomberg 报道,OpenAI 完成 110 亿美元新融资,这是估值 1.25 万亿美元一轮的首笔资金,投资者当日已打款;剩余部分总额最高 200 亿美元,预计数周内到账。

另一端是 Anthropic。据 Reuters,其 IPO 遇阻,投资者质疑 1.5 万亿美元估值过高,有投资者提出只值 1 万亿美元,而公司 9 月曾瞄准最高 2 万亿美元。彭博 11 月 6 日的口径更完整:10 月初讨论的是 2 万亿,10 月中投资者说明会后降到 1.4 万亿至 1.5 万亿,纳斯达克 100 指数周四单日跌 6.4% 之后,部分潜在投资者在谈的是 1.2 万亿到 1.3 万亿美元。

债券市场的预期也在动。《金融时报》10 月 30 日报道,黑石作为 Anthropic 一笔芯片融资的基石投资者,告诉参与这笔交易的投资者,它预计 Anthropic 上市后信用评级为 BB 级,属于“垃圾级”里最高的一档;黑石此前的说法是 2027 年前能拿到投资级。这只是黑石的预测,评级机构尚未出结果,Anthropic 对估值传闻不予置评。

把两件事放在一起看:头部玩家的融资渠道没有关闭,但支撑高估值的“收入会持续指数增长”这个前提正在被打折。市场下调的是倍数,不是对技术路线的判断。

源链接:

主题二:企业 token 用量涨了 65%,花的钱只涨了 1.5%

美国企业财务软件公司 Ramp 的数据显示,7 月企业 token 支出环比涨 42%,8 月只涨 1%,9 月只涨 0.2%。按周度数据算,从 8 月初到 10 月中,企业用掉的 token 多了约 65%,花的钱只多了 1.5%。Ramp 统计的 OpenAI 与 Anthropic 综合单价,9 月下旬到 10 月下旬一个月里从每百万 token 0.76 美元降到 0.56 美元,降幅 27%。

降价来自厂商的主动动作。9 月 GPT-6 Sol 的输入价格从每百万 4 美元砍到 2 美元;Anthropic 招股书称 Fable 5.1 让常见任务成本降约 25%,Opus 5.5 每个任务的成本比 Opus 5 低约 40%,一部分靠降价,一部分靠模型更省 token。企业侧也在省:Ramp 首席经济学家 Ara Kharazian 说,用得越熟的公司越会给员工设预算,默认不让长任务跑最贵的模型。

这对 Anthropic 是双向的。招股书披露三季度收入 169.6 亿美元,比二季度 115.6 亿涨 47%,但同一季度由用量增长带来的收入,被新模型降价与合同折扣抵掉了约 6 亿美元。Ramp 截至 10 月 23 日那一周的数据里,Anthropic 拿走了企业 token 支出的 60.5%,价格战首先打在它身上。

需要留一个边界:这是 Ramp 客户样本,不是全行业普查。支出最高的 1% 公司人均月支出已从 7 月的 9873 美元降到 9 月的 9568 美元,而中位数公司只有 15.7 美元,两个群体不能混为一谈。

源链接:

主题三:30 小时、121 万美元,扫出 948 个 Linux 内核提权漏洞

OpenAI 公开了一次 GPT-6 Cyber 对 Linux 内核的扫描结果:948 条本地提权路径,也就是从普通本地用户拿到 root。整轮扫描跑了 30 小时,API 费用 1,213,430 美元,平均每个漏洞约 1279 美元。

值得注意的不是数量,是单价。内核提权漏洞在漏洞赏金和黑市体系里通常以万美元计,现在用模型批量找出来,边际成本压到了千美元级。Greg Brockman 在发布帖中称,该模型已用于 Linux 内核、Firefox 等项目,并专门接受按操作者指定范围执行任务的训练;同期推出面向获批关键基础设施防守团队的测试计划。公开材料没有披露具体评测分数,948 条是否全部有效、是否已获上游确认,也没有逐条列出,应把它当作一次厂商公布的扫描结果。

防守侧同一天还有另一个案例。安全公司 Wakefield 的研究员 Özgün Kültekin 用智能体集群配合差异化模糊测试,测了 17,600 种登录方式,找到一个存在约十年的 OpenSSH 漏洞,可绕过长密码;影响范围限于基于 musl libc 的 Linux 版本,macOS、Windows 与其他发行版未受影响。这里真正值得记的是方法:把“猜测”做成可并行穷举的搜索。

攻击侧走的是同一条路。Google/Mandiant、CrowdStrike、微软接连披露 AI 渗透框架 ARTEX 被滥用:Google 观察到它在 23 秒内连发 27 次操作逐个摸清 AWS 权限,CrowdStrike 记录到一个控制端在 11 天内对 14 个国家 200 多家机构下手,微软称攻击者借被盗凭证不到 3 小时拿到企业云环境的高权限。这些是厂商通报的观察,样本与归因未见完整公开。

还有一层是人的问题。Anthropic 自己测量过,把一条危险命令混在 Claude Code 的权限请求里,会话初期只有 17% 的人拒绝,50 次以上请求之后掉到 5%。也就是说,在提权漏洞变得廉价的同时,最后一道人工确认环节正在失效,这不是靠提醒用户“仔细看”能解决的。

源链接:

主题四:METR 审计称 Anthropic 可能 7 月就已触达自己的预警阈值

METR 发布了对 Anthropic 内部数据为期十一周的审计。结论是:自 2025 年 10 月以来,模型在测试上的分数提升速度约加快 1.9 倍,其中约 80% 归因于 AI 被用于公司自身的研究工作,并可能已在 7 月 15 日越过其负责任扩展政策中的预警阈值。

这个判断本身带着很大的不确定性。据转述,METR 团队内部存在分歧,1.3 倍与 3 倍都在讨论范围内;“多数加速来自 AI 参与研发”也是估计而非测量。公开报告删减了大量关键证据,外部无法独立复核归因方法,也无法验证阈值判定的时点。

争议点因此在方法上,而不只在数字上。Anthropic 一边把“自我加速”写进风险框架,一边对支撑该结论的证据做大幅删减,两件事很难同时成立。对读者而言,可靠的结论是:有独立机构在持续测量这条曲线,测出的方向是加速;不可靠的是任何精确倍数,也不该据此推断模型已经能自我改进。

源链接:

主题五:一天之内,280B 和 560B 两个中国模型把权重放了出来

百度发布文心 5.5 Flash Base,并直接开源权重:稀疏 MoE,总参数 280B,每 token 激活 14B,预训练用 33.5T token。上下文要分开看,预训练最长 128K,微调与推理阶段可扩到 1M。官方把它与 DeepSeek、腾讯混元、小米 MiMo 的同尺寸 Base 模型对比,30 项基准拿下 24 项第一——比的是各家此前的 Base 版本,不是最新后训练版本。

蚂蚁百灵发布 Ling-3.2-flash:原生多模态,总参数 560B、单步激活 25B,支持 1M 原生长上下文,重点强化视觉反馈自检与异常自适应恢复能力。参数与机制来自官方发布文,属于厂商自述,长程任务的实际表现还没有第三方复现。

腾讯混元的 Hy4 拿到了外部读数。Artificial Analysis 的 Intelligence Index v5 给到 35 分,位列中国实验室第二;在一个 50 题、每题重复三次的 Agent 任务集上,26 题三次全过(52%),至少成功一次的有 40 题(80%)。后一组数字来自发布者自建的题库,属于使用体验,不是公开基准。

三件事放在一起,竞争重心已经从“参数规模”移到“激活效率、上下文长度、多模态自检”。百度这次放出的是一个刚完成预训练、尚未做后训练的 Base 模型,官方称完成后训练的版本随后推出;这既解释了它为什么在基准上能打,也说明它现在还不能直接当产品用。

源链接:

主题六:图像和视频模型同时把价格与等待时间压了下来

Artificial Analysis 实测了 OpenAI 11 月 4 日发布的 GPT Image 2.6:两款模型在 AA-Image-T2I v2.1 与 AA-Image-Editing v2.1 上分列第一、第二,其中 Flare 版本速度接近另一款的两倍。这是独立评测机构给出的排名,不是厂商自评;具体分差与对比样张需要回原始榜单看。

Google 发布 Gemini Omni 1.2 Flash,第一次正式商用。单条视频最长 15 秒(上一版 10 秒),720p 每秒 0.07 美元,比 1.1 降 30%。按官方定价换算,一条 15 秒 720p 约 1.04 美元;360p 草稿约 0.35 美元,1080p 约 1.56 美元,4K 约 3.13 美元。它支持对同一条视频连续提要求,最多给 6 张参考图加一段 3 秒动作视频。

两件事的共同点是把试错变便宜了。视频这边,先用 360p 打草稿再出高清,成本结构从“生成一次算一次”变成分层付费;图像这边,速度提升直接减少迭代等待。Google 同时说明快速体育动作与复杂物理效果仍需改进,完整评估只做了英文,中文提示词效果没有保证。

竞争格局也在收窄。Gemini API 上 Omni 已接替 Veo,Veo 3.1 预览版 10 月 22 日下线;OpenAI 的 Sora App 与 API 已分别于 4 月、9 月关闭。按 Runway 平台上带声音视频的每秒价格,Omni 1.2 的 0.07 美元低于 Veo 3.1 的 0.40 美元、Seedance 2.0 的 0.30 美元和可灵 4 的约 0.16 美元。

源链接:

主题七:Agent 记忆的工程答案,从“存下来”转向“整理并检索”

Anthropic 公布了一组记忆系统实验。在约 35 万份文件、4.2 亿 token、25 个评测问题的内部语料上,单靠检索的评分标准覆盖率是 53%;知识库加检索,随整理轮次增加从 54% 升到 61%,每题少用约 2 万 token。61% 指覆盖率,不是答题正确率,节省的 token 也没有扣除后台建库成本。

他们把这套后台整理叫 dreaming:保留原始记录供追溯,执行任务时写下目标、计划与已验证的经验,任务之外再回看记录、纠错、去重、补链接。一个合同案例说明了组织方式本身的价值——多代理共写一张表导致覆盖,改成每份合同单独一页、一个代理负责、逐字引用条款后,关键事实覆盖从 41/57 提到 57/57。

亚马逊的另一组实验给出互补结论。把用户事实直接微调进权重,准确率 36.9%;用同模型做 on-policy 自蒸馏后到 59.9%,高于检索式的 47.8%、抽取上下文的 51.9% 和原始对话的 51.3%,在 4B、9B、27B 三档都成立。代价是权重记忆会遗忘较早的事实、也无法判断某件事从未被记录,所以需要一个校验再重生成的环节,这个环节加了 6.2 个点。

斯坦福的协作基准从另一个角度说明,记住不等于用好。240 道任务、8 项协作技能,18 个模型里最好的得 82.2 分;一旦队友制造问题,每个模型掉 20 到 47 分。在队友施压、加情绪、威胁退出的谈判里,只有 14% 的回合拿到对团队最优的方案。近一半的失败发生在模型已经识别出问题之后。

源链接:

主题八:工程侧的进展,都在把验证拆成可执行的状态

Shopify 工程博客介绍的 Reflex 是给 AI 编程设计的移动应用架构:业务逻辑与界面分离,核心层可直接在 macOS 或 JVM 上运行,每个页面的 ViewModel 暴露统一接口——当前状态、可执行动作、子组件。Agent 通过命令行发动作、读 JSON 状态,验证业务逻辑、输入校验、导航与错误处理,网络等外部依赖用预设数据替代。

效果是 1700 多条行为测试在持续集成里双端约 4 分钟跑完;预热后单条无设备运行只需几百毫秒,同一测试在 iOS 模拟器上约 2 秒。边界同样清楚:它不验证像素,不能证明按钮接到了正确的操作,视觉仍靠设计系统对照与少量截图测试,而且目前不是可直接安装的开源库。

Uber 的 Spark 优化给出同类收益的另一种来源。Gluten/Velox 把 Spark SQL 算子交给原生向量化引擎,已迁移的生产负载约为原来的 3.5 倍速度,CPU 成本降到约 1/3.4;Quanton 进一步优化湖仓写入,相同资源配额下插入型事实表的稳态写入中位速度约 5.5 倍,更新型维表约 4.7 倍。但这些数字排除了元数据整理轮次,包含整理时约 2.8 倍,且收益不均匀:写入阶段快约 7.8 倍,去重和索引部分反而略慢。

要把这类经验沉淀成可复用知识,Hugging Face 的手册是目前最完整的公开材料:约 80 万 GPU 小时实验、7 万词、55 个交互图示。它把 MoE 的三个真问题说清楚了——路由要在 FP32 下算,否则低精度会改变接近的分数排序;专家负载要靠辅助损失或偏置调整均衡;通信可能吃掉全部计算收益,一次性能分析里未被掩盖的通信约占一步的一半,网络配置错误退回普通 socket 的案例慢了约 25 倍。

源链接:

主题九:60 万块 H200 卡在香港,限流的一方是北京

据 Reuters 报道,约 60 万块 Nvidia H200 芯片闲置在香港仓库,阻碍不是来自华盛顿而是北京。尽管 H200 对华销售此前已被放行,中国正以每家科技巨头约 1 万块的速度小批量发放进口许可,国内服务器价格因此上涨约 3 倍。

这个反转改变了管制的解释框架。过去两年市场默认供给瓶颈在美国的出口许可,现在的瓶颈变成进口端的节奏控制——买方主动把到货速度压下来,换取对算力分配的控制权。这条线索来自单一通讯社报道,具体许可数量与价格倍数没有第二来源确认,也不清楚能持续多久。

同一天还有两条相关的供给信号。SemiAnalysis 分析称,Oracle、OpenAI、Anthropic 与 Meta 已成为谷歌 TPU 客户,谷歌正在推进配套的软件与开发者生态;摘要提到 TPUv7 在部分模型负载上有成本优势,但没有给出完整测试条件与数值,宜视为特定负载分析。据 The Verge,亚马逊、微软、Alphabet 与 Meta 向投资者披露的 2026 年资本开支计划合计至少 7200 亿美元,多数投向 AI 基础设施——这是资本开支总额,不是 AI 专用投入,报道同时指出扩建承诺的回报尚未充分兑现。

源链接:

高价值单点

  • Nace AI 开源决策模型族 Drex:8B、9B、35B(激活 3B)与 27B 四个规模,输入状态和固定选项后直接返回各选项概率,不生成文字。27B 版本在 Decision Bench v4 上距 Claude Opus 5.5 仅 1.6 分,响应 183 毫秒而非 3.5 秒;公开 Decision Index 0.4.1 得 67.52,Jev 1.14.0 为 60.70。训练加入 RLAF(用教师模型概率与验证答案校准目标),贡献 2.0 个指数点;一致性损失把选项重排时的答案翻转率从 6.3% 降到 4.2%。 https://x.com/omarsar0/status/2118693892300439722
  • ScamWorld 测量网页 Agent 受骗率:重建网店、投资平台与预付费骗局等多语言场景,六类前沿模型驱动的 Agent 基线受骗率 11%—35%;面对付款请求时比索取凭据或钱包信息更容易继续操作,部分轨迹里 Agent 已经察觉异常,仍接受了网站追加的条件。
  • Science’s Last Exam 暴露独立研究短板:34 家机构参与构建 113 项任务,覆盖九个学科,测试假设形成、实验规划、科学软件操作与实验视频理解。初始榜单最强配置综合得分 37.5,端到端研究赛道所有参测模型均为零分;这反映该基准上的表现,不代表所有科研辅助任务无效。
  • ReTerm 把失败恢复接进训练闭环:复旦、港中文 MMLab 与上海交大保留智能体的失败现场,让它尝试多种恢复路径,再把验证结果转成强化学习信号。ReTerm-9B 在 Terminal-Bench 2.0、SWE-bench Verified 与 OpenThoughts-TBLite 上分别提升 14.6、13.2、16.4 个百分点。
  • Iris C2Agent 绕过密钥吊销:腾讯安全分析了一个 8.9MB 的 Go 样本,它会查找 AI 编程工具进程与本地模型服务。报告区分静态密钥窃取、额度劫持与活跃会话借用三种路径,指出仅吊销 API 密钥覆盖不了第三类,排查开发端点还要看异常进程调用与本地通信。
  • EMBERS 提高故障发现吞吐:分析三类系统 1932 条执行轨迹,归纳九类缺陷,再对研究问题与中间搜索输入做定向变异。在 16 种框架、模型与数据集组合中,相同预算下的故障发现吞吐量达到最强基线的 3.21 倍。
  • QSGS 用小样本预算做定向微调:同时考虑样本与任务的相关性和样本间冗余,用梯度残差分析定位覆盖缺口并合成补数据。作者报告 Mistral-7B 在 0.5% 预算下达到或超过全量数据表现;结论限于论文所测模型与任务。
  • uni-robot-agent 统一机器人工具接口:清华与伯克利研究者统一工具参数、单位与反馈格式后,同一 Qwen3.8-Flash-Next 模型在 RoboDojo 上得 31.39 分,用 RoboProbe 只有 1.90 分。这是特定测试条件下的得分,不是通用成功率,精细操作与长流程任务仍是开源模型的弱项。
  • OpenAI 与 Hacktron 合作找漏洞:双方将测试与第三方服务的连接,用前沿模型加强防御。同日 OpenAI 还与 FMF 及其成员机构发布框架,用于判断绕过 AI 系统防护何时可能导致严重网络危害,并据此排定防护优先级。 https://openai.com/index/partnering-with-hacktron
  • Claude Code 把用户邮箱带进网页请求:部分版本会把用户邮箱写进请求,站点因此能看到。官方建议升级到 2.1.317 或更高,完整修复预计下周初发布。 https://x.com/KanikaBK/status/2118732394014658822
  • Google DeepMind 公布两项密码学进展:团队称发现遗留 1024 位 RSA 的弱点,具体攻击条件与适用范围需看原始论文,摘要级转述不足以判断现实影响。 https://x.com/demishassabis/status/2118862690135277809
  • 人工担保 PR 检查:一个跑在 Cloudflare Workers 上的应用在 PR 开启时挂一条默认红色的检查,要人登录 GitHub、过 Turnstile、勾选“这份代码我已读过”才变绿,用来拦下没人读过的 Agent 代码。 https://x.com/QingQ77/status/2118682057023037467
  • World Labs 的 Frameboy 演示实时生成世界:基于 Atlas 模型,通过云端 GPU 流式生成可探索场景,优化版本最高 15 帧每秒并支持精确相机控制。这是交互演示,不是对所有场景性能的保证,李飞飞转发了这条演示。
  • Hugging Face 的机器人开源栈数据:公开机器人数据集接近 10 万个(增 48%)、模型超过 3 万个(增 41%);LeRobot 下载量过百万,v0.7.0 加入新的世界动作模型、交互式机器人控制与远程 GPU 推理。Microduck 与 Reachy mini 预计年内售出 5 万台以上。 https://x.com/ClementDelangue/status/2118751330927780154
  • BioBasicsBench 测湿实验室的日常分析:OpenAI 与酶设计公司 Ligo 合作,用 100 个来自真实实验的任务测试 Agent 能否读懂原始实验数据、识别错误、并判断证据是否支持结论。官方定位是找出模型该改进的地方,不是排名。
  • Agents Anywhere 把本机 Agent 接到任意设备:它自己不跑模型,而是把已登录的 Codex、Claude Code、DeepSeek Harness 通过连接器接出来,在手机、平板或浏览器里看进度、回话、批权限、开终端。属于工作台层,不改变模型能力。 https://x.com/Pluvio9yte/status/2118720959431774271

🕐 小时信号精选

PT 时间 信号 为什么值得记住
01:00 有人称 Opus 5.5 用 40 分钟、8 美元从规范直接写出 WASM 2.0 解释器并通过全部测试 单条个人实验,未附测试集与复现,但成本与时长值得记
09:00 一位从事中文 AI 讨论的整理者提出,“落后 3—4 个月”从来不是能力差距而是蒸馏滞后 单一作者的解释框架,缺少可核对的数据,暂存为待验证线索
11:00 Claude Code 云端会话可自行推断依赖、网络与所需密钥并保存环境,密钥对模型不可见 从“每次配环境”转向“环境可复用”,是 Agent 云端化的前置条件
12:30 Inkling 2 Small 在 ARC-AGI-2 拿到 81.7%,单题 0.27 美元;ARC-AGI-1 为 96.5%,单题 0.08 美元 推理基准开始把单题成本一起报,能力与价格需要并列看
14:20 有转述称美团发布 1.6 万亿参数模型,按标价每百万输入 token 约 0.30 美元 单条转述,未见官方发布与第三方复现,只作线索
16:00 Cursor 发布关于在生产环境中稳定 RL 与自蒸馏结合的研究报告 产品团队的训练细节开始公开,可对照学术界同类结论
16:30 GitHub 单日增星前五名全是 Agent 基础设施:语义本体、语音、官方技能库、协作工作区、设计系统 补的是同一块短板——Agent 要懂业务语义、听得懂人话、装得进现有工具
19:00 Anthropic 的记忆工程长文当日浏览 19.4 万,进入热榜前列 记忆从产品特性变成需要单独设计的系统组件

编辑结论

今天最值得记住的不是某一个模型,而是三条曲线的方向:能力曲线在陡升,单价曲线在陡降,而支撑高估值的收入曲线没有跟上第二条的速度。安全领域出现的是同一件事的另一面——当找到漏洞的成本降到千美元级,攻防的平衡点会被重新计算。至于 METR 那条加速曲线,它是目前最需要独立复核、也最容易被过度解读的一条。

来源与方法

审阅了目标日期目录下 20 个小时抓取与 9 个命名来源,共 278,274 字节,信号池为 rich。Chrome 开发者博客、Google Research、Cline、XiaoHu.AI 当日无新发布;AI Valley 与 HubToday 使用最近一篇回退内容,其中 HubToday 正文多为 11 月 5 日及之前的事件,仅作跨日参考。厂商自述、单一帖子的数字均在正文标注了证据边界。

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。