据彭博社报道，Anthropic季度营收接近170亿美元，是一年前同期的十二倍。 据The Information报道，Anthropic运营成本达175亿美元，超过营收，并抹去了上一季度报告的利润。 Anthropic本季度净亏损达233亿美元，高于去年同期的121亿美元。 Anthropic指出，成本激增的两个主要原因是锁定短期算力容量花费50亿美元和员工配捐支出20亿美元。 公司更新后的招股书显示，算力和数据中心租赁承诺总额达8950亿美元。 据《纽约时报》报道，预计Anthropic今年将获得超过3.5吉瓦的电力，并计划明年将这一数字翻倍。 据《纽约时报》报道，这些成本给IPO增添了压力；此次IPO可能筹集约1000亿美元，其中最多35亿美元预计来自日本投资者。 订阅THE DECODER可享受无广告阅读、每周AI新闻通讯、每年六期独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。
原文 ↗Anthropic 在申报文件中表示，其内部估算以及对未来模型的预期显示，公司可能很快达到 Responsible Scaling Policy 中“由 AI 带来的显著加速进展”的定义。 Anthropic 表示，其过去没有识别出显著的开发加速，未来也可能在显著加速发生后才识别出来。 Anthropic 表示，目前没有任何模型被指定为超过这一门槛，并且仍在评估相关基础数据。 Anthropic 表示，目前没有模型跨过其 RSI 门槛，并承诺在可预见的未来让人类继续参与研发过程。 Anthropic 表示，在技术上有可能的情况下，预计无法在没有实质性人类监督或理解的情况下安全地使用 Claude 完全自主设计和构建连续多代前沿模型，因此正在考虑更新 Responsible Scaling Policy，以在 Anthropic 的前沿模型开发中保持人类控制。 使用 AI 帮助构建能力更强的 AI 可能带来相当大的安全风险，尤其是在其显著加快进展速度时。 Responsible Scaling Policy 涵盖了在接近所谓“递归式自我改进”之际监测和缓解风险的计划。 Anthropic 表示，不断增加使用 AI 系统来加速自身研究和开发，可能导致模型能力的 advancement 速度超过其开发、验证和实施相应安全、对齐及安全措施的能力。
原文 ↗OpenAI 自 GPT-5.6 起在其最强模型的内部和外部流量上部署激活分类器（probes），利用模型内部激活逐 token 实时评分，可在生成中途阻断违规回复和工具调用并交由推理模型复审。实验显示 probes 比更大的文本分类器对测试的越狱攻击更鲁棒，准确率随模型能力提升，且在后训练各检查点间迁移良好，但需为新基础模型重新训练，且只能检测可显式训练的已知违规类型。 由于探针依赖被监控模型的激活值，新的基础模型需要重新训练探针，而且随着模型权重变化，可能也需要重新训练。 尤其是，每出现一个新的预训练基础模型，探针都需要重新训练。 即便在同一基础模型系列内，随着模型权重偏离训练探针时所用的检查点，探针性能也可能下降，因此需要定期重新训练[见迁移部分]。 因此，对每组超参数配置，我们通常至少训练 32 个随机初始化。 我们发现，需要扫描的关键超参数是学习率、激活来源层和架构容量。 由于探针权重相比其需要处理的训练激活值很小，训练主要受带宽限制。 在前沿模型上部署探针需要许多团队的广泛协作。
原文 ↗作者提出 WebHarbor，该套件包含 153 个可执行且已 Docker 化的网站环境，在确定性控制下重建真实网络服务的视觉界面、内容和功能工作流。 WebHarbor 通过任务驱动的人机协作构建：新任务扩展环境功能范围，编码智能体实现所需更改，人类贡献者审核视觉保真度、功能正确性和任务有效性。 该套件包含 3,518 个任务，覆盖多步骤和身份验证后工作流。 作者演示称，一个 4B 级别的 Qwen GUI 智能体在 WebHarbor 中接受强化学习训练后，能够泛化到未见任务，并在 4 个基准上与领先的开源 GUI 网页智能体表现相当。 WebHarbor 的代码和数据已公开提供。 GUI 网页智能体需要逼真且可交互、并在评估和训练期间保持稳定的环境。 真实网站评估会受到内容变化、访问限制和身份验证工作流覆盖有限的影响。 现有用于训练的合成环境通常缺少功能深度和视觉保真度。 WebHarbor 还提供高保真合成网页环境，用于成本高效的强化学习。
原文 ↗研究发现，当预训练数据预算超过一定规模后，AdamW在微调后的表现超过Muon。 随着模型规模增大，AdamW在更小的预训练词元与参数量比值下即可超过Muon。 论文提出margin-to-spread ratio来解释这一逆转：小数据预算下Muon的该指标更高，大数据预算下AdamW更高，与微调趋势一致；作者还在线性联想记忆中证明，随着数据预算增加，梯度下降一次更新后的该指标增益超过Muon，模拟显示该趋势在延长训练后仍持续。
原文 ↗Anthropic称，其越来越多地使用AI加速AI研究与开发，可能导致模型能力提升速度超过开发、验证并实施相应安全、对齐与安保措施的能力。 Anthropic内部预判其模型可能即将触达《负责任扩展协议》所定义的“由AI驱动的大幅加速进展”阈值。 Anthropic表示，衡量研发加速的许多证据属于滞后指标，公司自身也可能在加速已经发生之后才知道加速已至。 材料称，Anthropic第三季度营收约170亿美元（1130亿人民币），高于此前向投资人披露的168亿美元预估值，同比增长1127%；前九个月累计营收332.4亿美元，同比增长1200%。 材料称，Anthropic第三季度净亏损232.9亿美元，前九个月累计净亏损1040亿美元，去年同期亏损251亿美元。 材料称，Anthropic目前在役模型仍处于控制范围内，后续会加强人类监督与安全评估。 Anthropic没有披露完整逐月营收；材料中的相关月度数据是按照年化收入运行率估算的，Run-rate不等同于实际营收。 材料称，Anthropic第三季度营收环比增速降至47%，单季净增52至54亿美元；第二季度营收116亿美元，环比增长144%，单季净增68亿美元。
原文 ↗量子位报道，MIT团队让GPT-6 Astra直接读取并编辑Qwen3.5-0.8B的权重；文章称仅改动其中0.016%的权重，过程中没有使用训练或梯度下降。 在相同采样设置下，修改后的模型在MATH-500上的得分从7.9%升至48.1%；文章称数学运算能力约为原来的6倍。 文章称，原本未被要求优化的指令执行能力也提高了3倍。 研究者分别给予Astra 10次、25次和50次前向调用预算，修改后的MATH-500得分依次为12.3%、14.1%和48.1%。 文章称，Astra把失败表现中的推理循环追溯到前馈网络，并在第15层和第19层各64个输出列中修改权重；MATH-500回答触及长度上限的比例从93.0%降至33.1%。 Astra省去了梯度训练，但模型诊断和验证仍然保留。 在最初96条练习回答中，有85条一直达到32768个token的长度上限。 在MinAtar小游戏实验中，Astra没有训练数据、损失值、梯度和工具，也不能先将网络放入环境中试跑，需要自行制定策略并转换为各层权重后一次提交。 Astra本身的知识和能力仍来自此前训练，分析权重、生成代码、批量推理和评测都需要计算资源。 文章提出，下次小模型表现不好时，开发者可能需要先权衡是重新训练还是直接修改权重。
原文 ↗高通宣布，其第一代高带宽计算（HBC）技术已在美国圣迭戈实验室完成硬件验证，验证内容包括完整读写能力和近存计算能力。 高通称，HBC 采用多层 LPDDR 内存垂直堆叠设计，并通过硅通孔（TSV）实现芯片间互连；堆叠结构底部集成一颗负责近存计算的芯片，以减少内存与处理单元之间的数据传输距离。 高通公布的第一代 HBC 方案将为 AI250 加速卡提供 133 TB/s 的有效内存带宽，相比采用 LPDDR5X 内存的 AI200 加速卡提升 18 倍。 高通此次验证使用的早期样品采用两层 DRAM 堆叠，测试结果显示其每瓦带宽超过 HBM4 的 5 倍，但尚未达到此前公布的 6 倍目标；正式产品预计采用四层堆叠设计。 根据高通 2026 年 6 月公布的数据中心产品路线图，AI250 将搭载第一代 HBC 技术，后续 AI300 计划采用第二代 HBC；高通称，AI300 的有效内存带宽设计目标将达到 AI200 的 54 倍。 搭载该架构的 AI250 加速器计划于 2027 年上半年出样。 高通表示，HBC 的目标是实现每瓦带宽达到传统 HBM 方案的 6 倍。
原文 ↗研究提出ID-WM分层世界模型，将状态空间可达性与局部控制解耦：高层模型采样状态流形上的可行转移，低层世界模型作为逆动力学求解器，将转移落实为精确动作。 ID-WM可从短片段合成长程规划，摆脱训练中见过的具体行为模式，并优先考虑局部物理可行性。 该方法在导航与操作测试套件中，相比最先进的策略规划器和基于扩散的规划器提升38.5%；在复杂、未见过的长程任务配置中，相比单层世界模型MPC取得135%的性能提升。
原文 ↗RoboArchitect让编码模型观察机器人运行轨迹、诊断失败，并围绕冻结策略迭代修改代理框架。 该方法不更新任何模型权重，在多个基准和策略上，将未见场景的平均成功率从9.7%提升至43.3%，将未见任务的平均成功率从12.7%提升至40.2%。 该框架会演化持久记忆，把有效抓取深度等经验带入后续决策。 代理框架在一组 episode 上进行优化，并在留出的场景和任务上进行评估。 实验采用冻结策略且不更新模型权重。
原文 ↗TokenEconomizer 是一个面向编码代理的 GitHub 项目，定位为基于使用体验的黑盒成本控制工具。 该项目涉及代理式 AI、代理式编程和 AI 编程辅助，并列出 Anthropic 与人工智能相关标签。
iOS 27.2新增“排除 App”（Excluded Apps）设置，位于设置中的“Siri”项目中，可控制 Siri AI 个人上下文功能的访问限制。 用户将某款 App 放入排除列表后，Siri 无法使用该 App 内容提供个性化服务、访问其支持的操作，也不会在 Siri 建议中显示应用内信息。 苹果表示，将某款应用放入排除列表后，Siri 指令和个性化建议有可能无法使用。 Siri 的高级 AI 功能仍要求兼容 Apple 智能的 iPhone，包括 iPhone 15 Pro 系列及 iPhone 16 等机型。
Apple Watch用于回放对话和总结对话的AI功能开始Beta测试。 Apple的音频智能功能可帮助用户记住他人说过的话或记录对话笔记，目前处于Beta测试阶段。
TeleAI称，其隐私摄像头已在公共卫生间等私密场景应用，可在不存储、不传输原始视频画面的前提下识别打架、吸烟、跌倒等异常行为并预警。 该产品由中国电信人工智能研究院团队研发，通过端云协同推理架构和家族式同源模型，在采集瞬间提取抽象特征并销毁原始画面。 TeleAI还推出了面向养老、校园和医院的智慧看护助手，采用烟感报警器式吊顶外观，支持软硬件一体化部署。 TeleAI称，老人如厕、洗澡时跌倒或突发急症无法行动、挥手求救时，隐私摄像头可识别异常，并在5秒内向家人或看护告警。
该材料的主题是 Transformers 模型集成契约。
高通宣布，其高通AI Hub现已面向中国开发者开放，合作伙伴与开发者可借助该平台打造终端侧生成式AI和智能体AI。 高通AI Hub集成Models、Workbench、Apps和GenieX端侧推理框架。 Models提供超过230个并持续扩展的预优化模型库，Workbench支持在真实云托管设备上调优模型，Apps提供示例应用和参考代码。 中国版通过官网、高通终端云中国设备农场和开发者论坛提供资源与支持。
CI 固定 buildx 以规避死锁，提交者为 @dhiltgen（#19373）。 OpenAI 相关改动保留了 Responses 输入内容的可读性，提交者为 @hoyyeva（#19192）。 应用相关改动使 ChatGPT 断连失败可重试，提交者为 @hoyyeva（#19336）。 完整变更日志的比较范围为 v0.40.13...v0.40.14-rc0。
OpenAI正在提高安全漏洞赏金奖励。 OpenAI为独立安全研究人员引入报告质量、忠诚度和优先活动奖金。 相关奖励面向独立安全研究人员。
OpenAI构建了Pando，这是一个兼容Git的后端，面向Codex带来的大规模开发。
Mika 是一款面向 Android 的端侧 AI 智能体，可操作应用和网页以协助用户完成事务。
Crawl4AI作为内容准备层处理JavaScript渲染、选择性提取和自定义元数据增强，然后将网页内容送入Amazon S3数据源，供Amazon Bedrock Knowledge Bases使用。 Amazon EventBridge按配置的日程启动AWS Fargate上的Amazon ECS任务；该任务抓取已配置的公共网站，并为每个页面准备Markdown和元数据附属文件。 该工作流是对已知网站属性的批量摄取，并非在推理时进行实时网页访问。 Crawl4AI完成源文档和元数据附属文件的准备后，Amazon Bedrock KnowledgeBases负责解析、分块、嵌入、索引和检索。 Amazon Bedrock Web Crawler遵守robots.txt；首次完整抓取后，每次同步仅捕获新增、更新和删除的内容。 选择性提取仅提取可选CSS选择器匹配的页面区域。 Amazon OpenSearch Serverless向量索引必须使用faiss引擎。 使用Amazon S3 Vectors时，每个向量最多可附加1 KB自定义元数据，因此添加的属性应保持简短。 Amazon S3数据源必须使用为此工作流配置的S3存储桶。 如果数据源按前缀或文件模式过滤内容，过滤规则必须允许工作流写入s3Prefix下的文件，默认前缀为web-content/。 部署工作站仅用于构建和部署；部署完成后，定时任务在AWS中运行。
LangChain Core修复了Anthropic翻译器会修改消息内容的问题。 Python 3.10支持将在langchain-core 1.8.0和langchain 1.5.0中移除；当前次要版本是最后支持Python 3.10的版本，用户需升级至Python 3.11或更高版本。
OpenAI推出Grid Protectors Program，将与公用事业机构合作。 该计划旨在帮助未来的计算园区支持电网可靠性，并保护消费者用电成本。
商汤发布了名为SenseNova 6.8 Flash的新模型。
Qodo将公司知识和编码标准接入Codex。 Qodo可在开发者发起拉取请求前，跨代码仓库识别P0级问题。
v5.20.2 补丁解决了某些输入在 generate 的 prepare_inputs_for_generation 过程中可能丢失原始类型、进而引发多模态模型问题的问题。 该补丁包含以下提交： 由 @Cyrilvallez 提交在 generate 中修复 inputs 字典类型转换（#49731）。 由 @qgallouedec 修复使用专家并行且 ep_size < fsdp_size 时 bfloat16 下专家梯度为零的问题（#49688）。 由 @qgallouedec 声明仅报告文本的 VLM 的输入模态（#49677）。 由 @hmellor 避免在 eager_mask 中进行主机到设备的复制（#49684）。
我国正在推动世界人工智能（AI）合作组织的实体化运行进程，已有38国作为创始成员国加入。 将坚定不移推动人工智能的开源普惠，倡导各国打造符合自身文化特点与发展需求的智能系统。
VRChat决定不为AI生成内容添加专门标识，并在声明中称此举可能弊大于利。 VRChat此前调查收集了超过2.1万名用户的反馈，其中约95%的参与者希望增加AI生成内容标识，以便识别和屏蔽相关内容。 作为替代方案，VRChat承诺禁止使用所谓的“AI生成的不实缩略图”宣传虚拟世界，同时计划为世界内容增加点赞和点踩功能，并允许用户直接提交相关反馈。 相比直接生成的作品，亲手制作的内容往往需要投入更多时间和精力，因此更能体现创作者的付出与成就感。
终于，有了一个可以触摸的起点 后台每调一次大模型，上面这些场景都需要非常复杂的Tool Call，每一次Loop烧的都是真金白银。 下一代能活下来的Agent，必须能悄无声息、高频地长在生活里。 语音能打的市场太多了，对于一个新AI产品来说，必须找到一个杀手级应用。 刚睡醒，满脑子混沌，迫切需要知道外面的世界发生了啥、今天这摊子事该怎么安排。 在这期间，有任何需要吩咐的事，直接再通过语音向AI输出要求。 它不仅在盯发生了什么，更在琢磨这事对你意味着什么。 同事A说，下周二Presentation的PPT需要你更新一下。 孩子学校今天提前放学，需要我帮你加个日历吗？ 当然了，毕竟是初代产品，我也有一个必须要吐槽的地方。 为啥只支持英文啊😭！ 第一次感受到学英语的重要性，家人们，只有在真正需要全英语对话时，我才意识到： 我实测的时候还发现一个很有意思的细节：当它需要轻微思考时，会极其自然地用「hmm……」、「uh……」这种拟人拟声词去填补缝隙。 虽然听多了后人机感也是蛮明显的，但至少是比惨遭AI「冷暴力」好多了。 我们也永远无法得知，如果乔布斯还在的话，Siri如今，又究竟会是什么样子。
11月3日，小米方面披露，小米集团获得2026世界互联网大会“杰出贡献奖”创新突破类奖项 在工厂场景，小米披露人形机器人在汽车工厂的最新“实习”进展：在中控台侧盖板排序工站中首次挑战8小时作业任务，满足工站全天生产需求，并实现作业过程异常自主纠偏与产线系统级协同，初步完成产线级作业能力验证。 在工业制造场景，小米人形机器人完成产线级作业能力初步验证，在中控台侧盖板排序工站中首次挑战8小时作业任务，满足工站全天生产需求，并实现作业过程异常自主纠偏与产线系统级协同。
OpenAI正与Cathedral Systems筹备下一次内部安全冲刺，计划使用AI测试并加强其防御能力。
IT之家 11 月 3 日消息，据上海法治报 11 月 2 日报道，上海市首例利用 AI 伪造签名、盗用大模型算力案于近日宣判。 2025 年 12 月，有技术基础的宗某某自学调用 AI 平台 API 接口的“教程”后，动起了“薅羊毛”的念头。他盯上了一家人工智能企业运营的大模型聚合平台：用户登录后消耗积分，就能生成图片和视频，平台则要按次向上游模型厂商支付算力成本。 宗某某先用技术手段摸到了平台不对外开放的接口，随后自建了一个“中转网站”，对外低价售卖 AI 绘图、视频生成服务 —— 网站看起来是他的，实际后台使用的全是大模型聚合平台的付费算力，相当于把别人家的“电”偷偷接来卖钱。 此后平台多轮升级防护，都被他一一绕过，直到今年 3 月，被害公司发现后台数据异常后报案，宗某某被抓获归案。此时，他已非法调用平台接口 29 万余次， 靠转卖生成服务违法所得 3.4 万余元 。 该案中，宗某某的作案过程是一场“ 用 AI 攻破 AI ”的攻防战。起初，他用 AI 编写自动化注册脚本，买来大量邮箱账号，批量注册了近 30 万个免费账号组成“账号池”轮换调用；平台增加 IP 注册限制后，他又用 AI 工具绕过拦截。 今年 1 月，平台升级防护、新增电子签名校验机制，这也没能拦住他 —— 他利用 AI 工具制作成自动化脚本自动伪造签名 ，持续绕过校验发起调用。
单季狂揽1130亿人民币，但... 我们内部预判，我们的模型可能即将触达《负责任扩展协议》（Responsible Scaling Policy）所定义的「由AI驱动的大幅加速进展」这一阈值。
IT之家 11 月 3 日消息，据彭博社报道，人工智能制药公司同构实验室总裁马克斯 · 贾德伯格相信， 未来所有药物都将由 AI 设计 ，区别只在于这一目标需要多久才能实现。“这一天肯定会到来。我毫不怀疑，未来所有药物都会由 AI 设计。我只是不希望大家被动等待，结果要过 20 年甚至 50 年才能实现。” 当地时间 2 日，贾德伯格在伦敦举行的彭博科技大会上介绍，实验室希望通过 AI 提高新药研发的速度和效率，目前仍处于临床前试验阶段，公司的发展也才刚刚起步。 今年 1 月，同构实验室 CEO 德米斯 · 哈萨比斯曾透露，公司计划年底前启动首批临床试验。 同构实验室由 Alphabet 旗下的 谷歌 DeepMind 分拆成立 ，除了利用 AI 模型自主研发药物，还为礼来、诺华等生物制药企业提供药物研发技术。 同构实验室累计融资约 27 亿美元 （IT之家注：现汇率约合 179.97 亿元人民币） ，投资方包括 Alphabet 和 Thrive Capital。该公司近期正洽谈新一轮融资，估值有望达到 400 亿美元 （现汇率约合 2,666.16 亿元人民币） 或更高。今年 5 月公布上一轮融资时，同构实验室并未透露公司估值。
国家发展改革委表示，将强化人工智能就业替代风险监测预警，加强社保体系与就业结构、工作方式变革衔接，做好兜底性、普惠性社会保障。 国家发展改革委表示，将加强对算法歧视、深度伪造、隐私泄露等问题的治理，增强滥用恶用行为的溯源追踪能力，并重点保护老年人、未成年人等特殊群体。 国家发展改革委介绍，我国工业领域已涌现5.6万多家智能工厂，人工智能正从单点试点迈向研发、生产、流通多环节协同。 国家发展改革委表示，“十五五”时期将深化拓展“人工智能+”行动，推进重点场景应用攻关、行业应用中试基地建设和政策体系建设。 “十五五”时期的重点场景包括矿山开采、高空作业和应急救灾等“险、脏、累、繁、难”场景。 行业应用中试基地覆盖制造、能源、交通、医疗等领域，相关举措包括统筹算力、模型、数据等资源供给及加快标准制定和应用推广。
GPU迭代一百次的事，它一步做完 在任务维度上，传统模拟计算仅面向微分方程求解，现代模拟计算则主要面向AI时代与6G通信里需求最庞大的矩阵计算。 如果想用欧姆定律算乘法，乘法的两个乘数总是在变，一个数可以作为电压信号输入进去，但另一个数如果变成了固定的电阻，就根本无法应对动态的计算任务。 过去基于CMOS运放电路的方案，每个算子都需要堆叠大量晶体管，面积效率极其低下。 定义一个新体系，必须有颠覆性的技术实测作为支撑。 原本需要GPU执行上百次迭代的运算，AMC电路一步测量就能输出精确解，单次操作耗时小于100纳秒，而且该物理响应时间与矩阵的维度大小无关。 但计算速度再快，如果算不准，模拟芯片依然无法走出实验室。 由于位切片支持纵深扩展，这种模拟精度的提升在理论上不存在上限，可以通过增加切片数量和迭代步数持续提高。 孙仲与研发团队深知，今天的IT基础设施完全建立在数字基石之上，做一颗与世隔绝的纯模拟芯片没有任何商业出路，模拟计算必须与数字生态协同运转。 但得益于位切片架构的设计，每个子阵列只需要处理3比特数据，外围电路根本无需配置十几比特、高采样率的高规格ADC，只需6至8比特分辨率、10MHz采样率的基础转换器即可胜任。 数字GPU为了提升计算密度，必须向3纳米、2纳米等极紫外光刻先进制程持续加注，而阻变存储器已经可以在28纳米乃至22纳米的成熟制程上被可靠制造。 具备了千倍吞吐、百倍能效与十分之一成本的底座之后，这项技术的商业化落地，直接指向了产业界对求解线性方程与矩阵求逆运算需求最饥渴的现实场景。 二阶优化在理论上比传统一阶优化收敛更快，但每一步都需要求解海森矩阵的逆，过去数字GPU根本算不动，模型厂商只能退而求其次，用5次矩阵乘法迭代去近似逼近。 但不管是奔着省电还是冲着提速，要让模拟芯片真正从实验室走向产业，两边最终都必须迈过同一道生死门槛——精度。
苹果在周一晚间的财报电话会上暗示，可能通过第三方AI应用的“机会”增加收入。
爱诗科技旗下PixVerse与OpenAI宣布开启深度合作。 双方将推出产品集成和创作者教育计划，覆盖AI创意工作流程。
Hacker News 上一条题为“Astra can read and write weights to improve Qwen”的内容获得1531分和498条评论。
Claude Code 会定期将每个后台智能体的对话记录发送至其模型。
高通宣布，其第一代高带宽计算（HBC）技术已在美国圣迭戈实验室完成硬件验证，验证了完整读写能力和近存计算能力。 高通称，第一代HBC方案将为AI250加速卡提供133 TB/s有效内存带宽，相比采用LPDDR5X内存的AI200加速卡提升18倍。 搭载HBC架构的AI250加速器计划于2027年上半年出样。 此次验证使用的早期样品采用两层DRAM堆叠，每瓦带宽超过HBM4的5倍，但尚未达到高通此前公布的6倍目标；正式产品预计采用四层堆叠设计。 根据高通2026年6月公布的数据中心产品路线图，AI250将搭载第一代HBC，AI300计划采用第二代HBC；AI300的有效内存带宽设计目标为AI200的54倍。
IT之家 11 月 3 日消息，Anthropic 于当地时间 11 月 2 日披露的数据显示，截至 2026 年 9 月 30 日，公司净收入留存率（NRR）约为 900%，意味着同一批客户在 2025 年第三季度至 2026 年第三季度的一年内，支出规模增长了约 9 倍。这一指标反映的是现有企业客户持续扩大 Claude 使用规模，而非单纯依靠新客户拉动收入。 同期，年收入贡献超过 10 万美元 （现汇率约合 66.6 万元人民币） 的客户中，超过 50% 同时使用 Claude 平台及至少一款 Anthropic 自有应用（如 Claude Code 或 Cowork），2025 年底这一比例约为 30%。Anthropic 将这一变化归因于其“三层架构”策略：客户从调用 API 起步，可进一步为工程师部署 Claude Code，再向全体员工推广 Cowork，单客户价值随产品渗透而抬升。 同时，Anthropic 高付费客户的数量增长同样显著。 Anthropic 高付费客户超 1.19 万家，净收入留存率达 900%
Anthropic警告称，AI已非常接近递归自我改进（RSI）能力。 材料将RSI描述为AI在自我训练方面足够出色，从而引发AI能力显著加速的阶段。 材料称，在末日论者看来，RSI意味着可能无法逆转的灾难。
Anthropic 在更新的 IPO 文件中首次披露第三季度业绩，算力与基础设施合同承诺总额约 $895.4B，其中 $447.5B 须在 2031 年前支付，仅 $213.8B 可取消或附带条件。 Anthropic expects to use more short-term compute in the near term, which will squeeze margins further. > Leases signed but not yet started make up $451B of the $895B total, and $100B was signed after September 30.
OpenAI自GPT-5.6起，在其最强模型的内部和外部流量上部署激活分类器，利用模型内部激活逐token实时评分。 该分类器可在生成过程中阻断违规回复和工具调用，并将相关请求交由推理模型复审。 实验显示，激活分类器比更大的文本分类器对测试中的越狱攻击更鲁棒，准确率随模型能力提升，并且能在后训练各检查点之间良好迁移。 该监控层需要为新基础模型重新训练。 该方法只能检测可显式训练的已知违规类型。
《纽约时报》等媒体起诉隐私浏览器公司Brave，指其抓取媒体受版权保护的内容并非法向包括Anthropic和Perplexity在内的客户分发。 案件指控涉及Brave向其客户分发被抓取内容的行为，Anthropic和Perplexity被列为相关客户。
《纽约时报》与其他多家出版物已起诉Brave浏览器开发商，指控其涉嫌非法抓取内容训练AI，并允许用户绕过出版商付费墙。 《纽约每日新闻》《芝加哥论坛报》和《奥兰多哨兵报》的诉状称，Brave Software向AI公司付费开放Brave Index中的实时在线内容；这些公司可用其训练模型、访问内容以回应用户特定查询，或同时用于两种用途。 上述抓取、绕过付费墙及提供实时在线内容的行为属于原告在诉状中的指控，材料未载明诉讼结果。
据 Bloomberg 与 The Information，Anthropic 该季度营收近 170 亿美元，为一年前的十二倍。 该季度运营成本达 175 亿美元，季度净亏损 233 亿美元，高于去年同期的 121 亿美元。
IT之家 11 月 2 日消息，据《The Information》今日报道，苹果正在开发 HomeView 的机器人版本。这款设备传闻被称作“HomeView Ultra”或“HomeView Max”，不过最终命名尚不确定。 记者艾伦・蒂利（Aaron Tilley）表示，该设备原型机将一块 9 英寸屏幕搭载在可旋转机械臂上，整体外观类似苹果早年的 iMac G4，或是皮克斯的经典台灯吉祥物。它保留 FaceTime 通话这类 HomeView 已有的常规功能，同时还能够 充分感知周边环境，并自主执行操作 。 ▲ 苹果首款智能家庭中枢 HomeView 报道写道：“这款机器人当前的设计方案，计划依靠摄像头与各类传感器感知周遭环境、自主行动。比如有人走进房间，设备可以自动开灯；甚至还能尝试把猫咪从桌上‘劝离’。同时它具备智能避障能力，避免意外磕碰周边物体。” 报道提到， 该设备硬件方案大体在两年前就已定型，但苹果内部出现意见分歧 ，争论焦点集中在：哪些软件功能应当在第一代产品落地，哪些功能需要推迟到正在规划的第二代机型上实现。 报道称，苹果希望这款大号 HomeView 能够于 2027 年在美国上市，定价约 1,000 美元 （IT之家注：现汇率约合 6,661 元人民币） ，但也有可能推迟至 2028 年才正式推出。
IT之家 11 月 2 日消息，Anthropic PBC 披露，截至 9 月 30 日的第三季度营收接近 170 亿美元 （IT之家注：现汇率约合 1,132.35 亿元人民币） ，同比暴涨 11 倍，市场对这家 AI 实验室有望创下纪录的 IPO 预期进一步升温。 这家 Claude 大模型背后的公司当地时间周一向美国证券交易委员会（SEC）提交文件显示：截至 9 月末的三个月，净亏损 233 亿美元 （现汇率约合 1,551.98 亿元人民币） ；去年同期净亏损为 121 亿美元 （现汇率约合 805.96 亿元人民币） 。本季度运营费用飙升至 175 亿美元 （现汇率约合 1,165.65 亿元人民币） ，同比增幅 292%。 文件显示，公司已敲定总额 8,950 亿美元 （现汇率约合 5.96 万亿元人民币） 的承诺支出，绝大部分用于算力与基础设施建设。其中约 4,480 亿美元 （现汇率约合 2.98 万亿元人民币） 预计在 2030 年底前支付，约 700 亿美元 （现汇率约合 4,662.6 亿元人民币） 需要在截至 2027 年 9 月的一年内兑付。 Anthropic 已于 10 月 26 日递交 IPO 申请，计划在美国感恩节之前完成上市。 就在 Anthropic 公开招股的同一天（10 月 26 日），Meta 启动最高 980 亿美元 （现汇率约合 6,527.64 亿元人民币） 的股权融资计划，有望成为史上规模最大的股权融资之一； 甲骨文周一公布了 200 亿美元 （现汇率约合 1,332.17 亿元人民币） 融资计划，其中包含一笔 100 亿美元 （现汇率约合 666.09 亿元人民币） 股票增发； 其竞争对手 OpenAI 则把上市计划推迟至明年，目前正在新一轮私募融资中谋求数百亿美元资金。
OpenAI推出Grid Protectors计划，与电力公司、监管机构和政策制定者合作，让未来算力校园在电网紧张时降低用电需求。 该计划首站为Effingham County校园。 计划从Georgia校园开始支持电网削峰。
腾讯混元发布 Hyra 2.0，将自动化科研重点从直接解题转向由 agent 研发和升级科学模型、工作流与软件工具。系统采用 Overall、Mission、Worker 三层分工，接入企业微信、计算平台和代码仓库的实际研发环境，成果已公开在 GitHub 仓库。
2026世界互联网大会于11月3日上午在浙江乌镇开幕，OceanBase获“世界互联网大会杰出贡献奖”。 2026年，OceanBase发布湖库一体AI数据库，将数据库与数据湖能力融入统一架构，实现结构化、半结构化和非结构化数据的统一管理。 文章关于AI需要能够理解、检索和调用全量数据的智能底座的表述属于文章观点，并非已发生事实。
10月31日，2026年bilibili超级科学晚在北京举行。
聚焦AI发展与高等教育变革，2026芯位教育论坛将于11月19日启幕 中青在线 聚焦AI发展与高等教育变革，2026芯位教育论坛将于11月19日启幕 - 中青在线
OpenAI Developers社区黑客松于伦敦举行，Sofia Bargues称当天活动体验非常精彩，并向OpenAI Developers致谢。
Prime Video向自由职业者提供30张免费门票，用于参加AI Creative Summit。
Matt Wolfe 发布了一则关于实时生成世界的新视频，主题是相关免费且开源的工具。
视频摘要称，Altman和Anthropic暗示可能发布他们无法控制、且无法验证其行为的模型。 视频摘要提到Gemini 4 Carbon登场，并涉及Amodei的相关解释与去标记化议题。 该材料是AI Explained新视频的订阅摘要；摘要称按AI行业标准这周可能不算最疯狂，但仍有数件值得关注的 headlines 发生，并提及AI Insiders订阅价格为9美元。
Routed Continual Learning 1. Meta FAIR 提出的 Routed Continual Learning 研究多种任务交错运行时，智能体怎样利用过去的经验。它在任务开始前同时决定哪些任务共享经验，以及经验采用什么形式保存。 2. 共享一份完整历史会反复带入无关内容，增加读取成本。统一压缩虽然能缩短历史，却可能丢失特定任务需要的细节，而且保存时很难预知未来会用到什么。 3.
视频解读了NVIDIA研究发布的Dory，这是一个4B循环Transformer。
发布者在腾讯全球数字生态大会逛展时，带着近期与企业交流时反复听到的问题，了解Agent进入组织以后需要什么。 视频提出，当越来越多Agent加入团队时，需要关注智能体基础设施。 视频内容导航依次包括00:00组织提效卡在哪里、01:36为什么需要沙箱、02:19上下文存在哪里、02:31看清智能体的运行、03:55模型。
视频以“如果在迪士尼看到这一内容，你会不会感到兴奋”为引子，讨论这一主题。
认知科学家Joscha Bach提出了关于意识难度的零假设，其相关讨论聚焦于意识为何可能并不困难。
Pixel-UMI通过环境感知重定向，将重建场景几何与人类示范的头部和夹爪轨迹结合，以确定机器人姿态并生成碰撞感知的关节与底盘目标。 重定向误差感知掩码机制在训练期间利用残余姿态误差，减少部署时对视角不匹配观测的依赖。 由于估计动作无法完整捕捉富接触交互，研究通过DAgger收集在线人类纠正以提升性能。
Pixel将低成本轮式人形机器人、人类对齐运动学与柔顺夹爪、多种遥操作和免机器人人类数据采集接口、统一全身控制器，以及跨人类与机器人演示的通用策略学习流程整合为一套协同设计的全栈系统。 该系统的分层学习架构支持语言条件下的视觉运动控制与长时程任务执行。 作者从硬件、数据采集和策略学习方面评估系统，并展示了需要灵巧操作、主动感知、导航与全身协调的移动操控行为。 实现通用移动操控需要兼具机器人硬件能力、可扩展的演示数据采集、富有表达力的全身控制和有效的策略学习；这些组件若被独立开发，可能产生不匹配并限制完整系统能力。
EgoActionBench 将连续的人类操作表示为具有时间定位的原子动作，并与左手、右手或双手关联。 该基准包含 1,407 个片段和 41,132 条经人工修订的动作标注。 研究者在该基准上评测了 20 个基线模型和系统，并通过自动标注的训练片段，对 Qwen3-VL-4B 和 LLaVA-OneVision-2-8B 两个骨干模型进行监督微调，再进行强化学习。 从人类数据学习需要模型能够从自我视角观察中准确理解细粒度的人类动作。 现有基准在动作原子性、时间精度和手部动作关联方面仍有限制。 实验显示，当前模型在动作原子性、时间精度和手部动作关联方面存在显著局限。
研究提出神经符号框架，将大语言模型的语义解析与确定性的精确覆盖求解相结合。 面对自然语言斑马谜题，大语言模型将实体和约束转换为结构化工具调用以构建精确覆盖实例，符号求解器计算答案，并反馈给模型迭代修正无效或约束不足、过多的编码。 实验评估了多种参数规模、后训练范式和大语言模型家族，结果显示该混合方法持续优于思维链提示等强纯神经基线及近期神经符号方法。 经典符号方法虽能保证正确性和完备性，但需要将问题表达为高度专门化的形式编码，因此难以直接应用于自然语言输入。 该方法的已报告实验对象为斑马式逻辑谜题。
研究团队提出WebHarbor，包含153个可执行且经Docker容器化的网站环境，在确定性控制下重建真实Web服务的视觉界面、内容和功能流程。 WebHarbor提供3,518项任务，覆盖多步骤及登录后工作流，并可作为高保真合成环境用于成本更低的强化学习。 实验显示，在WebHarbor中接受强化学习训练的Qwen 4B级GUI智能体可泛化到未见任务，并在4个基准上与领先开源GUI Web智能体表现相当。 GUI Web智能体需要真实且交互式、在评估和训练期间保持稳定的环境。 WebHarbor通过任务驱动的人机协作构建：编码智能体实现所需变更，人类贡献者审核视觉保真度、功能正确性和任务有效性。
研究发现，当预训练数据预算超过一定规模后，AdamW在微调后的表现超过Muon。 随着模型规模增大，AdamW在更小的预训练词元与参数量比值下即可超过Muon。 论文提出margin-to-spread ratio来解释这一逆转：小数据预算下Muon的该指标更高，大数据预算下AdamW更高，与微调趋势一致；作者还在线性联想记忆中证明，随着数据预算增加，梯度下降一次更新后的该指标增益超过Muon，模拟显示该趋势在延长训练后仍持续。
论文提出Isekai3D合成数据生成平台，面向视觉与世界模型、神经图形及游戏代理等研究，模拟并采集合成3D游戏数据。 平台采用两阶段流程：先由世界模拟生成游戏并记录世界状态、角色移动、动作和相机轨迹，再回放记录以按指定分辨率、帧率及渲染和相机配置捕获视频、图像和深度图。 模拟与采集分离后，同一段已记录游戏无需重复原始模拟即可生成多种输出变体；视觉输出附带逐帧对齐的相机、角色和动作元数据，并直接以适合训练的格式上传。
MIT称GPT-6 Astra能够直接修改Qwen模型的权重。 MIT称经过GPT-6 Astra修改后，模型的数学能力提升至原来的6倍。 修改后模型的指令执行能力也同步提升。
该选择性综述梳理扩散模型用于贝叶斯逆问题时后验采样加速的主要方法，包括似然引导、频谱与投影方法、序贯蒙特卡洛校正及摊销条件训练。 综述按离线准备与在线推断之间的成本分配方式组织这些方法，并比较其假设、优势、局限，重点关注计算加速。 论文末尾汇总了若干持续研究方向与开放问题。 贝叶斯逆问题需要信息丰富的先验模型和计算上可行的后验推断。 基于分数的扩散模型可提供表达力较强的学习先验，但其用于反演时会引入条件化问题：仅凭先验分数通常无法得到含噪后验的分数。
论文研究线性老虎机的最佳双环境算法，目标是在对抗环境中实现O(√T)遗憾、在随机环境中实现O(log T)遗憾。 针对有限动作集，论文提出信息获取型Follow-the-Regularized-Leader算法IAFTRL；这是首个完全基于FTRL框架并达到随机环境O(c⋆log T)型遗憾的BOBW算法，同时保留对抗环境O(√T)遗憾保证。 作者称，该结果解决了线性老虎机BOBW算法此前提出的开放问题。 结果适用于有限动作集的线性老虎机；c⋆是表征实例依赖最优性的信息获取复杂度。
研究复现了纯噪声过采样提升少数类准确率、专用批归一化优于基线，以及改进在不同数据增强下保持稳定的结论。 实验结果也支持向平衡训练数据中加入纯噪声图像可改善分类。 额外实验表明，OPeN带来的性能提升可能与更大网络或更复杂数据增强带来的提升更正交。 该研究聚焦图像分类任务中使用纯噪声扩充少数类图像的训练流程。 研究使用PyTorch实现论文描述的训练流程，并集成作者提供的纯噪声采样及噪声图像与自然图像分别批归一化的代码片段。
OntoDoc是一个多智能体框架，可为SPARQL端点或RDF文件中的任意IRI自动生成自然语言描述。 该框架采用4阶段流程：数据库上下文智能体通过SPARQL收集目标IRI的三元组，网页上下文智能体检索并重排Wikipedia及开放网络中的百科背景知识，假设生成智能体将两类上下文合成为有证据支撑的中间假设，描述生成智能体据此生成最终描述。 研究在生物医学、农业和跨领域场景的知识图谱上评估OntoDoc，并采用大语言模型自动评分和11名标注者的人类评估。 OntoDoc的准确性达到或超过朴素大语言模型基线和基于模板的本体描述生成器；其描述完整性显著优于两种基线，相比朴素基线的各领域平均完整性提高12%，相比本体描述生成器最高提高2.8分（满分5分）。
LifeVal用于衡量AI协助人们完成日常任务的能力，涵盖寻找儿童照护、管理财务和政府文书等场景。
该论文指出，AI提供商频繁更新模型及其系统集成时，往往不同时更改面向公众的标识符。 作者认为，公共标识符不变会削弱监管监督和科学研究可复现性，并主张建立满足监管者与研究人员需求的、有意义的AI版本管理。
研究提出连续空间潜在推理框架LARC，通过对连续隐藏状态进行推理来缓解词元级瓶颈。 该训练框架分为课程监督微调和信息增益强化学习两个阶段，前者逐步将词元级推理转化为潜在推理，后者无需真实值监督即可让潜在推理自我演化。 在多种文本生成图像基准上的实验表明，LARC持续提升了生成质量、提示遵循能力和组合保真度，并在GenEval上以7%p的增益超过BAGEL，达到领先性能。 LARC还表现出明显的测试时扩展行为，在并行和顺序测试时扩展策略下均优于基于词元的生成。
Flide将决策请求的逻辑树结构与单一扁平token流中的物理执行解耦，并通过ForkAttention在GPU内存索引中跟踪请求依赖，覆盖标准注意力和循环Gated DeltaNet层。 论文称，在精确算术下，Flide的每个查询分支都与独立前向传播得到相同结果。 Flide用GPU内存中的元数据表示分支拓扑，以一组预录执行图支持不同请求组合，并使扩展的代理历史可从先前保存的检查点恢复。 在公开混合模型和决策模型上的评估显示，Flide回答查询的速度最高为vLLM和SGLang的9.5倍，同时在总变差距离上最接近float32参考结果。
LSA将键在习得潜在空间中进行分层聚类，由查询对聚类层级评分而非逐一评分所有键，以加速长上下文下的预填充、解码和训练。 论文提出Distilled-LSA和Native-LSA两种变体，前者可通过蒸馏应用于预训练模型，后者仅使用下一词元损失进行原生训练。 在GLM-5.3-FLASH（QWEN-3.8-27B）和10M词元设置下，D-LSA单注意力层相较原始稀疏注意力在预填充阶段加速22.7倍、解码阶段加速4.6倍，相较全注意力则分别加速72.4倍和42.5倍，并在多种任务上保持相近准确度。 N-LSA在128k词元下达到与全注意力相当的准确度，每层训练加速1.6倍。
研究提出ID-WM分层世界模型，将状态空间可达性与局部控制解耦：高层模型采样状态流形上的可行转移，低层世界模型作为逆动力学求解器，将转移落实为精确动作。 ID-WM可从短片段合成长程规划，摆脱训练中见过的具体行为模式，并优先考虑局部物理可行性。 该方法在导航与操作测试套件中，相比最先进的策略规划器和基于扩散的规划器提升38.5%；在复杂、未见过的长程任务配置中，相比单层世界模型MPC取得135%的性能提升。
论文提出SemEllipsoid方法，利用大型基础模型提供的语义线索，将语义约束注入椭球基元的优化过程。 该方法设计完全可微分的投影、混合与评估方案，以衡量相对于输入语义掩码的语义差异，并采用交替优化策略迭代求解语义分配和基元配置。 该方法无需数据收集或网络训练，并可按用户需求支持不同抽象层级；论文在多个3D形状数据集上进行了实验与评估。
RoboArchitect让编码模型观察机器人运行轨迹、诊断失败，并围绕冻结策略迭代修改代理框架。 该方法不更新任何模型权重，在多个基准和策略上，将未见场景的平均成功率从9.7%提升至43.3%，将未见任务的平均成功率从12.7%提升至40.2%。 该框架会演化持久记忆，把有效抓取深度等经验带入后续决策。 代理框架在一组 episode 上进行优化，并在留出的场景和任务上进行评估。 实验采用冻结策略且不更新模型权重。
Google DeepMind与英国政府合作，以缩短规划评估时间。
Addy Osmani发文探讨大量使用Agent工作流后如何保持批判性思维，并提出认知卸载、拖延、认知投降三段光谱。 他建议提问前先写假设、把验证标准前置为可执行测试、要求Agent列出其代为做出的决策与假设、以测验收尾而非阅读摘要，并定期手写代码进行校准。 他强调，可以卸载工作和审计，但不能卸载责任。
数字生命卡兹克发布 DeepSeek Harness 养鱼教程，讲解如何在 QQ、微信、飞书接入大肥鱼。 教程还介绍让大肥鱼在 B 站刷视频、在抖音发视频和直播。
llm 0.37 版本包含约两个月积累的功能和修复，并加入了 gpt-6.1-sol 和 gpt-6.1-terra。 该版本新增了 llm openai endpoint add 命令，用于配置使用 OpenAI 兼容端点的其他模型。 如果用户未设置自己的默认模型，默认模型将切换为 gpt-6-luna，价格是此前默认模型 gpt-5.6-luna 的一半。 llm 的嵌入支持现在接受具有不同 content-type 的不同二进制内容；该版本说明称，这一支持是 Gemini Embedding 2 等模型所必需的，因为它们可以嵌入文本、音频、图像和视频。 作者表示，该项目受大量 AI 辅助 PR 影响，但他并不认为这是问题；他将借助 Opus 5.5 或 GPT-6 Astra 进行分类筛选，以识别最有用的修复。
课程从零搭建具身智能机器人，涵盖强化学习、World-Model、VLA 等智能决策方法，以及仿真环境、控制器、运动规划和感知系统。 课程通过真实项目串联“决策—控制—感知”完整链路。
教程以一笔贷款为起点，解释违约概率（PD）、违约损失率（LGD）和风险敞口（EAD）如何反映贷款损失与银行资本。
教程介绍了使用YOLO26和ByteTrack构建实时视频分析流程。 教程讲解实时视频分析的概念、仅靠目标检测为何不足以完成人流和车辆计数，以及实时视频分析的系统架构。 素材仅包含文章目录和标题，未提供发布日期、具体实现步骤或代码细节。
本课程教授使用 DSPy 构建、调试和优化 AI 智能体，并结合 MLflow 进行实验追踪与管理。适合希望系统学习声明式智能体编程范式、用程序化方式替代手工 prompt 调优的开发者。学习者可掌握 DSPy 的模块化编程、MLflow 集成追踪，以及智能体系统的自动化优化流程。
该项目提供繁体中文、英文和简体中文的学习路线，内容从大语言模型基础延伸至多智能体系统。 路线图收录了240多项精选资源和动手实践示例。
Reflection 的 Beam 被评为当前备受关注的新开放权重模型。 该模型总规模为501B，每个 token 仅激活23B参数，但托管成本是相关限制。
“Build with Andrew”面向从未写过代码的初学者，课程时长不足30分钟。学员将学习先用文字描述想法，再借助AI生成应用，快速体验从创意表达进入原型开发的过程。
该项目聚焦复现和研究用于LLM智能体的强化学习算法，包括GRPO、GSPO、DAPO、OPD、Search-R1、ReTool和ALFWorld等。
该仓库介绍从零学习AI工程，并构建和发布供他人使用的产品。 该仓库使用的标签包括agents、ai、ai-agents、ai-engineering和computer-vision。
DeepLearning.AI推出短篇教程，介绍Meta最新发布的Llama 3.2多模态模型。课程演示如何调用其视觉理解能力构建AI应用，适合已熟悉大模型API的开发者快速上手，涵盖文本与图像联合处理的基本方法。