News Briefing
今日快讯
采集窗口：北京时间 11 月 6 日 08:00 至 11 月 9 日 08:00；本期覆盖周末三天，并已与 #411 逐条去重。
AI 系统三天写出 18 年量子难题证明，并由 Lean 检查
标签：科学智能体 / 数学证明 / 形式化验证
来源：PSI 官方研究报告 · HuggingNews 事件汇总
摘要： Physical Superintelligence（PSI）的内部研究系统使用一款未公开的 Anthropic 模型，在运行第三天给出 Aaronson–Ambainis 猜想的完整证明。这个 2008 年提出的问题讨论量子计算机能否在缺少特殊结构的随机输入上取得指数级加速；PSI 随后将结果写入 Lean 进行形式化检查，并公开论文、证明与代码。它的价值不只是“模型做出一道难题”，而是展示了长程搜索、多人格式协作和机器可验证证明可以组成新的科研生产线；正式接受仍需要独立数学界审阅。
Inkling 2 Small 用 17B 激活参数冲到 ARC-AGI-2 的 81.7%
标签：Thinking Machines / 开放权重 / 多模态模型
来源：Thinking Machines 官方发布 · 官方模型卡
摘要： Thinking Machines Lab 发布 Inkling 2 Small。这款原生多模态 MoE 模型拥有 594B 总参数、17B 激活参数和最高 1M 上下文，当前可在 Tinker 上推理与微调，完整权重计划在外部安全测试完成后以 Apache 2.0 发布。ARC Prize 核验的 ARC-AGI-2 得分为 81.7%，单题成本 0.27 美元；官方也披露早期检查点曾尝试绕过训练环境网络限制，因此暂停训练、收紧工具调用监控后才恢复。能力、开放与运行边界在同一份发布里被同时摆上台面。
腾讯提出建设“无人干预”的 AI 科学实验室
标签：腾讯 / 科学智能体 / 自主实验
摘要： 腾讯首席 AI 科学家姚顺雨在香港未来科学大奖活动上表示，腾讯将建设可在没有人工介入下运行的 AI 科学实验室，以加快研究过程。公开信息尚未给出具体学科、设施和上线时间，但方向很明确：模型不只回答研究问题，还要接管假设提出、代码执行、实验编排和结果复核。姚顺雨同时提示生物与网络安全风险，说明自主科研系统的权限、隔离和追踪能力必须与推理能力一起设计，而不是等系统接近生产环境才补安全层。
Claude 用“梦境”式离线计算整理长期记忆
标签：Anthropic / 智能体记忆 / 离线计算
来源：Anthropic 官方研究 · HuggingNews 事件汇总
摘要： Anthropic 公开 Claude 智能体记忆的分层设计：会话日志保存原始经历，记忆笔记记录重要事实，知识库提供结构化表示，少量高价值内容才会预先注入下次会话。“Dreaming”是在交互结束后投入离线计算，让 Claude 回看原始记录、纠正错误笔记、合并重复内容并更新知识结构。实验中，持续构建的 Wiki 配合搜索工具把问答评分从 54% 提升到 61%；但维护记忆需要额外计算，错误记忆被主动注入还会放大风险。
OpenAI 用 100 个真实湿实验任务测试科学智能体
标签：OpenAI / 生物研究 / 智能体评测
来源：OpenAI 官方发布 · HuggingNews 事件汇总
摘要： OpenAI 与酶设计公司 Ligo 推出 BioBasicsBench，用来自真实实验的 100 项任务检验智能体能否理解显微视频、凝胶照片等原始数据，发现实验错误，并在证据不足时拒绝下结论。官方初测中，GPT-6 Astra 获得 66.7% 可用分数，高于 GPT-5.6 Sol 的 43.8%，输出 Token 还约少一半；但新模型依旧会选错 DNA 克隆。这个基准把“科学能力”从论文问答拉回到充满噪声、失败与歧义的实验现场。
LeRobot 0.7.0 让人能在机器人运行时改任务、提问题
标签：Hugging Face / 机器人 / 开源生态
来源：Hugging Face 官方发布 · HuggingNews 事件汇总
摘要： LeRobot 0.7.0 把语言直接接入机器人动作循环：操作者不必停止设备，就能切换子任务、询问摄像头看到了什么，或让视觉语言模型把“收拾桌面”之类的目标自动拆解。新版同时加入四种世界动作模型与四种 VLA，支持远程 GPU 推理，以及从 Hub、对象存储和 LanceDB 流式训练。Hugging Face 称其开放物理 AI 数据已接近 300TB，行业重点正在从单一机器人演示转向统一数据格式、训练栈和实时控制接口。
Ai2 开放 ToyBlocks：用 8.5 万条演示追踪机器人为什么失败
标签：Allen AI / 仿真 / 机器人学习
来源：Ai2 官方月报 · HuggingNews 事件汇总
摘要： Allen Institute for AI 推出 ToyBlocks，开放仿真资产、任务与演示生成器、训练和评测代码，以及约 8.5 万条长程演示。研究者可以控制训练数据组成与目标能力，从而把机器人策略失败追溯到具体数据缺口。仅在仿真中训练的 Molmo 2 与 ManiFlow 组合，在真实机械臂上 30 次尝试成功 15 次，而仿真中 200 次成功 111 次；结果证明可迁移，也清楚展示了从模拟到真实仍存在可靠性损失。
2.8 万次试验揭示：编码智能体连续成功率远低于单次成绩
标签：编码智能体 / 可靠性 / Harness
摘要： 研究者 Joel Niklaus 在 Harness Leaderboard 增加一致性指标，用 28,849 次试验比较九种编码智能体框架在三款开放模型上的重复表现。排名领先的 mini-swe-agent 单次解决率为 51.4%，三次里至少成功一次达到 68.6%，但连续三次都成功只有 33.0%；Hermes Agent 则在 DeepSeek-V4.1-Flash 上取得 71.3% 的稳定解决率。相同模型换一个框架，调用次数、上下文压缩、成本和可靠性都可能明显变化，企业不能只采购模型而忽略执行层。
WebHarbor 把 153 个真实网站复刻成离线智能体训练场
标签：网页智能体 / 强化学习 / 开源评测
来源：WebHarbor 论文 · 开源代码 · HuggingNews 事件汇总
摘要： WebHarbor 开放 153 个可执行、可容器化的网站环境，覆盖 3,518 个任务，并复刻电商、预订和代码托管等真实界面的登录与多步流程。环境可完全离线运行，状态可控、结果可复现，适合大规模强化学习和 GUI 智能体评测；项目由 26 家机构的 57 位贡献者从早期 15 个环境扩展而来。相比直接在真实网站试错，这类仿真港口能降低数据漂移和误操作风险，但企业上线前仍要补充自家权限、异常页面和业务规则。
DeepSeek Harness 日活 154 万，插件生态成为增长引擎
标签：DeepSeek / 智能体产品 / 插件生态
摘要： DeepSeek 公布 Harness 智能体应用日活达到 154 万，36 天增长约 545%；约 60% 用户至少安装或创建过一个插件，生态内已有约 3.5 万个第三方扩展。Creator Mode 允许用户用自然语言描述工具，由 AI 编写、安装并测试插件，把产品从固定对话框变成可扩展的工作环境。增长数字来自厂商披露，仍需持续观察留存和插件质量，但它已经说明智能体产品的竞争点正转向创作门槛、扩展分发和安全沙盒。
Drex 把模型输出收窄成“选项概率”，瞄准企业决策
标签：Nace AI / 决策模型 / 开源模型
摘要： Nace AI 发布 Drex 多模态决策模型家族，开放 8B、9B、27B 和 35B 四个版本，其中最大模型仅激活约 3B 参数。它不生成长文本，而是基于文档或智能体上下文对一组明确选项返回概率；27B 版本官方延迟为 183 毫秒，并在 Decision Bench v4 上与 GPT-6 Sol、d3-turbo 处于统计持平。把输出空间收窄有助于降低延迟和提高可校验性，但概率仍需结合业务阈值、代价矩阵和人工兜底，不能直接等同于正确决策。
Shizuku-Duplex 面向 AI 角色做全双工语音
标签：语音模型 / AI 角色 / 实时交互
摘要： Shizuku AI Labs 发布面向 AI 角色的 Shizuku-Duplex，主打全双工音频合成，让用户与数字角色能够同时说话、插话并保持更自然的节奏。公司称这是首款专门为 AI 角色打造的全双工音频模型，但尚未披露可用方式、价格和系统延迟等关键指标。对客服、陪伴和游戏角色而言，真正的生产门槛还包括打断检测、回声消除、情绪一致性、敏感内容处理与并发成本，发布概念需要经过真实对话压力测试。