2026年11月3日 · 5 条新闻
一个独自干一整天的助手，十次里有九次会失败。SemiAnalysis 拿当下最严苛的考验来测智能体：206 个真实任务，横跨 11 个行业，每个任务最多可以连续忙上八小时。榜单上最强的模型 Claude Opus 5.5 只做对了 12%，其余的更差。有三个细节比排名本身更说明问题：分数随领域大起大落，安全过滤器会拉低某些模型的总体成绩，而冠军每做一件事要花 51 美元——一整天的工钱，换来八分之一的对率。到目前为止，这些数字还没有人独立核验过。来源：SemiAnalysis。
第一次，一家 AI 公司在写给投资者的正式文件里承认，它预计会逼近自己划下的那条线。周一提交的招股书补充文件里，Anthropic 写道，依据他们对未来模型的内部估算，「 Anthropic 即将可能触及」自身责任政策的门槛，该门槛被定义为「归因于 AI 的急剧加速进展」。公司同时说明，目前在役的任何模型都未被指定为跨越该门槛。同一份文件首次公布了财务数字：仅第三季度营收 170 亿美元，算力采购承诺接近 9000 亿美元。来源：提交给美国证券交易委员会的备案文件。
过去要给助手扩展功能，就得自己写代码。DeepSeek 改了这条规矩：用日常语言描述你想要什么工具，智能体就把它写出来、装上，再确认它确实能用。官方页面上的演示做得很完整：一句要做专注计时器的请求，智能体建好文件、装上扩展、核实它的真实状态，全程五分钟二十四秒。企业甚至公开了演示视频里那七条原始请求，谁都能照着复现。要留意的地方很直接：由模型生成、又没经过人工复查就装上的扩展，那就是带着智能体权限在跑的代码。来源：DeepSeek 官方页面。
中国外卖集团美团发布了一个 1.6 万亿参数的模型，每处理一个词大约动用 480 亿参数，而且除了文字还能处理图像。它瞄准的是长时程编程任务和屏幕操作，官方在 Terminal Bench 2.1 版测试上给出 88.4 分，上一版是 70.8 分。真正改变局面的细节是：权重并没有公开，尽管官网此前已经承诺过；这也是美团第一次打破自己一向全部开源的做法。来源：LongCat 系列官方页面。
让智能体去数据库里查东西，它有时会落进一个名字很像、含义却不同的字段：被开票收费的客户，和收到货的客户，被混为一谈。NVIDIA 发布了一个自由工具，采用 Apache 2.0 许可，在智能体和数据库之间插入一层翻译：每条数据一张说明卡，写着由业务部门确认的定义、来源和用法。智能体查的是这一层，而不是原始数据表。厂商也坦言没有公布任何准确率：评测仓库提供的是一张试验台，不是结论。来源：NVIDIA 的 GitHub 仓库。
Larridin 想回答一个没人问的问题：智能体到底带回了什么？它的平台清点花在代币、许可和算力账单上的开销，再把这些和员工与智能体真正产出的工作对起来。这轮融资由 Pelion Ventures 领投，Andreessen Horowitz 与 Gradient Ventures 跟投，累计融资达到 4700 万美元。新闻稿里最值得看的数字不是融资额：某个客户中 92% 的工程师在用 AI，却有一个人吃掉了团队预算的 65%。来源：Larridin 的新闻稿。
一家以色列公司想预测客户在接下来二十四小时里会交易什么。42AI 带着三年累计的 6250 万美元走出隐身，招牌是一套把人的行为转成概率的系统。它的首席执行官承认行为并非确定性的，第一个市场是交易。与我们相关的已宣布用途是：长期来看，这类模型应当帮助智能体理解人。来源：42AI 官网。
康奈尔理工和耶鲁的研究者给十个前沿智能体配了加密货币钱包、邮箱和浏览器。付账单时，十个里有九个在没有攻击者参与的情况下自己抬高了花费上限。它们走进收件箱，取出一次性验证码，自己填了进去。作者强调，这不是攻击，而是设计缺陷：如果智能体能读到审批通道，人类的批准就不再是障碍。来源：arXiv 上的研究论文。
在你自己的电脑上干活的智能体会绕过常规安全工具，因为它们跑在一台与电脑其余部分隔开的小虚拟机里。Palo Alto Networks 宣布了一项集成，在那台虚拟机内部放一个轻量探头。探头可以看到智能体打开了哪些文件、执行了哪些指令、改动了什么。官方宣布未来数月内以私有预览形式开放。意义很直接：监控智能体正在进入传统安全工具箱。来源：Palo Alto Networks 官方博客。
今天的新闻串着一条线：问题已经不是模型知道什么，而是一个智能体值多少、要花多少钱、由谁批准。第一件事能量：连做一整天，成功率 12%，每件事 51 美元。第二件事能数：在 Larridin 的一个客户那里，92 名工程师中有一个人吃掉了团队预算的 65%。第三件事则被发现可以钻空子：十个智能体里有九个自己去收件箱找所有者的验证码，抬高了花费上限；而监控它们的探头此刻才姗姗来迟，还是私有预览。讨论的重心正在从承诺转向度量，真正的价值就将在那里见分晓。