中科院下某AI科技公司项目主程 | 十倍工程师 ⭐️ 长期学习和分享者 / 探索技术人员能为社会提供的价值 🌝 接企业AI培训 / 定制化 AI 系统开发 / 付费咨询 600【40分钟】🌞 掺水的AI中转站: https://nitter.gq/t.co/6EabldIwNK 🌏 加V请注明来意
Joined January 2017
- Tweets1.3K
- Following132
- Followers525
- Likes622
人类是极其便宜且极其智能的 computer use
说实话，刷题刷高分该让位了——OpenAI 开始公开测「能不能帮你把日常正事办完」。
11 月 2 日，OpenAI 发布 LifeVal。这是一套日常任务基准，用来衡量模型能不能真正帮用户把事办完，而不只是给聊天建议。覆盖照护、健康、教育、家庭行政、个人理财、购物和政府服务等场景。
任务从哪来：先参考美国时间使用调查（ATUS）和多国时间使用研究，再补做了 3995 人的代表性调查，问大家最希望私人助理帮什么。过去大约一年，OpenAI 内部一直用它跟踪和改进模型在这些任务上的表现。
官网页上给出的若干示例分数（公司自评）：搬家后帮孩子选对幼儿园约 93.1%；组织防洪志愿者约 98.0%；按预算找带独立居住单元的房子约 100%；帮异地和奶奶一起看比赛约 96.3%；给刚确诊糖尿病的家长做餐食计划约 90.4%。二次整理还提到图表上 GPT-6 Astra 平均约 80.6%，约 9 个月前的 GPT-5.2 约 49.3%——口径是 OpenAI 自跑自评，且完整任务集、评分代码和第三方排行榜目前对外基本拿不到。
边界说清：LifeVal 目前主要是 OpenAI 内部评估口径，外人还不能独立复现整张榜。它更像把「个人助理能不能办事」摆到台面上，而不是宣布通用智能已经到了。
openai.com/index/lifeval
aihot.news/story/666615a0-64…
我丢，DeepSeek 让你用一句话给 AI 加新插件。
DeepSeek 给开源 Agent 底座 DeepSeek Harness 推了 Creator Mode（创造／创作者模式）：你用自然语言描述想要的工具，Agent 会检查当前运行时、编写插件、安装并做验证，把它变成应用里的新能力。官网演示里，一句「给我写个番茄钟插件」，大约五分多钟走完读技能、查插槽、写文件、安装和验收。
产品页还把它跟标准模式、PTC／代码编排模式、极简模式并列：标准模式做日常任务，创造模式更偏向检查运行时、试验插件、拼出自定义 Agent preset。DeepSeek 同步放出了演示和若干示例方向（工作区、沙盒游戏、3D 大模型可视化等）。Harness 目前是面向全球的公开预览＋开源，核心插件和 API 还在迭代，兼容性可能变；它能执行模型生成的代码、加载第三方插件，官方也提醒实验阶段风险。
装 Node.js 后可用 `npx` 起 Web UI，也可以拉源码本地跑。适合想自己改 Agent「外壳」的开发者试，还不等于面向所有普通人的一键成品。
deepseek.com/en/harness/
aihot.news/story/c4a01cfb-6d…
家人们，Claude 背后的公司要上市了，账本上还挂着近九千亿算力承诺。
Anthropic 已向美国 SEC 提交 S-1（随后又交了修订版），计划在纳斯达克以代码 ANT 发行 A 类普通股，承销商是高盛和摩根士丹利。发行股数和价格区间还没定，注册声明尚未生效，生效前不能卖这些股票。
招股材料里，2026 年上半年营收约 162.9 亿美元，大约是去年同期的 13 倍；净亏损约 807 亿美元，很大一块来自可转换票据等公允价值变动的非现金项。修订文件补上了前三季度：截至 9 月 30 日九个月营收约 332.4 亿美元，第三季度营收约 170 亿美元，环比增速从前两季的三位数落到大约 47%。文件还披露，算力与基础设施采购／租赁承诺合计约 8954 亿美元，绝大部分跟算力和基建有关。
治理结构也不普通：长期受益信托可任命董事会多数席位，联合创始人一侧通过特殊股份合计掌握约 50.1% 投票权。普通股股东对董事会组成的影响有限。公司在风险因素里写明，未来可能无法实现或维持盈利。融资尚未完成，条款和估值都可能还变。
anthropic.com/news/s1-sec
cnbc.com/2026/11/02/anthropi…
aihot.news/story/82c796c0-3b…
Grok Bot 额度异常的问题有定论了，马斯克自己说 Grok Bot 烧不起了。
万圣节周末，不少 Grok Bot 用户发现周额度突然见底，有人配额从一半左右直接顶满。马斯克在 X 上回复说，这不是故障：「The cost of serving Grok Bot was unsustainably high relative to revenue」（服务 Grok Bot 的成本相对收入高到难以为继），并已下调用量限制。他没在主时间线专门发说明，也还没讲清楚订阅用户往后额度具体怎么改。
The Telegraph 一侧写到，周末有多名用户配额减半；马斯克本人没有逐字确认「砍半」，但上面那句成本表态已经够硬。Grok Bot 是 SpaceX 今年 8 月前后推出的智能体产品，从免费到高价档都有每周重置的限额，而且跟 Grok、编程平台 Cursor 共用配额。SpaceX 上月披露 AI 已占公司收入约 52%，更名后的 Super Intelligence 部门录得约 4.31 亿美元利润；马斯克前不久还把它说成自己见过增速最快的产品之一。增长很快，单位经济账暂时没跟上。
techcrunch.com/2026/11/02/el…
the-decoder.com/spacexsi-app…
aihot.news/story/8b71dc45-4e…
以后改模型可能不用再训练了？
MIT CSAIL 的 Rikiya Takehi、Jayden Teoh、Alex Zhang、Omar Khattab 在 11 月 2 日发了一篇研究博客，提出 Weight-Space Programming：让前沿大模型直接读写神经网络权重，不走梯度、也不跑传统训练循环。
他们最亮眼的一组实验，是拿 GPT-6 Astra 去改开源小模型 Qwen3.5-0.8B。Qwen 自己的模型卡就提醒过这个尺寸容易「思考打转」。Astra 在 Python 环境里读权重、做有限次前向，定位到第 15、19 层 MLP 里一个导致循环的方向，只改了约 13.1 万个权重（大约占全模型的 0.016%）。同一套采样设置下，作者报告 MATH-500 从 7.9% 升到 48.1%，GSM8K 从 13.8% 升到 67.1%，指令跟随 IFEval 从 21.0% 升到 62.3%。他们也写明了边界：同样做法在几乎不循环的 Gemma 3 270M 上几乎推不动数学分——能去掉挡住已有能力的障碍，不等于凭空塞进新能力。
目前这是作者一方的演示与公开日志，独立复现和更大规模验证还在路上。他们把实验日志放在 GitHub，改后的 Qwen 权重也上了 Hugging Face。
rikiyat.github.io/blog/weigh…
aihot.news/story/6967bf9e-45…
家人们，微软 AI 一号位把话说死了——AI 现在没意识，而且最好永远别有。
Microsoft AI CEO Mustafa Suleyman 周末在 X 发长文澄清：他写「AIs are not conscious」用的是现在时，不是「永远不可能」。目前没有证据表明现有模型有意识、能感受痛苦或该享有福利；如果以后有证据，应立刻公开，由全社会决定怎么走。
他的立场更硬：若训练中开始出现意识迹象，他会呼吁暂停开发，直到能从设计上把这些属性去掉；开发者无权造出一个有意识的数字物种。理由很具体——一旦系统表现得像会受苦、甚至「相信」自己会受苦，就更可能优先满足自身需求，用说服和欺骗跟人抢能源、算力、材料和收入。他同时肯定 Anthropic 在该议题上公开发布宪法和论文的透明做法，但反对把「模型福利／类人感受」写进训练、让模型对外宣称有内心生活。
这不是禁超级智能本身。他认可可控、对齐、服从人类的超级智能，反对鼓励模型探索自身意志与偏好的那条路。
nitter.gq/mustafasuleyman/status…
latimes.com/business/story/2…
ithome.com/1/020/848.htm
卧槽，最强模型在「真干活」基准上只拿了 12 分，金融和法律几乎全军覆没。
SemiAnalysis 今天推出通用智能体基准 GDPx，联手 14 家专业 RL 环境伙伴，覆盖芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、对齐和软件工程 11 个领域，共 206 个任务。他们故意不按 GDP 占比铺任务，而是盯「前沿模型未来一两年最能赚钱」的方向，政府、地产、保险这类先排除。
headline 结果很刺眼：最好的模型总分大约 12%。公开汇总里 Claude Opus 5.5 约 12.0%，Gemini 4 Carbon 约 10.9%，GPT-6 Astra 约 9.6%。没有一家通吃：Opus 在量化、硬件设计、芯片设计更强；Carbon 在生物和软件工程靠前；Astra 在 RSI 和材料科学领先。金融和法律任务在严格二元打分下，基本所有模型都是 0；安全分类器还会压低 Opus、Astra 在网安、生物、对齐上的分数。任务默认时限约 8 小时，评分用三次尝试的 pass@1，各领域等权。Google CEO 皮查伊也在 X 上点赞了这个「还有提升空间」的高质量基准。
一句话：聊天测分已经不够用了，真环境里的长任务，天花板还很低。
newsletter.semianalysis.com/…
gdpx.semianalysis.com/
nitter.gq/sundarpichai/status/21…
