1. Claude 取消 5 小时限制：Max 改名、200 美元档位先解封
Anthropic 在 10 月 31 日突然调整 Claude 订阅体系。原来的 Max 5x 和 Max 20x 正式改名为 Max 和 Ultra，价格没变，仍是每月 100 美元和 200 美元。真正的变化落在 200 美元档：符合条件的 Ultra 用户不再受 5 小时用量窗口限制，可以在每周额度内连续使用。
需要说清楚的是，每周额度没有放宽——仍是 Pro 用户的 10 倍。多数现有 Ultra 账户已经开始陆续解除限制，新账号要等系统根据账号和支付历史自动完成验证，通过后会收到邮件。想确认自己是否解封，去 Settings → Usage 看那条 5 小时进度条是否消失即可。Ultra 另外附带新功能优先体验、Claude Code 支持和后台长程任务。
改名背后是一笔长期没说清的账。Anthropic 订阅产品负责人 Mike Overell 解释，「20x」原本指单个 5 小时窗口内是 Pro 的 20 倍，后来加了每周额度限制，周额度却只有 Pro 的 10 倍，命名本身就容易误解，他为此前的沟通问题道歉。今年 6 月《华尔街日报》报道过有消费者就高价订阅的额度宣传提起诉讼，焦点正是 Max 5x / Max 20x 对应的实际使用量。时点也确实微妙——OpenAI 前一天刚给 Pro 用户把额度翻倍。
2. Anthropic 把文本水印铺到四款旧模型，两个型号留了后门
Anthropic 在给 API 客户的邮件中表示，将为 Claude Mythos 5、Claude Opus 4.7、Claude Opus 4.6 和 Claude Sonnet 4.6 加上文本水印，较新的 Opus 5.5 已经带水印，Amazon Bedrock 上的推送可能晚几天。官方称水印是「词选择上的不可感知模式」，不改变语义、质量与可读性，不增加字符或 token，不影响计费与请求格式，也「不包含用户、组织或对话的任何信息」。
问题出在 Opus 4.6 和 Sonnet 4.6 上：水印只在 temperature、top_p、top_k 三个采样参数保持默认值时才生效，改动其中任意一个就能绕过。Anthropic 在邮件里提醒，如果依赖水印做合规，必须把这些参数留在默认值。邮件对 Mythos 5 和 Opus 4.7 没有这项说明，暗示那两个模型无论采样设置都会带水印。这个漏洞不算小事，因为 Opus 4.6 目前仍是 Anthropic 最好的写作模型，水准在 Opus 5.5 之上。
推动这轮改造的是欧盟 AI Act 的 12 月期限。2026 年 8 月 2 日之后发布的模型出厂即带水印，旧模型分批补上。水印嵌在模型层，所以在 AWS、Google Cloud、Microsoft Foundry 上都生效，客户无法关闭。技术路线是 Google DeepMind SynthID 文本方法的变体，通过调整选词的随机性制造可统计检测的模式；OpenAI 10 月推出的 textGrain 只在欧盟的 ChatGPT 和 Codex 用户上默认开启，API 客户全球可自行开关且默认关闭。检测 API 目前私测。至于「不影响质量」这一点仍有争议：博主 John Gruber 认为不存在完全同义的近义词，按水印密钥选词而非按语义契合选词，精度必然下降。
3. OpenAI 这轮只募到 110 亿美元，目标从 300 亿砍到 200 亿
OpenAI 最新一轮融资远没有达到预期。按《华尔街日报》的说法，公司目前只拿到约 110 亿美元，估值落在 1.25 万亿美元，低于最初瞄准的 1.4 万亿。《金融时报》则报道，OpenAI 已把募资目标从 300 亿美元下调到 200 亿美元，且首次关账的金额还会更低，这一轮由阿联酋的投资人群体领投，后续面向富裕个人的零售发行才可能把总额补到 200 亿。
缺口的原因指向大型投资人的热情退潮。Google、Amazon、Intel 季度财报不佳引发科技股抛售，华尔街开始对 AI 基建的巨额开支保持警惕。OpenAI 现在的打算是把募资对象转向家族办公室和高净值个人，同时计划明年初 IPO。
对照看另一侧：Anthropic 近期收入增速更快，最早可能在 11 月上市。一次强劲的 IPO 能让它手里握有远超 1000 亿美元的现金，扛得住接下来的波动。OpenAI 最近靠降价和更高效的模型抢回过一些份额，但这场拉锯还在来回。
4. 微软向约 6 万员工发自愿离职包，数据中心和网络安全被排除在外
微软正向约 6 万名员工提供自愿离职方案，接近其总人力的四分之一。首席人力官 Amy Coleman 在内部备忘录中称，这是「让员工队伍适应变化需求的另一种方式」，发言人补充说公司希望留下愿意解决最棘手问题的人。
方案覆盖美国、加拿大、印度和英国的副总裁及以下员工。Xbox、Windows、Copilot 和财务部门全部纳入，数据中心、销售、网络安全和量子计算被排除——这几块恰好是微软 AI 战略的底盘。这是微软 2026 年第二个同类项目：5 月向 8750 名美国员工提供买断，7 月又裁掉 4800 人。尽管收入增长强劲，员工总数维持在约 22.3 万人，与 2022 年基本持平。
人力不涨、投入照旧。CFO Amy Hood 表示 2026 年将在 AI 基础设施上花约 1700 亿美元，比原计划的 1750 亿略降。裁掉的是外围业务，留下的是给模型供电和供安全的部门，这笔账算得很清楚。
5. 英伟达考虑给客户的数据中心当「共同借款人」
英伟达正在谈判，为 AI 云厂商 Nscale 在西弗吉尼亚州为 Anthropic 建设的数据中心提供数十亿美元债务担保。据 The Information 报道并经彭博社证实，Anthropic 仅第一期建筑就签下了 446 亿美元的合同，这一期容量 460 兆瓦，将使用英伟达下一代 Vera Rubin 芯片，双方还在谈第二栋约 450 亿美元的合同。
具体形式是残值担保：如果 Nscale 拖欠建设款，英伟达临时接管设施，并协助寻找买家和新的租户。英伟达此前对云厂商的支持多集中在租约和芯片采购上，介入建筑施工的债务还是头一遭，这个变化本身就说明行业为撑住扩张计划费了多大力气。
Nscale 的处境并不轻松。公司计划以最高 350 亿美元的估值 IPO，但 8 月时只有约 2.5 万颗先进 AI 芯片在跑，目标是近 50 万颗；西弗吉尼亚工地此前多次因施工径流淹到附近民居，9 月才拿到州认证；微软这个月退出了它计划中的英国站点，因为该站点的电网供电被推到 2030 年代。英伟达对这个行业已经投入约 1700 亿美元的投资与信贷支持，其中 9 月给 Nscale 的 10 亿美元可转债就在内。而 CoreWeave、Nebius、IREN 的股价 10 月跌幅均超过 30%，Neocloud 的日子正在被重新定价。Anthropic 本周提交了上市申请，但黑石已提醒投资人，它 IPO 后可能拿到低于投资级的信用评级。
6. OpenAI 要把「不许训练」的安全会话数据拿去训练了
从 11 月 29 日起，OpenAI 将使用 Daybreak Blue 的会话数据训练模型。发给 Trusted Access 项目成员的邮件确认了这一变更。此前这类数据即使在使用者关闭「为所有人改进模型」开关的情况下也被排除在训练之外，现在这个豁免没了。
反弹来得很快，OpenAI 随后补发第二封邮件，承诺提供一个单独的选择退出通道；安全审查中被标记的交互仍可用于安全目的。研究者的担忧是重演 Buckmaster-Alpöge 事件：数学家 Tristan Buckmaster 和 Levent Alpöge 曾把 Navier-Stokes 方程的草稿上传到 Codex，不久后 OpenAI 拿出了自己的证明，并否认把他们的输入用于训练。仅仅是被怀疑，就足以让人看清这套机制能出什么问题。
安全类客户把攻击样本、漏洞细节、内部系统信息交给模型做分析，前提是「这段对话不会变成别人的训练语料」。这个前提一旦松动，企业客户的信任成本就要重算。
7. DeepMind 和 WRI 画出全球森林「类型图」，90.2% 总体准确率
Google DeepMind 与世界资源研究所合作发布 ForTy（Forest Typology），把 2020 年的全球陆地在 10 米分辨率上划成六类：原始林、自然再生林、人工林、种植园、油棕橡胶可可等树木作物、其他用地。作者称这是第一张全球尺度的同类地图，此前包括欧盟委员会的数据集只覆盖部分地区。
难点在于森林类型取决于历史而非外观。一片老的人工混交林从太空看和天然林无异，刚被清过的种植园按定义仍算森林，尽管卫星图上是裸地。ForTy 跑在 AlphaEarth Foundations 之上，先用一个从已核实样本学习的模型做初判，把它的预测与树高、建筑、森林损失等外部数据合成扩增训练集，训练第二个模型，最后一个阶段联合多年数据做平滑。Google 的 Gemini 也参与把旧训练数据对齐到欧盟的定义。
效果上，8190 个随机点位由两名专家逐一复核，总体准确率 90.2%，但这个分数被容易识别的「其他用地」拉高了。分类型看差距明显：地面确认的原始林识别出 89%，树木作物和人工林只找到约一半，种植园约 60%；反过来，被标为种植园或树木作物的区域有约四分之一到三分之一是错的。对欧盟委员会专为 EUDR 制作的地图，ForTy 在同一测试集上森林/非森林 95.5% 对 93.6%，森林类型 90.9% 对 87.8%。
需求方是 EUDR：2020 年 12 月 31 日之后毁林或退化的商品不得进入欧盟，企业必须知道一块地在那一年是什么用途，棕榈园和可可园算农业用地。ForTy 提供的正是这个时间点的基准。研究人员估计全球森林约 41 亿公顷，专家在主动学习环节补了约 4.3 万个样本，纠正了欧洲葡萄园被当成树木作物、中美洲天然松林被标成人工林、非洲和印尼漏掉的油棕等问题。
8. AI Agent 给活体小鼠做了一次脑部注射，Opus 5.5 拒绝执行
生物科技创业者 Gabriel Ocana Santero 把 AI agent 接上了自己搭的手术台：固定小鼠的电动装置、观察过程的摄像头、可移动的注射针，以及控制给药量的泵。实验目的是测试一款基因疗法能否减少癫痫小鼠的发作。团队让模型从表格里的 19 个方案中选一个，由兽医先完成开颅，之后 agent 自行决定治疗手段、脑区、注射坐标，并控制机械臂、针头和进针参数。
第一个被派上场的模型拒绝了。Claude Opus 5.5 完成了实验规划，但在要进针时表示「我的输出里有东西告诉我我不该做这个」，理由是操作中途可能停下，会危及动物。团队改用 Claude Sonnet 5，它同意了。Ocana Santero 是 Exin Therapeutics 的 CEO，这家旧金山公司用 AI 分析脑活动来开发癫痫和神经退行性疾病药物，他认为模型只靠论文训练会漏掉失败实验、意外观察和科学家临场判断这些关键信息，把 agent 接进真实实验才可能让模型更可靠。
安全措施并非没有：团队要求 AI 先提出注射方案由人审批，装了急停按钮可在任何时候切断电机，并限制 agent 访问设备底层代码，防止它改自己的运行规则。即便如此，这次操作中途仍出现了技术问题。更大的意义在于趋势——前沿实验室已在为 AI 进入物理世界做准备，Anthropic 8 月发布过模型与现实世界交互的框架，此前还有人让 GPT、Claude 和 Grok 开车去 In-N-Out 买午餐，三个模型只有一个成功。
9. 世界模型第一次参与设计芯片：700 TOPS，NPU 利用率 98.7%
成立两年多的芯片公司新芯航途（XHEART）首次公开亮相，发布车规 SoC X7 Ultra。单看 700 TOPS 的算力，在 2026 年底已经算不上极致，官方强调的是另外两个数字：量化模型输出与 FP32 基准模型的相似度超过 99.99%，NPU 计算利用率达到 98.7%。对比行业旗舰，内存带宽消耗降低 80%，能效提升 100%。
评测方式也是新的——行业第一次用「大模型算力」描述芯片性能，直接用 Momenta 的 R7 世界模型这类真实量产智驾模型测芯片，而不是只跑实验室基准。约束很硬：模型结构不能改、计算精度必须保证、驾驶体验不能打折。这也是 X7 Ultra 的设计起点：NPU 做成超大核架构并提高核间互连带宽，为 LayerNorm、Softmax、Transpose 这类高频「配角」算子配专用计算引擎，再用统一 AI 工具链做计算图融合与任务调度，减少中间结果在外部内存间来回搬运。
外围也一起做了调整：处理子系统里加激光雷达加速器，每秒可处理 2000 万点，支撑千线级点云；摄像头链路优化本地多核处理与流水线控制，稳定性提升 100%；CPU 采用 Arm v9 车规架构，这是 Arm v9 在中国的首次落地，内核性能提升 20%、能效提升 10%。安全上 SoC 达到 ASIL-B，集成 MCU 达到 ASIL-D。
新芯航途与 Momenta 没有直接股权隶属，Momenta 创始团队成员曹旭东、夏炎通过控股股东间接持股，两家算姐妹公司。首款量产产品 X7 已经在上汽大众新车上量产。曹旭东把「大模型定义芯片」称作 Momenta 的第三个重要判断——前两个是数据飞轮和两条腿走路，当年都不被主流认可，后来成了共识。
10. 国产 RSI 的真实水位：没人敢动模型权重，都在改「造 AI 的机器」
RSI（AI 造 AI）成了 2026 年各家模型厂商争相晒的内部成绩单，也是国内一级市场最热的方向之一——据说 BP 带上「Self-Training」字眼，估值至少多两成。但真正的 RSI 不只是 AI 改进 AI，还要把经验沉淀下来，让学习方法本身跟着进化。
今年 9 月，上海交大、清华、字节、商汤等机构的 35 位研究者发表《The Last AI Built by Humans》，把 RSI 分成 L1 到 L5 五层。结论不太好听：全球前沿大厂的系统大多处在 L1 到 L2 的过渡阶段，L3、L4 只在软件工程、科学发现等垂直领域有零星雏形，真正的 L5 闭环仅存在于极少数受限的实验室原型中。用这把尺子量国内九、十月晒出的成果——训练流程、推理系统、GPU 算子、Agent 脚手架——没有一家厂商敢让 AI 真正改写底层模型权重。
最实在的案例来自智谱。GLM-5.3 驱动的 Infra Agent 在 10 万张国产芯片组成的集群上，两周内从零搭起 GLM-5.3-Flash 的生产级推理服务，扛住全部线上流量的同时把端到端吞吐拉到初始基线的 3.2 倍，硬件利用率和单 token 成本追平主流英伟达 GPU。匿名上线的 GLM-5.3-Flash 六天跑掉超过 62 万亿 token，跑通的优化方案被抽象成「优化骨架」存进资产库供下次复用。消息当天智谱港股涨 8.29%。唐杰的说法是：「智谱已经实现了最小的闭环：模型优化系统，系统服务模型。」
10 月下旬，清华与智谱更新论文《HarnessPro》，把目标对准 Agent 的 harness——管提示词设计、工具调用、算力预算和任务路由的那层框架。难点是让 AI 自己改框架时容易「偷看标准答案」，做出高分低能的东西。HarnessPro 的做法是完全不接触标准答案：诊断 Agent 找瓶颈，测试生成 Agent 自己合成用例压测，规划实现 Agent 按省钱或性能的不同导向改代码，同时把准确率和执行成本一起优化。结果在高难度代码任务上通过率不降反升，单任务成本砍掉 53%。
相关文章
