AI早报 | 2026年11月5日（周四）：腾讯Hy4开源、Kimi K3.1 Pro权重放出

1. 腾讯混元 Hy4 正式开源：第一次能看图、能点鼠标

11 月 4 日，腾讯把 Hy4 从 preview 推成正式版，并直接开源。官方给它的定位是”Hy 系列首次进入最强开源模型行列”，相比 preview 同时放大了预训练和后训练规模，最实质的变化是首次加入视觉能力与 computer use——模型可以在 CLI 和 GUI 里操作软件，针对 Blender、CAD 这类专业工具以及跨应用的长程工作流做了定向训练。

数字比形容词更清楚。游戏开发能力比 preview 提升 19.1%，游戏逻辑提升 9.8%，这部分训练数据是和腾讯互娱（IEG）的专业开发者一起筛的，并适配了 Unreal、Unity、Godot。金融场景里，腾讯金科（FiT）拉了 213 位金融从业者（其中 153 位来自头部机构，七成以上有五年以上经验）做 579 项真实任务评测，Hy4 在开源模型里排第一，得分 3.04，高于 DeepSeek-V4.1-Flash-1017 的 2.97、Kimi K3.1 Pro 与 GLM-5.3 的 2.68。更值得看的是内部评测的幻觉率：从 preview 的 15.76% 降到 5.45%，推测性错误从 23.1% 降到 5.6%。

还有一条容易被忽略的细节：Hy4 配上自家的 Hyra 2.0 harness，自动优化了内部预训练基础设施，并自主训练出一个在同架构小模型上超过官方 Jev 基线的变体。腾讯同时开源了这条流水线产出的两个基础模型 HyCell（单细胞表征）和 HyPDE（物理场建模）。这套”模型改进模型”的闭环，比任何单榜成绩都更接近官方口中的”递归自我改进”。

来源

2. Kimi K3.1 Pro 放出权重：2.8 万亿参数，激活 104B

同一天，月之暗面把 Kimi K3.1 Pro 的权重传上了 Hugging Face。这是一个原生多模态的 agentic 模型，MoE 架构，总参数 2.8T、每 token 激活 104B，93 层，896 个专家里选 16 个、另有 2 个共享专家，上下文 1048576。注意力的改法很具体：把 K3 里全注意力的 Gated MLA 换成 Gated DeepSeek Sparse Attention，93 层里是 69 层 KDA 加 24 层 Gated DSA，为的是让百万上下文更省算力。权重用 MXFP4、激活用 MXFP8，是量化感知训练出来的，视觉编码器 MoonViT-V2 只有 401M。

榜单上它没有全面领先，但位置很稳。Terminal-Bench 4.0 拿到 65.7，对比 Claude Opus 5.5 的 66.4、GPT-6 Astra 的 58.2、Claude Fable 5.1 的 57.9；SWE Marathon v1.1 51.7，是这一列最高；BrowseComp 92.1、HLE-Full 带工具 70.0、Agents’ Last Exam 43.2。反过来，Terminal-Bench-Science 只有 38.1，远低于 GPT-6 Astra 的 68.1；HLE-Diamond 39.4，也输给 Astra 的 65.8 和 Opus 5.5 的 60.9。

换句话说，这是一个在”写代码、跑终端、查资料”三项上够得着闭源顶配的开源模型，但在最硬的科学推理与高难知识题上还有明显缺口。对一个 2.8T 的开源权重来说，这个组合已经足够改变”开源只能跟跑”的叙事。

来源

3. Ripple-65B：3200 万美元训出美国开源 agentic coding SOTA

Ricursive Intelligence 发布了 Ripple-65B Preview，一个从零训练、仅 650 亿参数的稠密模型，在 TerminalBench 2.1 上拿到 80.52，官方称这是美国开源权重的 SOTA，并且超过了四个比它大一个数量级的对手：Reflection Beam 501B（80.1）、Meta Muse Spark Open 816B（76.4）、Thinking Machines Inkling 975B（63.8）、NVIDIA Nemotron 3 Ultra 550B（56.4）。SWE-bench Pro v2.0 Hard 拿 79.1，DeepSWE 1.1 为 44.3。

真正扎眼的是成本：整个研发加训练只花了 3200 万美元，包含预训练阶梯、数据配比、评测、调试、合成数据、后训练配方开发和最终的主训练跑。按官方说法，这是上一个 agentic coding 开源 SOTA 训练成本的十分之一。底座用了 12 万亿 token 预训练，支持 1M 上下文，后训练没有外购任何数据，全部自建合成数据管线加覆盖度指标。

稠密小参数的直接好处是能落地：模型可以在 DGX Spark 这类内存带宽相对低、算力相对高的本地设备上跑。它已在 Hugging Face、Together AI、GMI Cloud、OpenRouter 上线。Ricursive 的主业是用 AI 设计芯片，这个模型是他们芯片设计平台所用私有模型的通用版本——”用 AI 设计更好的芯片，再用更好的芯片训更强的 AI”，这条闭环现在有了公开的第一步。

来源

4. OpenAI 收购 Pierre：为了让 Git 跟上写代码的智能体

11 月 4 日，OpenAI 宣布收购 Pierre Computer Company——Code Storage 和一批开源开发工具的背后团队。如果你在 Codex 里浏览过文件、审过 diff，其实早就在用他们的东西：Trees 负责快速导航项目文件，Diffs 负责展示改动并允许在 diff 里直接改那一行，最近发布的 Highlights 是一个能跟着打字或跟着智能体流式输出实时更新的语法高亮器。

这笔收购的动机写在新闻稿的措辞里：当越来越多代码由并行的智能体写出，围绕 Git 的那套系统需要重做。OpenAI 本周早些时候刚公开了 Pando——自研的源代码管理后端，同时服务工程师和智能体；买下 Pierre 是想把”智能体开的第一个分支”到”代码上线那一刻”整条链路都拿在自己手里。官方承诺 Pierre 的开源项目会继续开源，Code Storage 的客户在交割后仍可继续使用，功能会逐步并入 Codex。交易仍需监管批准。

值得注意的是方向：过去两年的编程智能体竞赛集中在模型能力，现在开始转向协作基础设施——谁掌握代码存储、审阅和版本控制的入口，谁就掌握了智能体产出的必经之路。

来源

5. Anthropic 用 zkSNARK 证明”这句话确实是这个模型说的”

Anthropic 公布了一项偏底层的研究：给大模型的推理过程做可验证的密码学证明。问题陈述得很直白——你今天和一个模型对话，无法确认回复真的来自开发者声称的那个模型，而不是路由服务为了省钱偷偷换掉的，也不是被攻击者篡改过的 token 流。光看输出质量判断并不可靠。

他们做出的系统叫 FlashProve。在 Llama 4 Maverick（400B 参数的 MoE）上，单张 H100 生成证明的速度约 110 tokens/秒，每 1024 token 请求的证明大小约 19MB，权重用 4-bit 量化、prefill 用整数运算。代价是约 70 到 95 倍于 vLLM 直接跑推理的 GPU 时间——不快，但比此前开源系统快了若干数量级。系统承诺隐藏模型权重，但不隐藏架构。

更能说明工程态度的是交付物：技术报告、一份由 Claude 撰写的协议规范、可执行代码（一个 prover、两个 verifier，其中 C++ 版追求速度，Lean 版追求可证明正确）、以及用 Lean 写成的顶层安全性定理证明，全部 Apache 2.0 开源。Anthropic 自己也承认，Claude 擅长优化但常做出难以评估的决定，所以用 Lean 把”我们声称的安全保证”变成可机器检查的命题。这套东西短期不会进入消费产品，但它是”AI 合规审计”从口头承诺变成可验证事实的必要零件。

来源

6. 百度 ApolloWorld：虚拟路测跑一天，等于真车跑三年

百度 Apollo 披露了自动驾驶世界模型 ApolloWorld，核心指标只有一句：它一天完成的虚拟路测里程，相当于一辆配安全员的真实测试车连续行驶约三年。参照系是这样算出来的——100 万公里约等于地月距离的 2.6 倍，单辆车每天跑 150 公里需要连续 6600 天，即便上百辆车同时上路也要两个多月。

技术上它不是简单的场景回放。传统仿真用的是”非响应式回放”，无人车改了策略，周围车辆仍按原轨迹走，测不出真实交互。ApolloWorld 把虚拟道路上的车辆、行人都建模成有决策能力的智能体，每个都有自己的目标和行为逻辑，会根据无人车的动作改主意：无人车驶上高架，支路车就顺势汇入；改走辅路占了空间，对方就减速等待。车流密度、其他车的驾驶风格（谨慎或激进）都能调。

更关键的是”完整行程级”——不是单场景，而是从同一地点出发驶向不同目的地、经过数十个路口、持续二三十分钟的一整趟 Robotaxi 行程，相机与激光雷达观测全部由世界模型实时生成，靠知识蒸馏把推理速度压到能跟上驾驶决策。ApolloWorld 已用于萝卜快跑（覆盖全球 28 城）的全球化测试；百度新一代 L4 端到端模型架构也已在国内一定规模车辆上实际运营，正在替换传统方案。用 AI 教 AI 开车，这句话第一次有了可量化的产能。

来源

7. ChatGPT 会用 Images 2.6 做 GIF 了：给一句话，出一段会动的图

OpenAI 上线 Images 2.6，ChatGPT 和 Codex 现在可以把文字提示或上传的照片变成 GIF 动画，用户能调节播放速度、逐帧编辑。官方演示的提示词是”做一张猫跳舞的 gif”，返回若干个细微变化的版本，像翻页动画一样串起来。

技术上值得说的是跨帧一致性：角色在多帧之间保持可辨认，而更早的模型往往第一帧和第二帧就不是同一只猫了，这是过去做这类动图的真正门槛。除了 GIF，Images 2.6 整体也更快了；面向开发者，API 侧同步放出 GPT-Image-2.6 “Flare”（走效率）和 “Sunburst”（走质量）两个变体，这两个代号在 2.5 时就已出现。

OpenAI 顺带给了个量级：目前通过 ChatGPT 和 API 每周生成的图片超过 40 亿张，比 9 月多了 10 亿。图像生成的竞争已经从”能不能画对”转向”能不能稳定地画出连贯的一小段动作”，这一步跨过去，表情包、分镜、商品动图这些场景的门槛会塌掉一大截。

来源

8. 招商局狮子山发布「驭物」：35B 只激活 3B，十项具身基准全涨

招商局先进技术研究院下属的狮子山人工智能实验室发布了具身推理视觉语言模型 「驭物™ Lion-ER-35B-A3B」。MoE 架构，总参数约 35B，每 token 只激活约 3B，在十项主流具身相关基准上全部指标上涨，多项核心能力超过参数量更大的模型。

它的技术路线是反潮流的：不堆数据。团队先把具身推理拆成实体、空间、时序、物理、可供性、任务、社会、证据 8 个一级领域、39 项二级能力，做成一张”能力蓝图”，再用所谓”能力编译”把抽象能力落成具体题目——需要什么场景、怎样组织观察、提什么问题、依据什么定答案。构题走三条路（从已有 QA 转换、从素材中找证据、从结构化关系推导），校验也走三条（数据提纯、几何构题、定向合成），原则是”保留有证据的难题，排除缺证据的伪难题”。

监督训练集最终是 312380 条样本，训练预算按能力需求分配而不是按数据源题量分配。评测不再是结课成绩单，而是下一轮数据生产的起点：错题先进 Eval-Driven Data Harness，核查标注与证据、区分偶发失误和系统性短板，再从覆盖 31 个数据源、约 430 万条记录的素材池里检索”推理逻辑相同、场景不同”的新素材补进去。比如模型容易把画面二维上下当成三维高低，团队就专门挑有上下多层支撑面的场景。

这套做法的意义不在榜单，而在于它证明了”数据工程 > 数据规模”。机器人要在真实世界里可靠干活，缺的从来不是更多视频，而是能被验证的、覆盖能力盲区的题目。

来源

9. 虎鲸文娱「鲸锐AI」上线：AI 视频单分钟成本省 30%

11 月 4 日，虎鲸文娱集团的 AI 影视制作与管理平台 鲸锐AI 正式上线，官网开放全员注册，积分即充即用，团队席位不限人数。平台集成了市面上 50 余个主流 AI 视频模型和 10 余个自研模型，无限画布支持千级节点、百人实时协同。

它想解决的是”抽卡”这件事。平台把场景、人物表演、摄像机、虚拟片场、光影调节做成五类精控套件，配 35 类工具、300 余项精控能力，让每一镜的意图可以表达、复现和微调。按官方实测，同一人、同场戏、同时长条件下，制作时长可缩短 40% 到 60%；借助 AI 人脸修复、9 种真人影视质感增强、AI 绘景和自研超分 HDR 方案，可直接输出 4K/60 帧/10bit/HDR，相比”导出—后期—回传”的传统流程省约 65% 成本；整体算下来，AI 视频单分钟成本比用提示词加单模型的传统方式节省 30% 以上。

背景数字也很能说明为什么这块地现在这么挤：国家广电总局披露，今年前 8 个月全国上线微短剧 43 万部，AI 生成类占比超过九成。当画面本身不再稀缺，能按专业标准稳定交付一整部作品、并且把成本算清楚，才是不被替代的那部分。

来源

10. RTX Spark 笔记本装 Linux：推理速度只剩 35%

HN 上一个 558 分的热帖，把一个很具体的问题摊开了：在 MSI Prestige、Asus ProArt、Dell XPS 这些搭载 NVIDIA RTX Spark 的笔记本上装 Linux 是可行的，桌面、GPU 加速、4K 120Hz、音频触控板配好了都能用——但插上电源后，GPU 被锁在约 780MHz，而 Windows 下能跑到 2.2GHz 以上。

原因是一个 Windows 独占的组件：NVIDIA Platform Controllers and Framework，负责 CPU 与 GPU 之间的功耗调度，Linux 下没有对应实现。它的功耗表是加密的，只有 Windows 驱动能解密，所以 Linux 侧既读不到也写不了。实测在 GPT-OSS-120B 上，Windows 是 65.4 tokens/s，WSL 65.1，DGX Spark 61，而同一台笔记本原生 Linux 只有 13.9——正好是 35% 那个说法。

还有个附带麻烦：笔记本默认给 GPU 预留 96GB 统一内存，只有 Windows 提供调整这个切分的开关，不调 Linux 就看不到多少内存。目前最实用的折中是 WSL——它跑在 Windows 驱动栈上，插电和用电池都能保持满血加速，同时还能跑 vLLM 这类 Linux 优先的工具链。真正的修复得等 NVIDIA 把平台控制器的功耗管理逻辑移植进 Linux 驱动，那一步做完，这台笔记本才算变成便携版 DGX Spark。对想买来当本地推理机的开发者，这个坑值得先看清楚再下单。

来源