AI早报 | 2026年11月9日（周一）：资本撤离世界模型、编码 Agent 全对率仅 26.4%

1. 资本正在撤离”世界模型”：10 月相关融资只剩 5 起

量子位访谈了多位一线投资人和世界模型公司融资负责人，得到的结论很一致：上半年”没模型没产品讲概念”也能拿钱，下半年连投资意向书都难发。头部基金愿意出手的项目”一只手数得过来”，受访者给出的名单高度重合——自然意志（清华丁宁）、逆矩阵（北大陈博远、吉嘉铭）、物原科技（吴海旭）、LiberAI（00 后刘松铭），加上大厂子弟蚂蚁灵波。财联社创投通数据显示，10 月物理 AI 及世界模型相关一级市场融资仅 5 起，明显减少。

估值溢价的消失有具体参照：8 月 19 日宇树科技登陆科创板，首日股价一度冲到 1100 元、市值约 4449 亿元，10 月 15 日又跌到 404 元；连有产品和商业化基础的头部机器人公司都能这样调整，没证明规模化应用的模型公司该值多少钱，投资人开始重新算账。更标志性的是退出路径——9 月底 AMD 拟以 82 亿美元收购李飞飞的 World Labs，10 月《华尔街日报》称亚马逊在洽购 Decart，价格约 70 亿美元。

为什么重要：一个至今没有统一定义的技术方向（渲染器、模拟器、规划器混着叫，定语越加越长），靠概念融资的窗口正在关闭。剩下的钱集中押注”顶尖高校 + 明星研究者”这一种画像，与上半年”万物皆可世界模型”的热度正好相反。

来源

2. 编码 Agent 真实考场：最强模型全对率只有 26.4%

阿里与多所亚洲高校用真实用户的改版需求搭了新基准 Co-Design Bench：给一个已经存在的 Web 应用，让 Agent 按用户请求改，输入可能是图片、录音、视频或文档。十个模型里 GPT-6 Astra 表现最好，平均满足约 70% 的需求点，但完全做对的只有 26.4%；多模态赛道 41%，仓库级任务不到 18%。Claude Opus 5 和 Qwen3.8-Max 紧随其后，Grok 4.6 垫底。任务里同时混入布局、设计、交互、内容四类改动时，所有模型成绩一起掉。

两个发现值得记：一是算力不解决问题，GLM-5.2 在小改动上烧掉 GPT-6 Astra 近 6 倍 token，分数仍显著更低；二是 harness 与模型同等重要，同一个 Qwen3.8-27B 在大改任务上，换环境能从 75% 掉到 56%，两个模型的排名也会互换。作者因此建议榜单永远同时标注模型和运行环境。

为什么重要：旧基准已经被自检自修的 Agent 打到 99% 以上，失去区分度；而 Co-Design Bench 与 WebCompass-edit 之间差着 35 个百分点。这与 METR 早前的结论一致——AI 生成代码的实际采纳率比 SWE-bench Verified 分数低约 24 个百分点。真实项目里”差一个细节没做完”，仍然是常态。

来源

3. Karpathy 用一个周末做出 HackerTube：Claude 读完 20 年 HN 评论

他让 Claude Opus 5.5 把 Hacker News 二十年积累的 4300 万条评论过了一遍，筛出社区反复推荐、共 6454 个视频，做成 HackerTube：不登录、不用算法缩略图、只显示视频中间一帧，状态存在浏览器本地。他的评价是”比 YouTube 自己的推荐体验好得多”。紧接着他又用 Claude Code 3 分钟做了个 TristanTube，收录 Tristan Hume 频道列表里的 4.7 万个视频。

Karpathy 说自己几乎把所有活都交给了 Claude Code，从数据分析到服务器配置，人工步骤只有申请 Google Cloud API key、租服务器、买域名三件。他的判断是：过去要几周的项目，现在几小时能完成。

为什么重要：这不是”AI 写了个玩具”，而是一个人用模型替代了数据清洗 + 前端 + 部署整条流水线。当个人项目的时间成本降到小时级，被压缩的其实是”要不要开始”这个决策本身。

来源

4. GitHub 撑不住了：OpenAI、Anthropic、Cursor 各自重造代码托管

11 月 3 日 GitHub 状态页一天记录两起故障，4 日合并请求又异常。原因是 AI 写代码太快：一个人过去只推一份改动，有 Codex 后同时准备几份，每次推送还触发一堆自动化任务。OpenAI 11 月 2 日公开内部 Git 后端 Pando，4 月起承接真实流量，一次推送的中位耗时降了近八成；同时据 Axios，OpenAI 拟收购代码托管工具公司 Pierre，其 Trees/Diffs 早已接进 Codex，Code Storage 客户包括 Lovable（每周新建超 800 万个仓库，峰值每秒 250 个）。

Anthropic 走得更远：今年 5 月日均合并约 2500 项改动，9 月已超 3 万项，CI 每天取代码约 2500 万次，数百个 Git 镜像维护不动。7 名工程师借 Claude 花 5 个月造出自研版本控制系统 Scion（客户端按需取文件，历史、提交、合并交给服务器），连同审查工具 Antique 把主代码库整个迁走。Cursor 的 Origin 8 月开放早期测试，正赶上 GitHub 那次持续 7 小时 47 分的故障。

为什么重要：AI 编程的上限不只由模型决定，还由”存代码、审代码、合代码”这套二十年的基础设施决定。三家同时选择绕开 GitHub，说明瓶颈已经从生成侧移到了协作侧。

来源

5. 腾讯的 Agent 布局不止 WorkBuddy：数据、安全、托管三层一起上

腾讯全球数字生态大会两天 40 多场发布，应用层只是入口。汤道生的判断是：企业落地 Agent 最大的难题不是模型不够强，而是”断点太多”——AI 能写方案做分析，却接不上业务系统、拿不到企业数据。应用侧推出跨应用协同体系 Buddy One，把 WorkBuddy 从个人助手变成团队助理，接腾讯文档、网盘、乐享和研发设计工具。

真正的基础活在三层。数据层：TDSQL Nexa Lakebase 把存储、事务、分析、搜索和 AI 计算放进一套体系，DataBuddy 提供统一语义层，腾讯内部同模型同问题的问数准确率从 83.5% 提升到 95.9%，某头部银行接入 100TB 数据后查询从分钟级降到秒级。安全层：新一代云安全中心做 Agent 资产盘点和行为审计；无境让 Agent 扮黑客，43 分钟在教育 SaaS 里找出 9 个漏洞、34 分钟在医疗预约平台找出 11 个；天御风控 Agent 30 秒检索 37 条情报、扫 2140 万笔订单，自动生成三条策略，回测组合拦截率 98.2%、误伤低于 0.02%。工程层把部署运维打包成 AgentHosting（Lighthouse Agent、ClawPro、SkillHub、Octop）。

为什么重要：AWS 与 dbt Labs 那个案例说得很清楚——Agent 把营收算成 1136 万美元，多算 350 万，问题出在没关联退款表、没排除测试账号，是数据层而不是模型层。谁先把语义和权限补齐，谁的 Agent 才敢真正上岗。

来源

6. Nous 开源 Arete-27B：5280 万 token 微调，把”宣传味”从 22% 压到 0.9%

基于 Qwen3.8-27B 的 27B 稠密模型，纯 SFT、没有用强化学习，只花了 5280 万 token，就把模型回答里的宣传性内容从 22% 降到 0.9%，与 Muse Glimmer 30B、Gemma 4 31B 的 0.5% 处在同一量级。事实召回均值从 2.32 升到 2.98（满分 5，仍落后同级），Hermes Bench 65.60% 对基座 65.77% 基本无损，Terminal-Bench 2.1 在自家 harness 上从 67% 到 70%，Nous 明确表示不把这点提升算作功劳。

权重以 BF16 放在 Hugging Face，Apache 2.0，训练数据与评测集同样开源（MIT），4-bit Q4_K_M 约 17.2GB，社区 GGUF 从 8.64GB 到 53.81GB 都有，llama.cpp、LM Studio、Ollama 可跑，GGUF 版本还带图像投影器。

为什么重要：对齐不必非得大动干戈。一份小规模、定向的数据集就能改掉一个模型的表达倾向，而且几乎不付能力代价——这意味着”模型立场”正在变成一个可配置项，而不是训练副产品。

来源

7. Google 开源 Elephant-Goldfish：先审规格再写代码，5 轮零上下文评审

它不是模型，是一个 Apache 2.0 的 Agent 插件：Elephant 负责起草规格，Goldfish 负责挑错。规格在写任何代码之前要过 5 个阶段的零上下文评审——评审者是全新的 subagent，看不到主会话的历史和被评审者的自我辩解。可直接装在 Antigravity、Claude Code、Codex、ChatGPT 等 harness 上。

测试记录很具体：Antigravity CLI 1.4.5 跑通 16 个原生 reviewer，各阶段按序执行；Codex 0.163.0 用 15 个 reviewer 加 2 个实时测试，耗时 573.13 秒；带 v0.1.0 ZIP 的 Codex CLI 全量套件 482.30 秒通过。与 GitHub Spec Kit、Kiro、Superpowers 相比，差异在于把”审规格”放在人类和代码之间，而不是靠人在阶段之间手动把关。作者也承认短板：部分 CLI 上 reviewer 的隔离不彻底，宿主机的指令文件仍会泄漏进评审上下文。

为什么重要：编码 Agent 出错，多数不是语法问题而是”做错了东西”。把评审前置到规格阶段，等于把返工成本从改代码挪到改文档——这也是 Co-Design Bench 那类基准暴露出的真正痛点。

来源

8. 高通：端侧 AI 正从单点功能走向智能体，MoE 是关键一步

高通 AI 产品技术中国区负责人万卫星在进博会期间给出了一条演进线：影像是最早在终端落地的 AI，之后是语音识别、摘要、图像处理、实时翻译，如今这些单点任务的条件已经成熟；下一步是意图理解、任务编排、实时操作目标 App 这类系统级、规划类能力，也就是端侧智能体。

瓶颈在内存和功耗——手机、PC 上主流只能跑 20 亿到 30 亿参数的稠密模型，够做单点任务，做规划类任务完成度大约 60% 到 80%。MoE 的解法是只激活相关专家：20 个专家模块执行一个任务可能只调用 2 到 3 个，总参数可以做大而单次推理的算力不涨。高通的路线不是”只要端侧”，而是端云协同的”计算连续体”、端侧优先：云端是通用知识库，端侧掌握”你是谁、在哪、做过什么”的私人上下文，这才撑得起主动式服务。

为什么重要：过去两年端侧 AI 的卖点是”离线也能用”，现在变成了”知道你的上下文”。这个转向会同时改写芯片的内存带宽指标和 App 的交互形态——不是多加一个语音入口，而是让系统替用户编排应用。

来源

9. 更新：英伟达董事会启动独立调查，黄仁勋承认个人关系

英伟达董事会 11 月 8 日宣布，就”创始人兼 CEO 黄仁勋成为外国情报行动目标”的报道启动独立调查，由独立董事组成的委员会牵头、外部独立律师协助。董事会称目前”没有理由相信”国家安全或公司机密遭到损害，但表示会审查所有可得信息；黄仁勋支持调查并承诺配合。同日公司公开了他发给全员的说明，承认与新加坡芯片公司 Megaspeed 前高管 Alice Huang 存在私人关系并道歉。此前流传于美国政策圈的备忘录称，此人被中国国家安全部招募、任务是接近黄仁勋。

为什么重要：这是昨天”情报备忘录”报道的下一步——从媒体爆料升级为公司治理程序。在中美芯片博弈的敏感期，董事会请外部律师做独立调查，本身就是给监管和股东的一个交代。

来源 ｜ 来源

10. 《苦教训》作者再泼冷水：光靠算力不够，AI 科学”远未完成”

图灵奖得主 Richard Sutton 在 2019 年那篇《The Bitter Lesson》里主张：能随算力扩张的通用方法，终将战胜精心设计的人类先验。他最近的新文章被不少人读成对这句话的修正——算力本身不等于智能，AI 需要更聪明的新方法，这门科学”远未完成”。他此前的观点更直接：合成数据是”大错特错”，真实世界的复杂度远超任何模拟；语言模型训练完就不再学习，而需要的是不遗忘旧知识的持续学习，以及自带世界模型的智能体。

社区反应分裂。离开 OpenAI 的 Jerry Tworek 认为苦教训仍然成立，但投入的算力越多，算法越重要，很多维度还没被探索，把 transformer scaling 的阶段性成功与对苦教训的误读合在一起，”reward hack 了整整一代科学家的大脑”。Jayden Teoh 则说苦教训常被用来扼杀学术研究，一个想法不必永远扛住 scaling 才算贡献。Sam Altman 与 Dario Amodei 的立场相反：前者称 scaling 远未耗尽，还举了 OpenAI 模型证明数学猜想的例子；后者说 scaling 是一条看不到尽头的彩虹。

为什么重要：这场争论决定了钱往哪走。Sutton 自己在做 Oak Lab，Tworek 在做 Core Automation，一批新实验室押注预训练和强化学习之外的学习算法；而两家头部公司的技术路线本身就是这场赌局。

来源