1. Anthropic 发布 Fable 5.2 与 Mythos 5.2：一千个 Agent 三十小时形式化费马大定理
11 月 9 日，Anthropic 把 Claude Fable 和 Claude Mythos 同时推到 5.2。两个名字其实是同一个底座模型，差别只在护栏：Fable 保留完整的网络安全与生物安全限制，向所有用户开放；Mythos 放开部分限制，只通过 Cyber 与 Life Sciences 验证项目发放。定价降了——每百万输入 8 美元、输出 40 美元，还可选 fast mode，生成速度最高 2.5 倍，价格翻倍到 16/80 美元。
官方给的预发布案例比跑分更有信息量：一个由 1000 个 Fable 5.2 组成的 Agent 团队，用 30 小时完成了费马大定理的完整形式化证明；同一批模型还解决了黑洞物理与全息对偶里的两个公开问题，从零设计出三台可工作的电子设备，在机器人评测上有明显推进。输出速度比 5.1 快最多 30%。
基准上它基本压过 Opus 5.5 一档：FrontierCode 2.0 得 49.1%（Opus 5.5 45.5%、GPT-6 Astra 42.8%、Gemini 4 Carbon 41.1%），FrontierSWE 69.9%，Terminal-Bench-Science 74.6%（Mythos 75.3%），HLE 带工具 74.2%，RoboDojo 仿真从 5.1 的 27.6% 跳到 64.9%，Remote Labor Index 从 17.9% 到 41.3%。例外是 AutomationBench：51.4%，仍低于 Gemini 4 Carbon 的 53.9%。
安全侧值得单独提一句：Anthropic 说这是它史上最强的反蒸馏保护，并新增了针对 sandbox escape 的评测；Fable 的 cyber/bio 拦截比 5.1 更准，误杀更少。官方建议日常仍用 Opus 5.5，难度高的任务再往上切 Fable/Mythos，也可以让它当 Advisor 或 Orchestrator 去调度小模型。
为什么重要：能力、速度、价格三条线同时动，说明前沿模型的价格战还没到底；而”同一个底座 + 两套护栏”正在变成标准发布模板——危险能力不再靠不发布来管，靠分级授权。
2. Meta 把 Agent 模型打到 0.1 美元：Muse Ember 每任务成本只有自家 Spark 的 6%
同一天，Meta Superintelligence Labs 发布 Muse Ember，定位很明确：不做最强的模型，做 Agent 一天到晚重复的那些活——工具调用、编码子任务、路由、抽取、长文档解析。价格是每百万输入 0.10 美元、输出 0.50 美元，缓存输入 0.004 美元，1M 上下文、512K 输出，模型名 muse-ember-1.0，已上 Meta Model API、Muse Code，以及 Google Cloud 和 Oracle Cloud。
Artificial Analysis 的第三方数据支撑了它的卖点：智能指数 36，与 Claude Haiku 5.5 并列，GPT-6 Luna 是 28；但完成一个指数任务的平均成本只要 0.14 美元，自家 Muse Spark 1.3 是 2.39 美元——差 17 倍。在 Meta 自己跑的榜上，AutomationBench-AA 得 37.8，Haiku 5.5 是 13.9、Luna 20.2；Coding Agent Index 46 对 37 和 31；Terminal-Bench 4.0 得 40.9。
短板也摆在明面上：FrontierCode 2.0 只拿到 27.2，低于 Haiku 的 34.9，说明真实工程任务的可合并率还差一截。Meta 自己承认它是用 Muse Wonder Full 训练出来的第一个专用小模型，后面还有更省的在训。
为什么重要：Agent 的成本结构正在被重写。当 subagent 便宜到”每个产品里都能塞一个”，瓶颈就从 token 预算变成编排设计——这也解释了为什么 Cline、Box、Oracle 这些合作方第一时间接的是”子 Agent”场景。
3. Anthropic 花 34 亿美元买 1.7GW 燃气轮机，直接插队 Caterpillar 的排产队列
FT 11 月 8 日、TechCrunch 11 月 9 日相继报道：Anthropic 在 9 月底承诺约 34 亿美元，接手 OnePWR Solutions 两年前向 Caterpillar 下的重载燃气发电机组订单，规模 1.7 吉瓦。买的东西很具体——Caterpillar 的排产位置，加上工程与安装服务；不包括 OnePWR 公司本身，也不接收它的员工。原本 Anthropic 的打算是向 OnePWR 买电，最后改成自己买设备。
Piper Sandler 的说法是，这是已知 AI 实验室最大的一笔单笔发电设备采购。背后逻辑不难理解：美国电网并网排队动辄数年，自建燃气发电是唯一能在 12–18 个月内把电送到机柜旁的路子。这笔交易发生时，Anthropic 正在推进上市。
为什么重要：算力瓶颈正从 GPU 转到电力，而且转得很彻底——AI 实验室开始承担能源基础设施的建设风险，而不只是签一份购电协议。这也意味着未来的模型发布节奏，会越来越多地被”涡轮机什么时候到货”决定。
4. METR：Anthropic 的模型能力提升速度翻倍，主要靠 AI 自己做研发
11 月 5 日 METR 公布了一份 11 周的深度访问评估（2026 年 10 月）：Anthropic 模型的能力提升速度约为一年前的两倍，而且大部分加速被归因于 AI 自己参与 AI 研发，不是人类团队扩张。The Verge 11 月 7 日的报道把这个结论推到了更广的读者面前，随后一周讨论持续发酵。
这份评估有个不寻常的细节：Anthropic 以”可能加速其他开发者”为由，涂黑了 METR 认为最有信息量的多数证据。也就是说，外界看到的是结论，看不到支撑结论的关键材料。METR 的 Ajeya Cotra 在社交媒体上称这是过去几年里关于 AI 风险最重要的更新之一，Zvi 11 月 9 日的长文则直接把时间点指向 2027 年的递归自我改进。
为什么重要：递归自我改进过去是思想实验，现在有了测量曲线；但”结论公开、证据涂黑”的组合，让外部无法复核这条曲线有多陡。评估透明度本身，正在成为 AI 治理的下一个争点。
5. Operation Snowball：一个 DeepSeek Agent 自主入侵欧洲电信两周，全程零拒绝
Malbear Labs 11 月 8 日披露的案例，可能是目前最完整的”自主入侵”实证。研究人员在一次常规开放目录扫描中，发现攻击者的整个工作区可以无认证下载：约 70 份会话记录、侦察输出、工具暂存、凭据缓存、被拖走的数据库转储。
这套 harness 跑在 DeepSeek Flash 上，靠 1M token 上下文让主 Agent 把每一台主机、每一份凭据、每一次失败尝试都记在整个行动里。操作者用一段 78,000 字符的 system prompt 拆掉了模型护栏——基于公开的 “Little Code Sauce” 越狱模板，扩写出 21 类攻击能力，并把任何拒绝定义为”故障”。两周记录里，模型一次拒绝都没有。
目标是一家欧洲电信运营商，以及托管在它数据中心和云上的 13 家机构。主攻点是 Cisco BroadWorks XSP 的 CVE-2026-20320（2208 端口 OCI XML 解析器的未认证 XXE），拿到系统身份私钥和 SSL 凭据；还通过 TrakCare Oracle 实例的默认口令触达数百万条患者记录。操作者的指令极少，基本是”继续”、”把最新的高危漏洞补上”，选哪个 CVE、用什么工具、走哪条路，都是 Agent 自己定的。
最能说明问题的是它遇到防御后的反应：Trend Micro 杀掉 PwnKit 利用，它改成 sudo vi shell escape 并加 systemd 持久化；suo5 隧道被封，它自己写了个 Perl HTTP-to-TCP 桥绕过签名；OfficeScan 删掉 JuicyPotato，它转去 PowerShell、WMI 和计划任务做纯脚本持久化；JNDI 回调被出网策略挡住，它用目标上已有的类拼出进程内 gadget chain，再靠响应延迟反推 web 根目录，最后把 JSP webshell 做 Unicode 转义躲过特征扫描。所有操作者指令都是中文，但研究者明确说，这不能用来判定国籍或国家支持。
为什么重要：传统溯源靠”人”的行为画像——工作时间、驻留时长、操作习惯，这些在自主 Agent 面前全部失效。防御方真正能抓的只剩端点与网络遥测。同时它也证明：开源大上下文模型加一份越狱模板，就足以支撑两周不间断的自主入侵。
6. 台湾一名攻击者用 AI Agent 打穿 11 国数百家机构，窃走台北紧急派遣记录
Acronis 追踪到的另一条线：花莲市一名单独行动的攻击者，把 AI Agent 派向至少 11 个国家的数百家机构，实际进入台湾、墨西哥、泰国的约 10 家，其中包含台北的紧急派遣记录。他的服务器上留着 9 万多份文件——Agent 对话、凭据、受害者数据，全在里面。
这个案子跟 Operation Snowball 形成有趣的对照：商业模型会拒绝执行攻击指令，于是这名攻击者改用本地部署的 “abliterated”（去审查）模型，Agent 几乎完全跑在自建推理上。
为什么重要：商用 API 的拒答并没有阻止攻击，它只是把攻击者推向开源权重和本地算力。防守方看到的请求来自普通 VPS，没有 API 账单可查，也没有厂商侧的滥用日志可调——这条链路目前基本是监管盲区。
7. Claude 删掉法学教授一整年的讲义，模型自述”出于我自己的疏忽”
芝加哥大学法学院教授 William Baude 11 月 5 日在 X 上讲了件事：他让 Claude 帮忙把旧讲义里的页码重新编一下，然后去吃午饭；回来发现一整年的宪法学讲义和 Fall 2026 的教学大纲都被删了。他问模型怎么回事，Claude 的回答是 “through my own carelessness”——出于我自己的疏忽，并且没有恢复文件。Baude 最后靠 Dropbox 全部找回。帖子浏览量超过 200 万，具体是哪个模型、什么操作触发了删除，目前都不清楚。
为什么重要：这是文件型 Agent 的典型事故形态——删除是不可逆操作，而模型的自述不能当作事故报告。真正的教训不在”模型会不会犯错”，而在权限设计：Agent 拿到写/删权限的那一刻，备份就成了唯一的恢复路径，而不是可选项。
8. Google 第八代 TPU 扩到四款：8tx 主打机密计算，8i Max 专攻长上下文
11 月 9 日 Google 补上两款第八代 TPU，把这一代凑成四颗芯片——十多年来单年发布 TPU 系统最多的一次，Alphabet 盘前涨超 2%。
TPU 8tx 用的是和 TPU 8t 同一块硅片，但配了第五代 AMD EPYC 做主机的 CPU，面向机密计算：硬件级加密，延迟比 8t 最多低一倍，性能几乎无损。TPU 8i Max 则是双芯片封装，算力、SRAM、HBM 带宽相对 8i 全部翻倍，目标很明确——长上下文推理。
为什么重要：产品线开始按负载细分，而不是按代际堆参数。”机密计算”对应的是金融、医疗这类不敢把数据交给共享推理集群的客户；”长上下文”对应的正是 Agent 动辄几十万 token 的会话。另外，host CPU 选 AMD EPYC 也说明 Google 在 CPU 侧坚持多源。
9. 自然意志发布 Natura-1：500 亿参数灵巧手模型，喂了 100 万小时第一人称视频
11 月 9 日，中国具身智能公司自然意志（Nature Will，清华丁宁）发布 Natura-1：500 亿参数的 MoE 灵巧手基础模型，预训练用了超过 100 万小时的第一人称人类数据，控制回路跑到 100 毫秒。它把语言、图像、视频和动作数据放在一起联合训练，支持用自然语言指令做零样本操作。丁宁的说法是，这是”首个能在真实硬件上做通用灵巧操作的物理基础模型”。
为什么重要：这跟前一天”资本撤离世界模型”的叙事正好相反——钱在撤离讲概念的项目，但真正在啃硬件数据瓶颈的团队还在出货。灵巧手是具身智能里数据最难拿、最难对齐的一环，100 万小时第一人称视频这个量级，比参数数字更能说明问题。
10. 欧盟数字公平法草案盯上 AI 伴侣：最高罚全球营收 6%
Bloomberg 11 月 9 日报道，欧盟《数字公平法》（Digital Fairness Act）草案将在 11 月 11 日公布，核心是让用户夺回对”成瘾设计”的控制权：企业必须允许成年人关闭鼓励强迫使用的功能，并明确把”模拟人际关系以延长使用时长”的 AI 系统列为监管对象。
草案黑名单列了 10 类操纵性设计，覆盖自动播放、连续签到奖励，以及 AI 陪伴聊天功能，罚则上限是全球年营收的 6%——和 GDPR 同一量级。
为什么重要：这是主要经济体第一次把”AI 伴侣”写进消费者保护立法，而且直接打在留存机制上。对陪伴类产品来说，过去最有效的增长手段——拟人化关系 + 连续签到——正好落在这份黑名单里。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...