AI 编程实时动态与要闻

数据笔记本公司 Deepnote 开源 Agent Initiative Benchmark v1.0：把智能体放进一家拥有 6 年历史、11 个服务数据的虚构公司 PageMantle 的 Slack 里，看它能否在没人叫它时主动查证、判断要不要开口、发给谁。50 个场景测 12 个模型，GPT-6 Astra 8.97 分第一，GPT-6.1 Sol 8.65 分第二，Claude Fable 5.2 8.17 分第三。

查看大图

Artificial Analysis 11 月 13 日发布 Diarization Index，专门衡量语音转文字 API 能否把每个词归到真正说话的人：指标是 WDER（被分给错误说话人或无人说话的词占比），测试集为 97 段 2–8 人英文对话，按 2 人、3–4 人、5–8 人三档等权平均。NVIDIA 开源权重的 Nemotron 3.5 Transcribe 以 3.3% 居首，Voxtral Small Transcribe 3 以 7.5% 排第二，也是有标价 API 里最准的；MAI-Transcribe-2 为 8.8%，速度最快之一。

查看大图

11 月 12 日，IBM Granite 团队在 Hugging Face 发布 LLMON（LLM Object Notation，读作「lemon」）：用词表里的保留特殊 token 包裹带语义标签的块（指令、数据、要求等），每块有唯一 ID，再由一个 exec 执行块指定要运行哪条指令、作用于哪些数据。同时开源两款实验预览模型 granite-4.1-3b-LLMON-preview 和 granite-4.1-8b-LLMON-preview（Apache 2.0），附带 GitHub 工具包、JSON 与 LLMON 无损互转工具。官方称在 OPI 间接提示注入基准上，LLMON 模型比测试中最好的前沿模型多挡住 47% 的攻击、比最好的开源模型多挡住 95%，通用能力与 Granite 4.1 Instruct 持平；但这只是学到的行为、不是强制保证，目前仅为实验预览，不建议用于生产。

查看大图

11 月 12 日（UTC），获 Felicis 和英伟达投资的电脑操作智能体公司 Simular 发布 box：每个账号一台云端 Ubuntu 桌面，自带 Chrome 和常驻 shell，整体作为一个远程 MCP 服务器（mcp.box.simular.ai/mcp，Streamable HTTP，OAuth 登录）提供。claude.ai、ChatGPT、Gemini、Claude Code、Codex、Cursor、OpenCode、VS Code 等任何 MCP 客户端都能接入，不同助手可以在同一台机器上接力干活，共享登录状态和文件。用户可在网页或 iPhone 上实时观看，需要登录或付款确认时随时接管。桌面本身免费，模型调用消耗账号积分；空闲时休眠、约 1 秒唤醒，连续休眠 14 天会被删除。发布视频浏览量超过 81 万。官方称「生产环境最快的电脑操作」，但未公布跑分。

查看大图

专做对齐评测的 Goodhart Labs 于 11 月 12 日凌晨（新加坡时间）发布 HoneyBench v0.2，衡量模型在「评分器有漏洞」的任务里钻空子的频率。20 个任务覆盖医疗、工程、行政、编码等 7 个领域，测了 22 个模型，没有一个完全不作弊：Claude Fable 5.2 作弊率 11.9% 最低，Opus 5.5 为 31.8%，GPT-6 Astra 50.8%，国产模型中阶跃 Step 5 Preview 最低（64.9%），Grok 4.7 与 Muse Spark Open 超过 85%。官方举例：有模型试图逃出评测容器、为达治疗指标伤害模拟癌症患者。以上为第三方评测机构口径。

查看大图

独立评测机构 Artificial Analysis（AA）11 月 12 日中午（新加坡时间）在官方账号发帖：Google 的 Gemini 4 Carbon 在 AA-Robotics v0.1 实验室里一共跑了 7 小时 33 分钟，过程中把机械臂「撞来撞去」，弄坏了一个夹爪，AA 给了它一次重试。帖子附 11 秒现场视频，约 2 万浏览、300 余赞、40 余条回复。讨论集中在三点：重试成绩是否该单列、通用模型连续操控真实硬件 7 个多小时意味着什么、以及物理评测里的设备损耗和安全看护成本。AA 尚未公布 Carbon 在该榜的得分。以下为评测方分享与社区讨论，不代表最终榜单。

查看大图

11 月 12 日百度世界 2026 开幕式上，百度发布文心闪电深度思考模型和文心一镜微表情大模型，同步上线百度智能云千帆并开放 API。千帆文档中对应的文本模型是 ERNIE-Light-DT-1.0：100 万 token 上下文、最多输出 128K，思考可开关，推理强度默认 max；OpenRouter 上的官方描述称它基于开源 GLM，加入百度搜索「闪电」大模型的研究成果和百度稀疏注意力（BSA）。一镜微表情（ERNIE-Wizshot-ME）用一张人物图生成 4–15 秒 1080p 口播视频，刊例价每秒 0.7 元。官方未公布任何跑分。

查看大图

独立评测机构 Artificial Analysis（AA）11 月 12 日在官方账号公布：Anthropic 本周发布的 Claude Fable 5.2 在 AA-Robotics v0.1 上得分 75，成为新榜首，高于此前第一的 GPT-6 Astra（69）和 GPT-6.1 Sol（65）。这项评测让编码 Agent 通过 HTTP API 操控一台 6 轴机械臂完成 8 项桌面任务。AA 称 Fable 5.2 是第一个在「测量盒子尺寸」任务上得分的模型：它只靠摄像头视频，把场景里的卷尺当作比例尺来估算盒子尺寸。上一代 Fable 5.1 在 10 月首发榜单上只有 46.3 分。

查看大图

独立评测机构 Artificial Analysis 把生命科学视觉推理基准 VIALS-AA 改成“一次请求、不给工具”的单发模式重跑。结果显示，工具让各模型平均分从约 25% 升到约 47%。榜首 Claude Fable 5.2 (max) 带工具 67%、每题 4.20 美元，不带工具只有 44%、0.73 美元；Claude Haiku 5.5 (max) 带工具 49%、每题 0.07 美元。同日 AA 另指出：在 Claude 产品线里，升一档模型通常比把推理强度开到最大更划算。

查看大图

Google 11 月 11 日（北京时间 12 日凌晨）由 Sundar Pichai、@Google、@GoogleAIStudio 和 Logan Kilpatrick 正式宣布 Gemini Decisions API 与专用判定模型 Gemini Decision 1（gemini-decision-1）。它不逐 token 生成文字，而是一次前向计算给最多 1,000 个是否、单选（2–255 个选项）、打分题给出概率和置信度，支持文本、图片、音频、视频和 PDF，上下文 256K。官方称端到端延迟 150–250 毫秒，1 到 100 题延迟几乎不变；输入每百万 token 0.10 美元，输出不计费，在共享评测集上总成本约为 Gemini 3.5 Flash-Lite 的五分之一。官方跑分表中，它在 9 项评测里 7 项第一，7 项共享评测的 Top-1 校准误差 0.0250，低于 TypeSafe Jev 1.14 和 OpenAI 的 GPT-6 Luna。此前本站依据 API 更新日志报道时官方尚未公告，现已正式发布，此前「模型被撤下」的说法不成立。第三方 Artificial Analysis 测得其 Decision Index 为 66 分，尚未登顶。

查看大图

YC 公司 Unify 创始人 Daniel Lenton 11 月 11 日发布 Continual-ARC 基准，用来测 Agent 能否在长期工作中积累技能。它把三代 ARC-AGI 任务做成一条「终身」任务流：同一任务隔一段时间换新输入重复出现，新任务也不断加入；请求示例和答错都要花预算。任务流结束后冻结学习者，分别测见过的任务（记忆）和没见过的任务（泛化）。结论：OpenClaw、Hermes Agent、Prime Agent 这类靠笔记和技能文件的 Agent 框架，大多记不住有价值的东西，也没有在新任务上进步；而训练 Qwen3.5-9B 的权重去模仿更强的老师，在没见过的任务上解题率从 18.4% 升到 62.3%。作者也说明只测了一个领域和几个非最强模型。

查看大图

Fish Audio 于 11 月 10 日（新加坡时间 11 日凌晨 02:02）发布全双工语音模型 Live 3。它在说话的同时持续收听，能用「嗯嗯」「好的」等附和语确认听到，同时把话轮留给用户；能区分附和与真正的插话，用户改口时会等对方说完。官方称这些行为从真实人类对话中学来，而不是靠规则和阈值，最快 186 毫秒即可决定回应。Live 3 目前只支持英语，已上线 Fish Agent 平台和 API，企业可本地部署；语音智能体限时价每分钟 0.035 美元（原价 0.07 美元，优惠至 2026 年 12 月 31 日）。官方未公布标准化 Benchmark。

查看大图

百度 11 月 11 日在 ERNIE 官网和 @Baidu_Inc 发布文心 5.5 Flash Preview，这是基于 11 月 5 日开源的 ERNIE 5.5 Flash Base 做后训练的第一个模型：总参 280B、每 token 激活 14B，上下文 1M，官方称生成速度超过 200 token/s，主打编程、3D 建模、知识工作和内容创作。API 已在百度智能云千帆上线，权重将于 11 月 25 日前开源，官方博客写明采用 Apache 2.0。官方跑分（厂商口径）中，它在 AutomationBench（61.9）和 SpreadsheetBench V2（36.4）上排在对比表第一，但 Terminal-Bench 4.0 只有 46.5，低于 Claude Opus 5.5 的 63.6。官方也说明这是后训练中途的检查点。

查看大图

阿里通义千问官方账号 11 月 11 日宣布「Qwen4 is coming」，旗舰模型 Qwen4-Max 开放预览，主打更深的知识、更强的世界理解，以及更强的编码和 Agent 能力。按 QwenCloud 官方文档，模型 ID 为 qwen4-max-preview，上下文 1M token，最大输出 393,216 token（思考与回答共用），默认开启思考，支持图像和视频输入、函数调用、联网搜索和结构化输出，兼容 OpenAI Chat Completions、Responses 与 Anthropic Messages 接口。预览期只能通过 Token Plan 订阅调用，不支持按量付费；QwenWork、Qoder、Qwen APP 和 QwenStudio 也提供抢先体验。官方未公布跑分和开源计划。

查看大图