【AI观察】2026-11-06 09:12 — METR 评估称 Anthropic 研发速度达历史基线两倍

METR 评估：Anthropic 的 AI 研发速度约为历史基线的两倍

METR 于 2026 年 8 月 12 日至 10 月 29 日在 Anthropic 内部进行了 11 周高权限评估，结论是 Anthropic 在「定义明确的任务」上的模型能力增速约为 2024 年 3 月至 2025 年 10 月基线的 2 倍（METR 表示真实值更接近 1.3–3 倍均不意外）。主要量化证据来自内部 AECI 基准：2025 年 10 月前约每年 15 分，之后约每年 29 分，即 1.9 倍加速（95% CI 1.5–2.8），相当于过去一年走完约两年的历史进度（大致从 Claude 2.1 到 Sonnet 4.5 的跨度）；不同基准子集与模型选取下的稳健性分析给出 1.1–2.9 倍。METR 认为约 80% 的当前加速来自 AI 辅助研发而非训练算力扩张（能确认加速不是来自训练算力增速加快），且未来 12 个月未观察到算法、算力、实验算力或数据方面的明显瓶颈。员工自报的 AI 加速倍数从 2025 年 1 月约 1.2 倍升至 2026 年 10 月约 12 倍。需要留意的是，Anthropic 以「避免泄露可加速其他 AI 开发者的机密」为由删改了 METR 认为最有信息量的大部分证据，METR 明确表示这份报告没有实现「对证据的透明」，公众只能更多地依赖 METR 自身的判断。

来源：METR | AlphaSignal

Mistral 推出 Studio，把 Le Chonk 模型接入团队协作工作流

Mistral 发布 Studio，将其开源权重大模型 Le Chonk（即 10 月 29 日发布的 Mistral Large 4）接入面向团队的协作工作流，官方口径是「Le Chonk 提供大脑，Studio 让它干活」。这标志着 Mistral 在开源权重路线上从「发布模型」转向「发布产品界面」，延续其以开源权重模型对标中国厂商、同时靠企业工作流变现的策略。该页面由 QuickOnlineTips 的聚合面板收录，正文细节以官方页面为准。

来源：Mistral AI

Hugging Face 推出 Phonon TTS：端侧高质量语音合成

Hugging Face 发布 Phonon TTS，主打在设备端运行的高质量语音合成，官方称多项指标超过同类基准。这延续了开源社区把语音生成从云端大模型向端侧小模型迁移的趋势，与 Apple 推进设备端模型、以及 Apple Intelligence 进入中国市场后对本地推理的需求相呼应。具体架构与评测细节以官方博客为准。

来源：Hugging Face Blog

spaCy 作者质疑 MIT「Astra 修改 Qwen 权重」研究：三项能力被包装成一项「读脑术」

量子位报道，spaCy 作者、Explosion 联合创始人 Matthew Honnibal 发长文质疑 MIT 团队「Astra 仅修改 Qwen3.5-0.8B 的 0.016% 权重就把数学成绩从 7.9% 提升到 48.1%」的研究，称其「存在严重误导」。Honnibal 指出论文实际展示三项能力：读权重（仅凭原始权重数字识别小网络任务）、写权重（不依赖环境反馈直接生成参数让小网络玩打砖块）、修复大模型（改 Qwen 部分权重提升数学）。前两项确实只读原始权重，但条件极其苛刻——权重数字直接放入上下文、不允许运行 Python、不允许执行目标网络，且参数规模仅 1.7 万到 17.2 万；而最引人注目的 Qwen 数学修复实验中，Astra 并未直接读取原始权重，而是被授权使用 Python 并最多进行 50 次前向测试，通过观察模型表现来分析修改权重。Honnibal 认为把两种方法打包，容易让读者误以为小模型上的「读脑术」可以同等规模地应用于 8 亿参数的大模型，实际更接近「场外教练」。但他同时承认，让 AI 被提示去设计并执行原本只有人类 ML 工程师才能完成的任务（写代码分析甚至直接修改网络权重）本身是巨大进步——一两年前的模型在这些任务上都会失败。真正的问题在于成果的呈现方式。

来源：量子位

Google DeepMind 为 Google Antigravity 推出化学信息学技能包，一小时完成新药设计迭代

Google DeepMind 发布面向 Google Antigravity 的 Cheminformatics Skills，把化学信息学工具链（基于开源 RDKit，并接入 ChEMBL 与 PubChem）封装成 agent 可调用的技能，让语言模型负责工作流编排、数据库导航与科学推理，确定性化学工具负责分子计算。论文以真实肺癌药物为案例演示「刚性化」这一经典药效提升技术：agent 从论文与专利文献中检索并提取克唑替尼与洛拉替尼的类似物，几分钟内取回数千个化合物、过滤缓冲液与溶剂等无关分子并标注来源，得到 568 个 curated 化合物并自动提示其中宏环大多被预测为可穿透血脑屏障（对常转移至脑部的肺癌很重要）；随后做匹配分子对分析（MMPA），显示环化减少可旋转键数量并普遍提升活性；再用不同特征集与架构训练多个活性预测模型并按 scaffold 划分验证集；最后基于以上结论设计新的刚性化宏环分子，给出电子推动机理图、官能团化前体与环化反应的合成路线，并用上一轮训练的模型预测各设计的活性，产物可导出到主流化学软件。作者同时强调边界：稀疏数据、实验间测定噪声与窄动态范围限制了预测精度，计算设计只是可检验的假设而非成品药物。Antigravity 的 Science 插件已上线，DeepMind 另向 1 万名科学家提供 6 个月的最高用量档免费额度。

来源：Google DeepMind

斯坦福 DSPy 接入 HELM：结构化提示平均提升基准 6%，七个榜单五个重排

斯坦福一项新研究（arXiv:2511.20836）把 DSPy 声明式提示框架接入 CRFM 的 HELM 评测套件，发现基准分数同时度量「模型能力」与「对静态评测提示的兼容性」。在 HELM 标准提示之外替换为一小组结构化提示方法后，平均性能提升 6%，并在七个基准中的五个上改变了模型排名——当模型被评测到接近其提示调优天花板时，排名会发生翻转。增益主要来自 Zero-Shot chain-of-thought；BFRS、MIPROv2 这类优化器增加的是 token 而非准确率。较小的开源模型受益最大，而 o3 Mini 这类推理模型对提示选择基本不敏感。作者指出，团队在生产中选模型时可能因此在测试其最擅长提示格式之前就低估某个有能力的模型，在医疗基准上这种排名变化可能影响验证与采购决策。覆盖范围包括 MMLU-Pro、GPQA、GSM8K、IFEval 以及 MedCalc-Bench、Medbullets 等医疗基准。代码以 HELM PR 与独立 dspy-helm pipeline 形式开源。

来源：AlphaSignal

Prism ML 发布 Ternary-Bonsai-2-9B：三值权重把 9B 视觉语言模型压到 2.42 GB

Prism ML 发布基于 Qwen3.5-9B 的三值（取值 {-1, 0, +1}）视觉语言模型 Ternary-Bonsai-2-9B，默认 GGUF 打包把语言主干从 FP16 的约 17.9 GB 压到 2.42 GB（约 7.4 倍压缩），视觉组件单独发布。权重矩阵（嵌入、注意力投影、MLP 投影与语言模型头）均以三值存储并配每共享组的 FP16 缩放，自定义内核在推理时直接读取打包表示，避免完整 FP16 副本；分块 Hadamard 旋转被折叠进存储权重，运行时对激活施加相应变换以摊平离群值、降低三值映射误差。提供三种打包：PTQ1_0（2.00 GB，最小、密集三值）、PQ2_0（2.42 GB，默认、解包最快）、Q2_0（2.56 GB，兼容上游 llama.cpp）；最小格式需 Prism ML 的 llama.cpp fork 提供三值内核。模型继承 Qwen3.5-9B 的混合注意力与 262,144 token 上下文窗口，内置 MTP 投机解码并可选 DFlash2 drafter。限制在于运行内存高于文件体积，且使用完整 262K 上下文会显著增加内存与延迟。该仓库下载量已超 89.6 万、获 3700 赞。

来源：AlphaSignal

只用 IMU、编码器与足端力传感器，四足机器人学会走崎岖地形

来自 IIT、TU Delft、特伦托大学、曼彻斯特大学与 DLR 的研究团队在 Unitree Go1 上验证了一种不依赖 LiDAR、深度相机或 RGB 相机的低成本方案：仅用机器人自带的惯性测量单元、关节编码器与足端力测量，把地形建图、接触检测与状态估计耦合进同一个概率循环，而非三个独立模块。研究指出「伪接触」（pseudo-contact）是分离式架构特别致命的问题——足端触地但测得力低于固定阈值时，控制器会把该腿判为摆动，错误的接触状态进而污染地形图、机身高度估计与用于平衡的支撑模式。新方案把地形、接触与本体状态估计合并后，基座位置平均绝对误差比解耦基线降低 64.8%、方差降低 47.2%；控制 barrier 函数为全局危险规避与局部机身倾斜安全提供数学保证。成果发表于 IEEE CASE 2026。局限在于安全性只在机器人已经踩过的区域得到保证。

来源：AlphaSignal

NeuralCrop：把 LPJmL 作物模型改造成可微分的混合模型，产量相关性提升 80.6%

慕尼黑工业大学、波茨坦气候影响研究所等机构的团队提出 NeuralCrop（arXiv:2512.20177）：在 LPJmL 这一动态全球植被模型基础上，把部分不确定的计算环节改写为可训练函数，使整个模型支持自动微分——训练信号可以穿过整个生长季回传。训练分两步：先让模型模仿 LPJmL，再用通量塔观测与产量数据端到端微调。在历史评估中，欧洲小麦的产量相关性比原始过程模型提升 80.6%，美国玉米提升 25.6%，并在干旱年份的产量异常上优于 AgMIP 多模型集合中位数；在一张 H100 上的运行速度比 LPJmL 在 128 核 CPU 节点上快若干数量级。作者强调该预印本聚焦气候影响分析与作物风险模拟，并未验证一个可投入业务的下一季预报系统，代码也尚未公开。

来源：AlphaSignal

纯语音 Personal Agent「Orilo」：百川智能联创再做一次「Her」式助手

量子位深度体验了纯语音个人助手 Orilo（创始人焦可为百川智能联合创始人，团队今年初启动项目，此前产品「来福电台」在几十万用户规模下做到次日留存 50%、30 日留存 10%+）。产品逻辑是 Voice-first 且切中「早晨」这一信息处理最密集、双手却被牙刷和咖啡杯占住的场景：设备放在一边，人只靠语音接收信息、随时插话下指令。三个核心能力：只属于自己的晨报（不只播报发生了什么，还基于长期记忆解读「这事对你意味着什么」）；7×24 小时替用户盯住长尾信息源并主动汇报；一句话闭环操作链条（听早报时说「帮我看下邮箱」，两三秒提炼要点，甚至主动提醒「孩子学校今天提前放学，需要我加个日历吗」）。技术上把交互层与执行层拆开：前端挂超低延迟轻量语音模型负责即时应答与情绪捕捉，后端挂高推理 Agent 执行读邮件、调接口、查日历；并用「边干活边闲聊」的控场能力（含 hmm、uh 等拟声词）填满后端执行的十几秒空白，避免「对话已终结、操作没结果」的死寂。在 Full-Duplex-Bench 中，被用户打断后重新开口耗时 1.08 秒为全场最快（GPT Realtime 1.50 秒、Gemini Live 2.62 秒）。代价是鲁棒性下降——实测中出现过后端没调通接口、前端却一本正经回复「全办妥了」的情况。目前仅支持英文。

来源：量子位

Krea2_Asian_Character LoRA 登上 Hugging Face 趋势榜，下载量约 86.4 万

社区用户 fidel1234 发布的 Krea2_Asian_Character LoRA 登上 Hugging Face 趋势榜，外部估计下载量约 86.4 万（Hugging Face 未提供该仓库的原生下载计数，故为估计值）。该适配器用 AI-Toolkit 在 Krea 2 Raw 上训练，面向日式角色风格，数据集为手工策划，包含特写、中景、全身与多角度构图；同时兼容 Krea 2 Raw 与 Krea 2 Turbo 两个检查点，遵循 Krea「在 Raw 上训练、在 Turbo 上运行」的工作流。推荐权重 0.8–1.0、推理步数 20–30 步效果最佳。基座为 12B 参数的 Diffusion Transformer，原生支持 ComfyUI。许可是 MIT，但下游使用仍需遵守基座 Krea 2 Community License。其价值在于给开发者一个具体样本，用来评估 Krea 双检查点策略——Raw 提供灵活训练基座，Turbo 用蒸馏实现 8 步出图，能在两者间干净迁移的适配器可以缩短从微调到交互式或生产推理的路径。

来源：AlphaSignal

135M 参数的越南语句子编码器月下载量突破 85 万

Vo Van Phuc 的 sup-SimCSE-VietNamese-phobert-base 在 Hugging Face 上月下载量突破 85 万，被 22 个以上公开 Space 使用。这个已有四年历史的检查点以 RoBERTa 风格的越南语预训练模型 PhoBERT 为骨干，用监督式 SimCSE 微调：同一句子以不同 dropout 掩码编码两次，对比目标把两者拉近、把 minibatch 内其他句子推远，再加入自然语言推理标签（蕴含对为正例、矛盾对为困难负例），最终为每句输出 768 维向量。评测表现不均衡：ViRerank 得 69.46、MNLI-R 得 87.74，在越南语重排基准上领先，但开放检索明显落后于较新的 vietnamese-bi-encoder。使用要点：PhoBERT 的预训练管线使用分词后的越南语（音节间带下划线），因此需先用 pyvi 等工具把「đại học」转成「đại_học」再交给分词器，查询与索引文档要做同样的预处理，已分词文本不应重复分词；应保留越南语声调符号；可直接接入 sentence-transformers，最适合作为越南语 RAG 与语义搜索管线中的第二级重排器。

来源：AlphaSignal

拼多多让年轻人造「草莓工厂」，多多农研科技大赛把方案搬出 PPT

量子位报道，拼多多旗下多多农研科技大赛的最新一届把「AI 种地」从方案竞赛推进到真实产出：年轻人团队在约 170 天的周期内用 AI 与农学知识搭建可控环境「草莓工厂」，最终把论文里的产量与品质指标落到实际采摘的果实上。赛事的价值在于把温室环控、作物模型与数据驱动决策做成可复现的闭环，也让农业 AI 的评测标准从「PPT 上的准确率」转向「单位面积产出与商品果率」。

来源：量子位

Anthropic 把「AI 研发加速」列为关键风险指标，METR 评估正是其独立验证安排的一环

METR 在报告中说明，Anthropic 已把「AI 研发加速」列入其《负责任扩展政策》（RSP）的关键风险指标，但本次评估并未围绕 RSP 的具体阈值展开，而是尝试拼出 AI 驱动研发加速的整体图景。评估由 METR 投入 2.5 个全职人力、历时 11 周，聚焦三个问题：内部能力增速是否加快、加速中可归因于 AI 的比例、以及近期是否存在会拖慢增长或限制加速的重要瓶颈。该合作于 8 月中旬启动，与 Anthropic 在 10 月 15 日宣布的独立评估安排（含向 METR 提供「类员工」访问权限、并与 Hugging Face 等机构早期接触）相互独立。METR 同时提示，Anthropic 删改了多项关键瓶颈的分析内容，因此其结论存在不可忽视的不确定性。

来源：METR | Anthropic News

当「基准」本身成为变量：从 DSPy-HELM 到 Astra 争议的评测方法学提醒

本轮两条学术新闻指向同一个方法论问题：我们习惯把分数当作「模型能力」的代理，但它同时度量了模型对特定评测条件的兼容性。DSPy-HELM 显示，仅替换提示策略就能让平均分提升 6%，并在七个基准中的五个上重排座次；MIT「Astra 修改权重」被质疑的要点则是，把参数规模相差三个数量级、交互方式完全不同的实验放进同一篇摘要，会让读者把「小网络上的读权重」误读成「大模型上的读心术」。可操作的结论是：选模型与定安全基线时应把「评测协议」当作变量而非常量，并明确区分「模型知道什么」与「模型被允许怎么表现」——尤其在以 METR 式高权限评估为依据做风险判断时，能看到的证据本身也受制于被评估方的删改权。

来源：AlphaSignal | 量子位 | METR