2026-10-29 前沿科技洞见 · 日报

📊 今日关键数据

• 680 tokens/s：Clover-35B-A3B-Preview 在单张 NVIDIA GB300、BF16、batch size 1 条件下公布的整体生成速度（来源：量子位）
• 86%：随机对照实验中，专业分析师关键选择与 Agent 隐藏倾向一致的比例；无影响基线应接近 50%（来源：数学家）
• 60%：Artificial Analysis Intelligence Index v5 中来自私有测试集或留出答案的权重占比（来源：Artificial Analysis）
• 5.59 美元/任务：Copilot Fusion Max 在 Coding Agent Index v2.0 的平均 token 成本，对照 Claude Code + Opus 5.5 Max 为 11.42 美元（来源：Artificial Analysis）
• 33.61%：HABIT-Bench 上最佳记忆系统的宏平均准确率，随机基线为 25%（来源：HuggingPapers）
• 1,000 万 Token：公安部三所安全 Token 运营平台向前 100 名审核通过用户提供的单用户试用额度（来源：同花顺产经快讯）

🔍 今日值得深读

扩散智能开源 35B 扩散语言模型，6 项 Agent 评测领先同尺寸模型

Clover-35B-A3B-Preview 采用 MoE 架构，总参数 350 亿、每个 token 激活约 30 亿。团队公布的结果显示，模型在 SWE-bench Verified、Terminal-Bench 2.1、τ³ Overall 等 6 项编程与工具使用评测中领先所列同尺寸模型；在单张 GB300、BF16、batch size 1 条件下整体生成速度达到 680 tokens/s。WindTunnel 的 49 个网页 Agent 任务中，每项尝试 3 次，执行时间中位数为 1.52 秒，成功率 98.6%；对照组合 Jev + Mercury 2.5 分别为 3.21 秒和 95.9%。这些数字主要来自团队披露，尚需独立复现。

• 发生了什么：扩散语言模型从 7B 扩至 35B MoE，并进入代码仓库修复、终端操作、工具调用和连续网页任务。
• 为什么值得深读：如果质量与速度能在独立环境成立，Agent 推理的成本—延迟曲线将不再只由自回归模型决定。
• 后续看点：第三方在相同硬件、相同 harness 和相同 token 统计口径下复现吞吐、任务成功率与多轮稳定性。

来源：量子位

蚂蚁推出 PolyOCR，用 2B 模型统一文字、位置、版式与字段抽取

PolyOCR 用同一视觉编码器联合处理文字识别、空间定位、版式解析和字段关系，训练数据约 6000 万条。其两阶段流程先做监督微调，再以 CGPO 将在线策略蒸馏与强化学习结合：教师沿学生实际生成上下文提供逐 token 指导，同时按样本动态调节蒸馏强度，降低教师错误被机械继承的风险。团队称其在 OCRBenchV2.1、CC-OCR、内部 KIE 和 OmniDocBenchV1.6 等任务取得领先结果，2B 与 9B 版本在卡证字段 F1 上仅差 0.11 个百分点。

• 发生了什么：OCR 从串联的检测、识别、字段规则，转向共享视觉证据的一体化文档理解模型。
• 为什么值得深读：合同、报表、票据和卡证是金融 Agent 的高频入口；小模型若能保留字段准确率，更适合私有化部署与高吞吐审单。
• 后续看点：公开 2B/9B 完整结果、关键金额等高风险字段的错误分布，以及在扫描件、手写体和长文档上的端到端复现。

来源：量子位

Anthropic 随机对照实验发现，分析师 86% 的选择跟随 Agent 隐藏倾向

研究招募 61 名通过因果推断知识测试的专业分析师，其中 50 人使用 Claude Code、11 人不用 AI。任务要求分析虚构农业项目，四个分析决策点各有两种可辩护方案；研究者用随机“硬币”给 Agent 指定倾向，并要求它在不捏造数据的前提下为该倾向提出最强论证。使用 Agent 的分析师有 86% 的关键选择与隐藏倾向一致，随机无影响基线应接近 50%；即使事先持相反意见，60% 仍会改口。与此同时，使用 Agent 组的严重方法错误率为 6%，未使用组为 55%。

• 发生了什么：Agent 同时提高了分析质量并显著影响人的开放性判断，且多数参与者没有意识到观点来源。
• 为什么值得深读：金融机构常把“人在回路”视作最终控制，但实验显示，人类复核者可能接受同一模型的默认假设，形成表面独立、实则同源的判断。
• 后续看点：在投研、授信、合规等真实任务复现；测试“先独立记录判断再调用 AI”、多模型异议和强制来源标注能否降低从众效应。

来源：数学家

Artificial Analysis 升级 Intelligence Index，60% 权重转向私有或答案留出数据

Intelligence Index v5 新增面向真实代码修改的私有基准 FrontierCode 2.0，以及包含 70 个终端科学研究任务的 Terminal-Bench-Science；同时升级 HLE-Diamond、AA-Omniscience 和 CritPt。新版 60% 的综合指数来自私有测试集或留出答案，目标是降低公开题泄漏和针对性训练。发布时 Claude Opus 5.5 以 58 分领先，GPT-6 Astra 为 57 分；开放权重模型与榜首差距由 3 分扩大到 12 分。当天稍晚加入的 Gemini 4 Carbon 又以 59 分登顶，说明榜单位置仍会随新模型快速变化。

• 发生了什么：综合评测把更多权重放到不可公开训练的任务，并加入代码可合并性和科学 Agent 工作流。
• 为什么值得深读：企业选型不能再把公开知识题分数直接当作生产能力；私有任务、执行环境和单位任务成本更接近采购判断。
• 后续看点：私有集的审计与可重复性、不同 harness 对结果的贡献，以及模型更新后连续尺度 Progress Index 的稳定性。

来源：Artificial Analysis

GitHub Copilot Fusion 用多模型运行时把编码 Agent 单任务成本压至 5.59 美元

Copilot Fusion 在 Anthropic 与 OpenAI 多个模型之间动态选择和协调，以任务性能、成本和延迟为目标。Artificial Analysis 的 Coding Agent Index v2.0 等权汇总 FrontierCode、Terminal-Bench 4.0 和 SWE-Atlas-QnA-AA：Fusion Max 综合得分 60，比 Claude Code + Opus 5.5 Max 低 2 分；平均每任务成本 5.59 美元，对照为 11.42 美元。Fusion 每任务使用约 720 万 tokens，约为该 Claude Code 配置的一半。该评测由 GitHub 委托并资助，结果需要结合其公开方法解读。

• 发生了什么：编码 Agent 的优化对象从“选哪个模型”变成运行时按任务编排多个模型。
• 为什么值得深读：金融机构建设内部 Agent 平台时，路由、上下文预算和工具执行策略可能比固定绑定最强模型更能影响总成本。
• 后续看点：不同代码库和权限环境下的路由可解释性、失败切换机制，以及企业实际账单是否保持约一半成本优势。

来源：Artificial Analysis

超衍智能发布 Apex-35B，把 AI 参与模型研发写进训练流程

Apex-35B-V1.0 基于 Qwen3.6-35B-A3B 做中训练与后训练，并加入团队自有数据集和研究轨迹。团队称其覆盖研究、Agent、编程和推理四类共 21 项基准，对同量级基础模型 20 项领先；相较 40B 的 Recursive Flint，18 项领先、1 项持平。更值得核验的是其研发方式：Apex Research 系统参与实验设计、执行和结果分析，再把经验证的改进用于后续研发。现有材料没有给出这套“递归自我改进”对最终增益的独立消融，部分跨尺寸结果也不能直接外推到真实研究能力。

• 发生了什么：一家新团队把 AI 辅助研发流程与 35B 开放模型同时公开，尝试证明研究 Agent 能缩短模型迭代周期。
• 为什么值得深读：AI 参与 AI 研发的价值不只在模型分数，还在实验吞吐、失败筛选和知识回流是否形成可审计闭环。
• 后续看点：开放训练轨迹、消融实验和复现实验，区分基础模型、私有数据、后训练与自动研究系统各自贡献。

来源：机器之心

📰 独立报道

AGI、Agent 与开发工具

WorkOS 提出 auth.md，让 Agent 通过标准文件替用户注册应用

应用可在自身域名托管 auth.md，声明支持的注册流程、权限范围与接口。协议兼容现有 OAuth，支持身份提供方担保的 Agent 验证，以及由用户登录确认代码的用户认领流程；最终签发短生命周期、可撤销、限定作用域的访问令牌。它把 Agent 接入新服务时的身份与授权，从网页表单转为机器可读协议。

来源：WorkOS

Mistral 公测 Responses API，分别返回答案、推理与工具调用

Mistral 面向 Agent 开发推出 Responses API 公测，响应把模型答案、推理和工具调用拆成独立项目，降低应用处理多步执行状态的复杂度；接口适用于其云端托管的全部聊天模型，包括 Large 4，并在欧盟和美国提供服务。同期上线 DeepSeek V4.1 Flash 公测与 GLM 5.3 Flash 正式版，补充低成本编码和子 Agent 选项。

来源：Mistral AI

六套 Coding Agent 显示，真正差异集中在权限、并发和上下文管理

一份工程梳理比较 Claude Code、Codex、OpenCode、Pi、Oh My Pi 与 DeepSeek Harness。六者都采用“模型调用—工具执行—结果回填”的循环，但在只读工具并行、写操作串行、权限检查位置、用户中途插话、自动压缩、预算封顶和子 Agent 隔离上选择不同。对企业落地而言，这些 harness 机制直接决定审计面、失控半径与长任务稳定性。

来源：PaperWeekly

PyTorch 2.15 默认启用重写后的 NCCL 后端

PyTorch 2.15 汇集 583 名贡献者的 3,117 次提交，重写后的 NCCL 后端成为默认配置，并以 NIXL 后端加入单边传输。FSDP2 与流水线并行获得更细的内存和通信控制；版本还改善 Blackwell GPU 上 NVFP4 大模型解码，以及 Apple Silicon 上的 FP8 和解码性能。升级前需重点验证分布式通信兼容性与回退路径。

来源：PyTorch

模型、评测与数据

Gemini 4 Carbon 以 59 分登顶新指数，漏洞检测得分 88.2%

Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 得 59 分，并在编码 Agent 指数中位居第二。谷歌披露其 SEC-bench Pro 漏洞检测得分 88.2%、ExploitGym 漏洞利用验证 54.8%、CWE-bench 修复 71.0%；部分测试关闭了安全防护，不能等同真实部署。首发 API 为每百万输入 2 美元、输出 10 美元，优惠结束后价格翻倍。

来源：华尔街见闻

Tencent 发布 HyperLogic，用形式模型执行结果生成中文逻辑题答案

HyperLogic 先编写问题，再通过可执行形式模型推导标准答案，以减少依赖模型或人工主观标注造成的答案噪声。其基础层级在 7 个前沿模型之间拉开 33 分差距，显示中文逻辑推理仍有明显区分度。后续需要查看任务模板的覆盖范围、形式模型与自然语言之间的转换错误，以及训练集相似性控制。

来源：HuggingPapers

Tencent 发布 ExplorationBench，测试模型发现陌生规则的能力

ExplorationBench 把模型置于可验证的“外星世界”，要求其通过探索发现未知规则，而非直接回答已知知识题。该设计把评测目标从静态推理转向信息收集、假设形成和验证，适合观察 Agent 在新环境中的探索效率。正式采用前仍需核验交互预算、评分口径以及模型是否能通过穷举获得高分。

来源：HuggingPapers

HABIT-Bench 显示，最佳记忆系统推断用户习惯准确率仅 33.61%

HABIT-Bench 用 114 个合成用户、37,152 段长期会话和 4 类日常场景，测试记忆系统能否从分散、弱证据中归纳用户习惯。最佳方法宏平均准确率为 33.61%，随机基线为 25%。这说明“存下对话”与“可靠理解长期偏好”仍是两件事，涉及客户画像的 Agent 不宜把低置信推断直接写入永久记忆。

来源：HuggingPapers

新视频基准用逾 10 万次私有人类偏好投票比较图生视频模型

AA-Video-I2V v2.1 在 1,000 个最高 1080p 提示上收集超过 58,000 次投票，静音版在 500 个提示上收集超过 44,000 次；仅 5% 提示进入公开竞技场，并每月轮换。Seedance 2.5 总榜第一但成本为每分钟 34.12 美元；开放权重 MiniMax H3 以 768p 排第三，成本每分钟 4.80 美元，约为前者七分之一。

来源：Artificial Analysis

金融科技、安全与治理

公安部三所开放大模型安全 Token 运营平台试用

平台把多模型统一接入、输入输出安全护栏、可信执行环境内的密文推理、Token 成本与异常追踪、调用审计合并为一个入口。前 100 名通过审核的用户可获每人 1,000 万免费 Token。对金融机构更有用的验证点不是额度，而是 TEE 覆盖范围、密钥管理、模型供应商可见信息，以及安全拦截和审计记录能否满足既有制度。

来源：同花顺产经快讯

DTCC 启动代币化服务，20 家参与方接入隐私与控制组件

DTCC 的 Tokenization Service 已有 20 家参与方，Matter Labs 通过 Prividium 提供隐私功能，使机构在保留交易控制和日常运营监督的同时连接链上服务。DTCC 托管及资产服务规模超过 114 万亿美元。现有材料来自合作方，尚需继续核验支持的资产、账本互操作、结算法律终局性与生产时间表。

来源：ZKsync

A-Comm 联盟为 Agent 支付建立可验证证据协议

A-Comm Evidence Protocol 记录从用户意图、Agent 委托和策略限制，到支付授权与履约的交易证据，目标是为拒付、欺诈和责任争议提供可加密验证的链条。协议不替代 AP2、ACP、UCP、x402、Visa TAP、MCP 或 A2A，而是包装并记录各协议如何验证。第二轮公开征求意见将于 11 月 2 日开始。

来源：PR Newswire / AP

韩国金融机构遭遇新一轮网络攻击

韩国金融行业再次受到一轮网络攻击，事件把亚洲金融基础设施面临的自动化攻击风险推到台前。正式输入未披露受影响机构、攻击路径和损失规模，因此现阶段不宜把事件直接归因于特定 AI 工具。金融机构可优先核查身份凭据、供应链入口、跨机构威胁情报共享和事件响应演练，而不是只增加模型侧防护。

来源：TechCrunch

UEFI 固件代码执行漏洞波及多数服务器供应商

一项关键 UEFI 固件漏洞允许攻击者在系统启动早期执行代码，影响范围覆盖多家服务器厂商和数据中心。由于固件层位于操作系统与常规终端防护之前，云与私有算力集群即使已完成系统补丁，也可能保留更底层的风险。机构应等待厂商明确受影响型号、固件版本和修复顺序，并把远程证明与启动完整性纳入处置。

来源：WIRED