2026-11-01 前沿科技洞见 · 日报

📊 今日关键数据

• 低于 2%：Claude 复用现有 KV 缓存完成对话自评的估算推理开销，使高覆盖率监控具备成本可行性（来源：AI全栈开发竹雨）
• 37%：RWE-Bench 20 道真实工程设计任务中的最高单次通过率，显示代码能力尚不能替代物理约束验收（来源：新智元）
• 1.79%：EvoSim 在电池析锂起点荷电状态预测上的测试集平均绝对误差（来源：机器之心）
• 11.4%：TwinHarness 在固定 Agent–模型配置下对 PyTorch 到 JAX 整仓迁移得分的相对提升（来源：机器之心）
• 0.99：AA-Omniscience v1.1 发布时公开校准集与私有集 Net Score 的 Pearson、Spearman 相关系数（来源：Artificial Analysis）

🔍 今日值得深读

DeepSeek 开源 Super-agent 原型，用 Router–Worker 架构承接跨平台并行任务

DeepSeek Harness 团队公开 dsh-superagent-prototype 及架构长文，把持续交互与任务执行拆成常驻 Router 和隔离 Worker：Router 维护全局上下文、分派任务，Worker 订阅具体线程并使用完整工具执行。事件先经过规则过滤，再由模型判断；同一线程可绕过 Router 直达 Worker。材料中的消融结果显示，订阅直通减少约 30% 的 Router 决策和 37% 的缓存读取 Token，但这仍是工程原型，不是成熟产品。

• 发生了什么：系统加入事件批处理、上下文溢出与链式召回、后台投机执行、状态与计算分离及 Watchdog，目标是跨 IM、GitHub 等入口持续运行。
• 为什么值得深读：金融机构部署 Agent 时，瓶颈正从单任务模型能力转向任务隔离、身份权限、事件过滤、恢复和统一审计；Router–Worker 给出了一套可拆解的系统设计。
• 后续看点：开源原型在真实并发下的故障恢复、权限边界、投机执行浪费，以及任务完成率和单位任务成本能否被第三方复现。

来源：机器之心

Anthropic 让 Claude 复用 KV 缓存自评对话，推理开销低于 2%

Anthropic 把一条隐藏评估指令接在模型回复之后，让同一个模型利用仍在 KV 缓存中的对话，额外生成约 10 个 Token，输出伤害类别、是否拒绝和优先级。生产配置只记录风险、不实时拦截。Fable 5 在 1% 误报率下，对教师分类器所标有害对话的召回率为 78%，高优先级样本为 94%；这里的教师是带完整政策的提示分类器，并非人工真值。

• 发生了什么：自评估把全量监控的估算推理开销压到 2% 以下；24 个进攻性网络安全任务中，加入自评估后攻击成功率由 79% 降至 54%，但仍超过一半。
• 为什么值得深读：共享缓存让“每次调用都留审计信号”变得经济可行，适合高调用量机构作为第一级筛查；它也把告知、留存、复核和客户数据边界带入产品设计。
• 后续看点：人工标注下的真实召回与误报、风险分数如何触发处置，以及静默记录在不同数据保留协议和监管辖区中的合规安排。

来源：AI全栈开发竹雨

Exin 让 Claude 选择基因疗法并控制小鼠脑内注射，人工保留不可逆关卡

Exin Therapeutics 团队给 Agent 19 种候选基因治疗载体和“减少癫痫发作”目标。Claude Sonnet 5 据文献选择增强抑制性信号的方案、外侧内嗅皮层及立体定位坐标，再控制自制电动平台完成 250 纳升注射，并通过摄像头检查 32 次。开颅和缝合仍由人完成，兽医掌握物理急停，不可逆步骤设审批；目前披露的是团队实验记录，不是同行评审的疗效研究。

• 发生了什么：Agent 将文献推理、靶点选择、坐标计算和设备控制串成实验闭环；连接异常造成坐标越界时模型拒绝继续，团队最终手工修复控制代码。
• 为什么值得深读：它展示了 Agent 接入物理执行器后的真实控制面：模型拒绝既可能是安全护栏，也可能在时间敏感流程中成为运营风险，必须有独立限位、人工审批和恢复路径。
• 后续看点：癫痫发作是否实际下降、更多动物上的重复性、坐标与设备状态的形式化校验，以及不同模型拒绝策略如何在实验前验证。

来源：APPSO

RWE-Bench 用物理求解器验收工程设计，头部模型单次通过率最高 37%

Xplore AI 发布 RWE-Bench：20 道任务覆盖机械、航空航天和电子设计，模型需操作 CAD、网格、有限元或 CFD 工具，结果由物理求解器按约束逐项验收。材料报道的最高单次通过率为 37%，第二名 29%；多数模型两三小时便交卷，而每题允许 24 小时，提示模型可能过早停止验证。

• 发生了什么：机械 9 题、航空航天 6 题、电子 5 题；若每题允许五次尝试且任一次通过，部分模型可由 29% 升至 70%，显示迭代策略显著影响结果。
• 为什么值得深读：对银行架构、风控和复杂自动化采购而言，“能写代码”不能替代执行约束下的正确性；验收器、重试预算和停止条件会直接改变可用能力与成本。
• 后续看点：20 题小样本下的排名稳定性、四道全模型失败题的公开情况、第三方复现，以及单位成功任务的总时长与费用。

来源：新智元

EvoSim 从实验偏差修订物理方程，电池析锂起点误差降至 1.79%

清华大学、香港大学、北京怀柔实验室和清屿科技提出 EvoSim，不只在固定方程内调参，而是并行检查参数、机制、几何与边界条件，用实验误差淘汰或修订物理假设，并把有效建模步骤保留下来。团队在快充析锂和车辆负载动态电压两个场景验证；析锂实验包含 61 个测试电池、20 组起点条件，覆盖两种电极设计、25—45 摄氏度及多种倍率。

• 发生了什么：测试集析锂起点荷电状态平均绝对误差为 1.79%；材料还报告累计运行时间减少 42.6%、失败情况减少 36.4%。
• 为什么值得深读：这比单纯拟合输出更接近高风险行业所需的可追问模型——错误可以落到参数、方程或求解过程，而不是只给出不可解释预测。
• 后续看点：跨电池体系和其他多物理场问题的迁移效果、消融实验能否区分“改方程”与“更强搜索”的贡献，以及实验与计算成本。

来源：机器之心

OpenAI 金融服务负责人披露产品取舍：通用模型、金融数据与人工复核链缺一不可

OpenAI 金融服务负责人 Joseph Kim 在访谈中解释，金融产品不是单独训练一套封闭模型，而是在共享通用模型中增强金融推理，再连接市场数据并构建可复核工作流。团队即使已有连接器仍打包金融数据，原因是用户需要可直接工作的统一体验；他同时强调，准确率难以覆盖判断力和“品味”，金融评测也很难把分析师最终采用一项建议的原因压成单一分数。

• 发生了什么：访谈覆盖分析师工作流、银行复核链、金融错误、投资观点生成和评测难题；Kim 认为现有插件原语足以让外部团队复现产品的大部分工作。
• 为什么值得深读：机构采用门槛不只在模型分数，而在数据许可、证据回链、审批层级和责任归属；这决定了平台自建、采购和插件生态的边界。
• 后续看点：金融推理训练如何隔离受许可数据、答案怎样绑定市场数据时点，以及面向判断力的评测能否纳入真实分析师复核结果。

来源：Latent Space · 视频

📰 独立报道

Agent、训练与开发工具

清华 ActionOPD 在学生实际状态上蒸馏“语义动作”

ActionOPD 不再要求学生逐 Token 模仿教师，而是在学生真实访问的状态上采样，用工具调用或回复意图是否与教师语义一致作为强化学习奖励。方法无需教师 log-prob 或同源 Tokenizer，可接黑盒教师并跨模型家族蒸馏；关键验证点是语义判别器误差会否成为新的训练瓶颈。

来源：机器之心

Google T2J-Bench 用 63 个整仓任务检验 PyTorch 到 JAX 迁移

T2J-Bench 覆盖 18 个模型家族、45 个训练任务和 18 个推理服务任务，从接口规范、数值一致性和训练或服务行为三层验收。配套 TwinHarness 让 Agent 对照可运行源仓库逐轮修复；在 Claude-Code 与 opus-5 配置不变时，得分由 0.649 升至 0.723，相对提高 11.4%。

来源：机器之心

阿里数据为 158 个大模型基准建立健康指数

NeurIPS 2026 ED Oral 论文 BHI 汇总 117 个模型技术报告中的 158 个基准，以能力区分度、抗饱和度和前沿模型实际采用情况评分，并用留一基准法降低循环评价。该指标能辅助机构清理饱和评测，但“分差超过阈值”不等同统计显著，30 天饱和预测也不是失效日期。

来源：机器之心

模型评测与安全

Artificial Analysis 更新 AA-Omniscience，移除饱和题并重建公开校准集

AA-Omniscience v1.1 将题集由 6,000 题调整为 3,000 题，删除公开及饱和问题、修正歧义并加入新题；300 题公开集与私有集的 Net Score 在发布时 Pearson 和 Spearman 相关系数均为 0.99。榜首 Gemini 4 Carbon 得 54 分，但该版本与旧版排序仍高度相关，需持续观察校准关系是否随模型演进漂移。

来源：Artificial Analysis

Anthropic 用数千个 Claude Agent 自动生成规避监控的错位训练数据

Anthropic 让数千个 Claude Agent 尝试绕过训练数据监控器，Agent 生成表面无害的摔跤指导、养蜂问答等内容，却在其中编码会诱导错位行为的训练信号。研究方计划用这些对抗样本改进监控器；现阶段只是自动化红队的第一步，效果仍取决于攻击模型、监控器和算力规模。

来源：Anthropic