2026-11-05 前沿科技洞见 · 日报

📊 今日关键数据

• 36%：Realtime-Bench 在 Wall Clock、高推理强度下，最佳模型的三次重复均成功指标 Pass³；基准含 50 项实时网页与游戏任务（来源：机器之心）
• 0.0285：FinForesight 加入网页快照与语义级时间过滤后，历史回测与前瞻评测的平均绝对分差（来源：QuantML）
• 374,401 次：Route Anything 轨迹矩阵覆盖 25 个基准和 452 个候选配置的计分运行量（来源：HuggingPapers）
• 948 个：OpenAI 自治流水线报告发现、验证并生成补丁的 Linux 内核本地提权漏洞数量（来源：OpenAI）
• 579 个任务：腾讯联合 213 位专家完成 Hy4 金融众测，发布方报告综合得分 3.04（来源：腾讯研究院）
• 约 500 笔：万圣节所在周由 AI Agent 发起的 Uber Eats 订单，同期 Uber 与 Uber Eats 合计约 3.2 亿次出行和订单（来源：AIHOT）

🔍 今日值得深读

Realtime-Bench 用 50 项动态任务测试 12 个前沿模型，最佳 Wall Clock Pass³ 仅 36%

英伟达、UT Austin 等机构提出 Realtime-Bench，把模型放进会持续推进的网页和游戏环境，要求其在机会窗口关闭前完成观察、推理和行动。基准含 30 个网页任务、20 个游戏任务，并以真实耗时、暂停计时和按 token 推进三种时钟协议拆分推理能力与服务延迟的影响。

• 发生了什么：研究以三次重复均成功的 Pass³ 衡量可靠性；材料显示，Wall Clock、高推理强度下表现最好的 GPT-6 Astra 为 36%。在 Token Clock 下，提高推理强度令 Claude Opus 5 从 44% 降至 30%，却令 Kimi-K3 从 24% 升至 36%。
• 为什么值得深读：需要抢时机的交易监控、反欺诈处置和运营 Agent，不能只看离线正确率；推理时间本身会改变环境和结果，模型选择必须与延迟预算、可中断规划和连续成功率一起评估。
• 后续看点：显式剩余时间输入、动态推理预算能否提高 Pass³；网页与游戏中的时间窗口能否映射到生产系统；不同 API 延迟和运行波动下结果是否稳定。该预印本结果尚未独立复现，也不能直接外推到交易执行等高风险场景。

来源：机器之心

FinForesight 用时间锁审计 AI 投研回测，语义过滤后历史与前瞻分差降至 0.0285

GIM AI、海豚科技与多所高校发布 FinForesight，在 A 股、美股和港股构建 1,119 道题，覆盖三类时态、六类任务，并测试 8 个模型、5 种研究流程组成的 22 个组合。其核心不是再做一张模型榜单，而是隔离参数记忆和联网检索中的事后信息。

• 发生了什么：研究依次比较自由搜索、网页时点快照、快照加语义过滤。在美股同窗实验中，历史回测与真实前瞻评测的平均绝对分差从 0.1203 降至 0.0618，再降至 0.0285；作者报告相对自由搜索收敛约 76%。
• 为什么值得深读：金融 Agent 的“回测高分”可能来自模型见过答案或旧网页被事后更新。知识截止日、网页快照、逐句时间归属过滤和未来样本封存，应成为投研系统准入的基本控制项。
• 后续看点：跨更长市场周期的前瞻结果是否维持；语义过滤器自身的漏检率和成本；同义改写导致 16.83%—23.67% 单点预测跳变后，多轮重采样怎样纳入风险限额。论文结果属于作者报告，不能等同于真实收益验证。

来源：QuantML

Route Anything 汇总 37.44 万次运行，量化跨模型路由的质量—成本边界

Route Anything 预印本建立覆盖语言、图像、视频、语音、编码与办公 Agent、机器人操作的轨迹矩阵：25 个基准、452 个候选配置、374,401 次计分运行，用同一框架研究按输入选择模型或策略。

• 发生了什么：作者报告，逐输入 oracle 比最佳固定候选平均高 5.4 分；学习路由器在 16 个基准上高 0.3 分，视频生成高 2.1 分，机器人操作高 1.1 分并减少 24% 策略推理时间。在质量损失低于 0.5 分的设定下，作者给出相对参考模型平均 8.82 倍效率。
• 为什么值得深读：它把“多模型采购”转化为可计算的路由问题。对金融机构而言，便宜模型承接常规请求、强模型处理高风险输入的收益，取决于路由信号、质量下限与错误分布，而非模型单价本身。
• 后续看点：学习路由器能回收多少 oracle 上限；长程 Agent 中前一步选择改变后续状态时如何扩展；能否提供代码、轨迹矩阵和逐次运行日志。8.82 倍混合了质量/美元与机器人质量/推理时间口径，不应解释为所有任务的端到端加速。

来源：HuggingPapers

腾讯发布 Hy4，首次加入视觉与电脑操作，并用 579 个真实金融任务众测

腾讯发布 Hy4 正式版，相比 preview 扩大预训练和后训练规模，新增视觉理解、命令行与图形界面协同操作，并针对 Blender、CAD、跨应用任务、前端和游戏开发开展训练。模型已上线腾讯云等平台，腾讯称后续将开放权重。

• 发生了什么：腾讯联合 213 位专家完成 579 个真实金融任务众测，其中 153 人来自外部头部金融机构；官方报告 Hy4 得分 3.04，高于 DeepSeek-V4.1-Flash-1017 的 2.97 和 Kimi K3.1 Pro、GLM-5.3 的 2.68。自建测试中，幻觉率由 15.76% 降至 5.45%。
• 为什么值得深读：金融场景评测从通用问答转向基金研究、证券分析、量化、资产配置和财税流程，且开始考察多源检索、事实一致性与 Office 协作，离机构内部试点的任务形态更近。
• 后续看点：权重、许可证和推理需求何时公开；众测评分量表、任务泄漏防护及复现实验能否披露；在权限隔离、审计和真实文档环境下能否保持结果。上述成绩均为腾讯发布方评测，不代表独立验证。

来源：腾讯研究院

OpenAI 用自治流水线发现并生成 948 个 Linux 内核本地提权漏洞补丁

OpenAI 公布一套面向 Linux 内核的自治安全流水线，称其发现、验证并生成了 948 个本地权限提升漏洞的补丁。与只生成告警不同，流程覆盖漏洞确认和修复建议，指向安全 Agent 从辅助审计走向大规模补丁生产。

• 发生了什么：该项目把搜索、验证与补丁生成串成自动流程，目标对象是 Linux 内核中的本地提权路径。
• 为什么值得深读：金融机构大量依赖 Linux 基础设施；若该工作流能在隔离环境中稳定复现，漏洞积压、补丁优先级和供应链响应速度都会改变，但审计团队也必须防范误报、错误补丁与回归风险。
• 后续看点：948 个问题中有多少被上游确认和合并；验证环境、覆盖内核版本、重复漏洞去除方式及补丁回归率；自治流程如何保存可审计证据并接受维护者复核。

来源：OpenAI

Uber 披露 AI Agent 仅带来 4 笔叫车和约 500 笔外卖订单，消费代理尚未形成规模

Uber 高管在三季度财报电话会上首次给出第三方 AI Agent 的实际交易量：叫车订单仅 4 笔，万圣节所在周约有 500 笔 Uber Eats 订单由 Agent 发起；同期 Uber 与 Uber Eats 合计处理约 3.2 亿次出行和订单。

• 发生了什么：CEO Dara Khosrowshahi 称采用仍处很早阶段，并指出 App 内叫车平均约 50 秒、复购常点餐食约 90 秒，代理未必提供明显节时收益。DoorDash 此前也称仅收到数百笔 Agent 订单。
• 为什么值得深读：协议接入和演示不等于用户采用。对支付、身份、授权和反欺诈基础设施投资而言，最关键的短期问题可能不是 Agent 能否下单，而是它能否比已有 App 更快、更可信且便于追责。
• 后续看点：平台能否准确识别 Agent 交易；授权、退款和争议处理能否标准化；订单量在头部助手原生接入后是否上升。材料对 4 笔叫车的统计周期存在“季度/万圣节周”冲突，且 3.2 亿是合计口径，不宜直接计算单项渗透率。

来源：AIHOT

📰 独立报道

模型、训练与评测

Hydrogen-1.0 开放科研模型权重，用实验过程数据训练工具调用

Hydrogen-1.0 基于 GLM-5.3 做科学后训练，数据按专业知识、科学家反馈、实验记录和材料检索过程分层，并结合 SFT 与强化学习。发布方报告 GPQA Diamond 为 93.0%，但完整数据规模、许可证、评测脚本和独立复现尚未披露，不能据此认定其整体科研能力超过闭源模型。

来源：夕小瑶科技说

Kimi K3.1 Pro 发布模型权重，开放部署条件等待模型卡验证

Moonshot AI 在 Hugging Face 发布 Kimi K3.1 Pro 权重，为机构开展私有化推理、量化和安全评估提供直接入口。正式采用仍需核对许可证、上下文与显存需求、推理模板以及工具调用评测，单凭权重上线不能推断生产性能或合规适用性。

来源：Moonshot AI

Artificial Analysis 将 API 性能主指标改为 Time per Task

Artificial Analysis 更新约 1,000 个 serverless 端点的性能测试，把“完成一个任务所需时间”设为头部指标，取代只看流式输出速度的口径。该变化更贴近 Agent 的端到端等待成本，也提醒采购方把首 token、生成速度、推理长度和任务完成时间分开记录。

来源：Artificial Analysis

Artificial Analysis 能力指数 v2.0 提高非幻觉与工具使用权重

Artificial Analysis 将六项能力指数升级到 v2.0，与 Intelligence Index v5.0 的评测对齐，并提高 Non-Hallucination 与 Agentic Tool Use 的影响。榜单变化首先反映评测目标和权重变化，机构不应把版本前后的名次直接解释为模型能力在一天内跃升。

来源：Artificial Analysis

Agent 与开发工具

Google 发布 Data Agent Kit，以 Skill 和 IAM 分开约束数据访问

Google 发布 Data Agent Kit，并把安全控制拆为 Skill 与 IAM：前者限定 Agent 可以执行的能力，后者约束身份和资源权限。对金融数据 Agent，这种分层有助于把“模型会做什么”与“当前主体获准做什么”分开，但仍需验证行级权限、凭据传递和完整审计链。

来源：InfoQ 中文站

Anthropic 向重要开源项目提供可选安全扫描服务

Anthropic 为重要开源项目新增可选安全扫描服务，把模型辅助漏洞发现引入维护者工作流。采用价值取决于扫描范围、误报率、私有披露流程和补丁验证机制；“可选”也意味着它是维护支持工具，而非替代项目自身安全责任。

来源：InfoQ 中文站

Apple 向开发者开放 Siri AI 集成预览

Apple 在 iOS 27.3、iPadOS 27.3、macOS 27.3 和 visionOS 27.3 测试版中提供 Developer Preview，允许第三方应用接入 Siri AI。入口扩张会把应用内任务暴露给系统级助手，但正式部署仍取决于权限确认、敏感操作授权、数据边界和稳定版时间表。

来源：Apple Developer

OpenAI 拟收购 Pierre，扩展 Codex 的代码理解与审查工具

OpenAI 宣布将收购开发工具公司 Pierre Computer Company，计划扩展 Codex 在构建、理解和审查代码方面的工具。交易的技术价值要看 Pierre 的工作流如何并入 Codex、是否保留独立产品，以及代码上下文、权限与企业审计能力是否同步增强。

来源：OpenAI

Meta 收购 Conductor，把并行编码 Agent 团队纳入开发工具布局

Meta 收购 AI 编码创业公司 Conductor；后者允许软件工程师部署多组 Agent，并行处理项目不同部分。并行化能扩大吞吐，也会放大分支冲突、共享上下文和合并验证问题，后续应观察团队与产品如何整合、是否形成面向 Meta 工程体系的新工作流。

来源：TechCrunch

机器人与物理 AI

uni-robot-agent 统一开放权重模型的机器人接口，RoboDojo 得分 31.39

清华与伯克利团队开源 uni-robot-agent，统一模型、机器人、任务和环境的工具接口与反馈格式，并让模型推理和动作执行流水化。在 RoboDojo 中，Qwen3.8-Flash-Next 搭配该框架得 31.39 分，对照 GPT-6 Astra 加 RoboProbe 为 28.97；两边同时更换模型与框架，不能把差异归因于单一组件，系统仍不擅长精细与长程操作。

来源：学术头条

百度 Apollo World 用交互式虚拟城市验证端到端无人驾驶

百度披露 Apollo World，将车辆、行人建模为可决策 Agent，实时生成相机与激光雷达观测，并支持从接单到送达的闭环行程。百度称其每日可完成约 10 万公里虚拟路测，约百辆新端到端架构车辆已参与运营；虚拟里程不能等同真实道路安全证据，仍需与实车数据结合。

来源：华尔街见闻

硬件算力

Qualcomm 推出 150W、128GB 的 Cloud AI 100 Ultra 加速卡

Qualcomm 上线 Cloud AI 100 Ultra 产品页，给出的关键规格为 150W 功耗、128GB 内存和 548GB/s 带宽。大容量与较低功耗适合进入推理 TCO 比较，但是否具备采购优势仍要看支持的数据类型、编译栈、模型兼容性、端到端吞吐和可获得性。

来源：Qualcomm

金融科技与数字资产

Coinbase 展示 Agent 用 USDC 或 USDT 自主购买 API 额度

Coinbase Developers 展示 MorphLLM Agent 使用 USDC 或 USDT 为自身 API 额度付款，串起“执行任务—消耗资源—自动补充余额”的闭环。演示说明机器支付接口已经可拼装，但企业采用仍需预算上限、钱包密钥托管、交易审批、制裁筛查和异常停机机制。

来源：Coinbase Developers

ETF 代币化基础设施推进，但美国发行人主导产品仍受碎片化制约

DTCC 新代币化服务与发行人侧项目推动 ETF 代币化前进，但市场在链、托管、交易场所和合规路径上仍然分散，面向广泛投资者的美国发行人主导产品尚未落地。机构应区分底层登记结算能力进展与可分销、可赎回产品的实际上线。

来源：Pensions & Investments