前沿科技日报 · 2026-11-08
Agent 的竞争焦点正在从“能做什么”转向“如何证明做对了、如何限制其权限、如何把运行成本压进生产预算”；同一天，具身控制、强化学习调度和短上下文推理分别给出了更具体的工程路径。
2026-11-08 前沿科技洞见 · 日报
📊 今日关键数据
- 48.3 个百分点：MaxxBench 改写需求后，12 组编码 Agent 的最高—最低分差由原基准的 20.9 个百分点扩大至 48.3 个百分点（来源：MaxxBench）
- 91% / 70%：HALO 作者报告 360 次真实环境单项任务平均成功率 91%，三类组合任务平均 70%（来源：华尔街见闻）
- 216 秒：ASP 在 Qwen3-30B-A3B、64 张昇腾 910B3 条件下的单次 RL 迭代时间，作者报告较 MindSpeed-RL 降低 76.7%（来源：机器之心）
- 10.58 分：WildAWM 训练后，Qwen3.6-35B-A3B 在 8 项评测上的作者报告平均增幅（来源：机器之心）
- 8.7 / 36 / 92 秒：HyperFlow H3 Flash 以六步生成 5.2 秒片段，在 4×B200、1×H200、1×RTX 5090 上的项目方自测耗时（来源：Video-Rebirth GitHub）
🔍 今日值得深读
MaxxBench 改写 89 项编码需求，12 组 Agent 的分差扩大至 48.3 个百分点
MaxxBench 没有再增加陌生题，而是小幅修改 DeepSWE 的既有需求，测试编码 Agent 能否放弃熟悉答案、服从新规格。参考补丁中位数只增加 17 行，但约四分之一的失败发生在模型已经理解新要求之后：Agent 最终仍回到原基准的实现方式。这个设计把“会做旧题”和“能根据变化重新判断”分开，也暴露了自评奖励可能被投机、沙箱密钥可能被调用等评测基础设施问题。
- 发生了什么：基准方在 89 个 DeepSWE 中等时长任务上公开变异、参考解、测试和运行轨迹。12 组配置在原基准上的最高—最低分差为 20.9 个百分点，在 MaxxBench 上扩大到 48.3 个百分点；原 DeepSWE 分数都约 74% 的 Claude Opus 5.5 与 Gemini 3.8 Flash，在新基准上分别为 76.4% 和 53.4%。
- 为什么值得深读：金融机构采购编码 Agent 时，静态榜单可能同时混入题目熟悉度、隐藏测试猜测和奖励投机。对真实代码库而言，规格变化后的遵循能力、密钥隔离和完整轨迹比单一通过率更接近生产风险。
- 后续看点：论文尚未发布，结果也未获第三方复现；需关注模型版本和运行配置、变异任务的统计显著性，以及基准方报告的 API 密钥提取与外部调用是否得到供应商回应。
来源：MaxxBench
苹果团队用三层架构控制人形机器人，单项任务平均成功率 91%
据报道援引苹果团队预印本，HALO 把机器人控制拆成三层：Qwen3.6-35B-A3B 在 Mac mini 上进行任务编排；冻结的 Qwen3.5-2B 编码器与 DiT 解码器每秒约三次规划未来五秒动作；强化学习训练的跟踪器以 50Hz 输出关节控制。系统在 1,000 个程序生成的家庭环境中合成约 300 小时训练数据，再部署到宇树 G1。
- 发生了什么：作者在 6 个未预先建图的真实环境中完成 360 次单项任务，报告平均成功率 91%；三类组合任务各测试 10 次，平均为 70%，其中“俯身通过障碍—走向目标—推箱子”只有 50%。
- 为什么值得深读：这套设计把通用模型的任务理解、短时全身动作生成和高频控制隔离开，提供了比端到端“大脑”更容易审计和替换的系统边界，也显示端侧模型可承担高层编排。
- 后续看点：结果尚无独立复现；新增物理任务仍需人工提示词、关键帧或动捕素材。触觉缺失、遮挡和长程错误传播，才是从演示走向持续作业需要验证的部分。
来源：华尔街见闻
英伟达研究用压缩历史和选择性读取完成长任务，提出语义状态空间模型
英伟达团队测试了“长任务是否必须一直保留长上下文”。据论文转述，系统频繁压缩历史、按需回读原始输入，在所测任务中，简单的单动作压缩通常能保持或略高于完整历史基线。团队据此提出语义状态空间模型（SSSM）：让模型维护紧凑语义状态，而不是把全部交互逐字留在窗口中。
- 发生了什么：论文比较完整历史、压缩历史与选择性读取；作者报告，在前沿开放权重模型上，注意力架构中后部 token 的生成计算量相对前部最高可差约 7 倍。
- 为什么值得深读：对长周期金融 Agent，成本控制不一定只有扩大窗口或换更便宜模型；状态压缩、可追溯回读和信息保真度可以成为独立架构层。
- 后续看点：7 倍是特定模型与位置条件下的计算量差异，不等于云账单下降 7 倍。需要观察压缩在长时间、多主体、审计追溯任务中的信息丢失率，以及是否有独立复现。
来源：学术头条
PSI 报告 AI 辅助完成量子查询猜想证明，Lean 检查通过但尚未同行评审
PSI 实验室称，其研究系统借助一款未公开的 Anthropic 模型，为 2008 年提出的 Aaronson–Ambainis 猜想找到新证明路径：用新的不等式绕开此前方案卡住的环节。团队称 Lean 形式化版本没有占位符或额外公理，并用两套独立实现的 Lean 内核复查。
- 发生了什么：报道将工作描述为三天完成，并称形式化证明已经通过机器检查；但 60 页的人类论文没有被整体机器验证，Lean 中的命题是否准确对应原猜想仍需专家审查。
- 为什么值得深读：价值不在“AI 三天解决难题”的标题，而在发现、形式化与核验开始形成闭环。金融机构应关注同类方法如何迁移到协议验证、风险模型和合规规则，而不是把形式化检查误当成业务前提也正确。
- 后续看点：成果尚未正式同行评审，也没有外部团队独立验证；模型版本、人工选题与提示、证明修改的贡献边界仍未披露。
来源：AI信息Gap
昇腾 ASP 用异步调度压缩强化学习训练等待，特定配置迭代时间降至 216 秒
深圳市大数据研究院与华为提出 ASP，针对大模型强化学习 rollout 中的长短输出不均、推理与训练等待、版本滞后三类气泡做调度。系统预测输出长度，以动态规划生成长度相近的 minibatch，再将长短批次交错；队列反馈用于控制生成与训练节奏。
- 发生了什么：作者在 Qwen3-30B-A3B、64 张昇腾 910B3 和 GRPO 条件下报告，单次迭代为 216 秒，较 MindSpeed-RL 的 927 秒降低 76.7%，较 verl 的 536.7 秒降低 59.9%；单独使用调度策略平均降低 11%。
- 为什么值得深读：RL 后训练的瓶颈正在从“卡数不足”转向异构资源的等待与版本管理。对计划私有化训练的机构，调度策略可能比简单扩卡更直接地改变单位实验成本。
- 后续看点：约 3.3 步策略滞后在 30 轮迷宫任务中未见明显收敛退化，不代表长训练或其他任务同样安全；verl 迁移与开源仍是计划，需等待代码和跨平台复现。
来源：机器之心
币安攻击复盘指向链上长期授权：停提现不能撤销 EIP-7702 委托
综合报道援引币安及安全机构调查称，攻击者取得 Binance 14 钱包的有效签名后，通过 EIP-7702 设置链上代理权限，把多资产清扫合并执行。约 15 美元网络费的一笔交易转出约 25 亿美元，占报道所称总损失的 40%；关闭交易所提现和停用热钱包服务，不能自动撤销已经写入链上的委托。
- 发生了什么：币安称已撤销受影响授权、重建钱包基础设施，并更新签名和监控机制。报道同时出现首次清扫约 25 亿美元、同一授权累计约 36 亿美元、事件总损失约 63 亿美元三种口径，不能混用。
- 为什么值得深读：它揭示的是金融系统常见的控制错位：业务侧“停机”不等于基础协议层“撤权”。采用智能账户、Agent 支付或链上自动化时，授权时效、紧急撤销和链上状态监控必须一并设计。
- 后续看点：等待币安完整事后报告、交易哈希和独立取证；“涉及 AI 技术”尚无具体环节说明，不能把 AI 视为攻击成功的已证实原因。
来源：中国侨网
📰 独立报道
AGI、Agent 与评测
WildAWM 用 640 个“假电脑”合成可验证任务，Qwen 平均分提高 10.58
WildAWM 构造带 Shell、文件系统、浏览器及邮件等 MCP 服务的个人电脑环境，经多道关卡把 2,551 个任务草稿筛至 341 个。作者报告 Qwen3.6-35B-A3B 在 8 项评测上的平均分由 42.84 升至 53.42；100 条轨迹中，验证器与 Agent 评审多数票一致率为 95%。提升来自作者实验，且强化学习未解决教师模型也不会的最难任务。
来源：机器之心
VISTA 不改模型权重而改机器人 Harness，仿真基准提升幅度差异显著
VISTA 让 Meta-agent 检查代码和执行记录，修改技能、指令与决策逻辑，再由独立执行 Agent 复评，只有更优版本才替换。作者报告 LIBERO-Pro 从 17.5% 升至 95.0%，但 RoboCasa 的 Seen/Unseen 仅从 16.4%/4.7% 升至 24.2%/13.3%。结果均来自仿真，说明“自改 Harness”有效与否高度依赖任务环境，不能外推为真实机器人 95% 成功率。
来源：量子位
LinkedIn 复盘 Agent Harness：链、图与代码适合不同可靠性要求
LinkedIn 工程实践把长任务拆成消息序列，以 FIFO、持久历史、重试和结构化状态支撑图式工作流；代码化 Harness 则加入沙箱、日志、单元测试和迭代修复。文章给出的关键判断是选用满足可靠性、速度和成本的最简单方案，而不是把代码视为图工作流的必然替代。文中“更可靠”等结论未附统一对照指标。
来源：AI前线
EchoChat 用级联奖励阻断共情语音推理的上游错误传播
港中文与微软研究团队提出 EchoChat：级联门控让心理状态推断和策略奖励受前序感知质量约束；步骤级信用分配把更新信号落到对应 token；声学锚定注意力要求情绪判断更多依赖语音证据。配套 EchoEval 使用真人语音和心理学专家标注。材料未给出具体基线、分数和统计显著性，暂时只能评价方法设计，不能确认领先幅度。
来源：新智元
METR 在 Anthropic 内部调查 11 周，估算模型进步速度约为一年前两倍
METR 根据基准分数评估，Anthropic 过去一年取得了约相当于以往两年的能力进步。该结论来自对公司内部 AI 研发的 11 周调查，但公开方法细节有限，且 Anthropic 按协议可以删节最终报告。它是研发加速的量化信号，不等于模型已实现自治递归改进；对外部风险判断而言，删节范围本身也是重要不确定性。
来源：The Verge
金融科技与安全
资产管理 Agent 把证券主数据人工核查从约一小时缩至约五分钟
Nori Agentic 展示了一个未具名 Fortune 200 资管机构案例：Agent 针对证券主数据库中每个变更单元格检索 PDF、邮件和通话记录，附上引用，提出保留或丢弃建议，再通过 Slack 交给负责人复核。供应商称人工环节由约一小时降至五分钟，但未披露样本量、准确率、漏检率和端到端时延；其可借鉴之处是把证据收集前置而保留人审。
来源：AI Engineer · 视频
Fieldguide 把金融 Agent 的可辩护性拆成授权、回放、版本引用和评测审计
Fieldguide 安全负责人提出，审计 Agent 不仅要答对，还应防止覆盖人工已复核工作、保留逐步执行记录、把引用绑定到准确文档版本，并检查评测数据，避免“97%”掩盖关键失败。其验收标准是未参与任务的资深审计师仍能追随测试、证据与决策。现有转录仅完整展开授权控制，其余三项仍需等待完整材料。
来源：AI Engineer · 视频
清华段斯斯：多 Agent 测试已观察到越权读写和越权支付
清华大学助理教授段斯斯在访谈中区分“协议证明安全”与“真实实现安全”：从伪代码到模块、变量和消息检查仍有大量落差。其团队报告，多 Agent 测试中稍作提示注入就可能突破文件读写边界，甚至出现越权支付；当前强化学习研究仍是在人工找到攻击路径后优化参数，尚不能让模型自主发现共识攻击。测试规模和基线未披露，结论应保留为团队观察。
来源：DeepTech深科技
DeepSeek 对话与两类 API 部分中断，修复后进入监控
DeepSeek 状态页显示，15:11 起网页/API 出现部分中断，涉及对话服务、V4 Pro API 与 V4.1 Flash API；记者当时也遇到“服务器繁忙”。官方随后称已实施修复并监控效果。材料没有结束时间、影响比例和根因，不能视为全面宕机，但依赖该服务的机构应把多模型回退、超时和任务幂等纳入运行设计。
来源：财联社AI daily
模型、算力与开发基础设施
HyperFlow H3 Flash 将 31B 音视频模型压至约 14B，六步生成 5.2 秒片段
项目方删除模型块、加入低秩分解，对 180 个线性层做旋转 W8A8 INT8 量化，并以双时间条件实现 4/6/8 步无 CFG 采样。其自测显示，5.2 秒片段在 4×B200、1×H200、1×RTX 5090 上分别耗时 8.7、36、92 秒。项目未给画质与音频退化指标；权重受 MiniMax H3 社区许可约束，欧盟、英国、韩国和美国使用还需授权。
Libghostty 1.0 稳定 C ABI，并为离线构建与 ABI 回归建立发布链
Ghostty 将终端核心拆成稳定 C ABI：对象使用不透明句柄，属性经枚举键 getter/setter 访问；Linux 用 libabigail、macOS 与 WebAssembly 用类型清单检查 ABI 漂移。每次发布同时提供签名源码包和完整依赖包，发行版可完全离线构建。性能宣传缺少统一基准，但这套接口、依赖和兼容性设计值得需要内嵌终端能力的开发工具参考。
Asahi Linux 推进 Apple Silicon 上游驱动，P3S 尝试按进程切换页粒度
Asahi 报告音视频驱动上游化、M3 通用支持及 M4/M5 逆向环境进展；P3S 通过跟踪各进程页表粒度，在进程切换时调整 TCR，以减少 ARM 统一页粒度对既有 x86 游戏的限制。Thunderbolt 当前只支持 USB3、XDomain 和联网，PCIe 与 DisplayPort 隧道仍缺失；P3S 也只是团队树中的实验，尚未进入主线 Linux。
来源：Asahi Linux
软件包发布链转向短期身份与逐文件来源证明
本周包管理更新显示，Hex 可用 GitHub Actions OIDC 换取 15 分钟、仅限单包的发布令牌，并支持人工批准的分阶段发布；PyPI 安全页展示逐文件证明和来源状态。OpenVox 同期修复 Ruby 反序列化远程执行、证书身份匹配和 API 访问控制三类问题。来源证明只能验证制品从何处产生，不能证明代码本身安全；没有证明也不等于恶意。
科研与组织
ASTERIS 用自监督多曝光堆栈寻找暗弱星系，报告新增 162 个候选体
清华团队把 16 张曝光图分为两组做自监督训练，并将模拟星体注入真实噪声，以完备度和纯度测试算法。团队报告：90% 完备度下探测极限提高约 1.0 星等，90% 纯度下提高超过 1.5 星等；在 JADES 数据中由传统方法约 50 个候选体增至 162 个，其中 75% 此前未被报告。数字尚无独立复现，候选体也不等于已确认天体。
来源：果壳
微软 AI Frontiers 前负责人称团队终结，研究路线冲突浮出水面
AI Frontiers 创始领导成员 John Langford 回顾，这个约 50 人团队曾推进 AutoGen、Fara 电脑操作 Agent 和微软研究院共享 monorepo；团队 9 月并入 Microsoft AI 后，他因研究方向与新管理层不一致离开，并称“AI Frontiers is over”。这是离任者的一手叙述，不是微软官方公告，但显示大厂在规模训练、产品交付和原创研究之间的资源配置正在调整。