2026-11-14 前沿科技洞见 · 日报

📊 今日关键数据

• 每千次 5 元：DeepSeek 联网搜索与网页抓取的工具调用价格，Token 费用另计（来源：AI信息Gap）
• 22.1 个百分点：微软测试中，同一 Claude Opus 4.8 更换 Harness 后复杂任务通过率的报告增幅（来源：硅星人Pro）
• 33%：CoACT 作者报告的 Coding Agent Token 开销降幅（来源：机器之心）
• 22 个空管中心：FAA 对 SMART AI 建议系统的全国扩展范围（来源：Ars Technica）
• 78 兆瓦：阿姆斯特丹西港争议数据中心园区的装机容量（来源：虎嗅）

🔍 今日值得深读

OpenAI 推出 ChatGPT Wallet，以逐笔生物认证和支付令牌约束 Agent 代付

ChatGPT Wallet 首批面向美国成年 Pro 用户，通过 dots Agent 完成购买。用户逐笔检查商品、总额与卡片并以 Face ID 或指纹确认；支付网络随后下发替代真实卡信息的令牌，Agent 与商户均不接触真实卡号。对金融机构而言，新增的不只是支付入口，而是一套需要纳入身份、授权、拒付、反欺诈与审计的机器交易链。

• 发生了什么：OpenAI 与 American Express、Mastercard、Visa 合作推出 Wallet，并要求商户用 Web Bot Auth 识别签名请求、协调风控系统减少对合法 Agent 交易的误拒。
• 为什么值得深读：方案把“用户授权—设备认证—令牌支付—争议保护”串成可落地流程，为银行判断 Agent 支付责任边界提供了具体对象。
• 后续看点：早期欺诈率、误拒率、支付失败率与拒付举证规则尚未披露；按额度、品类或期限预授权 Agent 全权购买仍是规划能力。

来源：OpenAI

DeepSeek 将搜索、文件与语音能力装入 API，工具费与 Token 费分账

DeepSeek 把 App 侧的联网搜索、深度思考搜索、链接与文件读取等能力整合进 API，并把 Search、Fetch、OCR、ASR、TTS 拆成可组合接口。目前完整能力只支持 V4.1-Flash。作者实测还暴露了一个生产细节：未注入日期元信息时，模型把“今天”错解为旧日期；加入 latest_reminder 后才返回当天结果。

• 发生了什么：搜索与网页抓取定价为每千次 5 元，OCR 为每千页 1.5 元；语音识别每小时 0.39 元、合成每万字符 1.5 元，语音价格当时处于限时折扣。
• 为什么值得深读：开发者不再自行拼装搜索、解析与语音链路，但成本核算也从单一 Token 变成模型与工具两本账，日期、地域等运行时上下文成为正确性条件。
• 后续看点：需持续测量搜索调用次数、来源质量、文件解析失败率及元信息注入对结果的影响；文中耗时和成本是单次作者实测，不是通用基准。

来源：AI信息Gap

同一模型更换 Harness，复杂任务通过率可相差 22.1 个百分点

微软公布的 Agent 执行系统测试显示，在模型保持 Claude Opus 4.8 不变时，更换 Copilot Studio 背后的 Harness，复杂任务通过率提高 22.1 个百分点；代价是模型调用次数近乎翻倍。该结果把企业选型问题从“哪家模型更强”推进到执行层：规划、工具调用、上下文管理、重试和验证会共同决定任务成功率与总成本。

• 发生了什么：报道梳理了多家厂商围绕 Agent Harness 的竞争，强调执行系统可放大或压低同一模型表现。
• 为什么值得深读：金融机构的模型 PoC 若不固定 Harness、权限、工具和重试预算，横向分数不可比；按 Token 单价估算 ROI 也会漏掉调用放大效应。
• 后续看点：需要公开任务集、调用上限、失败类型和总成本口径，并在相同权限与工具条件下复测，才能判断 22.1 个百分点能否迁移到企业流程。

来源：硅星人Pro

清华 CoACT 压缩 Coding Agent 观测上下文，报告 Token 开销下降 33%

CoACT 针对 Coding Agent 反复携带文件、搜索结果与日志造成的上下文膨胀，引入协作式压缩机制。团队在 SWE-bench Verified 等任务上报告：观测内容原本占总 Token 的 45.7%，方法可在维持任务表现的同时降低约 33% Token 开销。它瞄准的不是模型参数，而是每一步都重复付费的运行时历史。

• 发生了什么：系统对历史观测做选择性保留和压缩，让 Agent 继续获得解决问题所需证据，同时减少后续轮次重复输入。
• 为什么值得深读：长流程 Agent 的成本常由上下文增长而非首轮推理主导；压缩策略会直接影响单位任务成本、延迟和审计可读性。
• 后续看点：结果来自作者论文与给定基准，仍需观察不同代码库、长任务及压缩错误下的成功率，并核对节省是否包含压缩器自身成本。

来源：机器之心

OpenAI 撤销独立机器人团队，通用模型开始改写专用模型分工

OpenAI 确认解散独立机器人团队：研究人员并入核心研究，应用机器人与硬件人员转入应用业务线。公司称机器人仍是长期核心愿景，调整目的是让通用前沿模型更直接参与机器人控制，而不是退出赛道。组织变化本身不能证明通用模型已取代专用策略，但它明确改变了研发资源的归属。

• 发生了什么：机器人研究与通用模型研究合流，应用和硬件人员进入更大的产品组织。
• 为什么值得深读：若通用模型承担更多感知、推理和控制，机器人厂商的差异化可能进一步转向数据、仿真、执行安全与硬件闭环。
• 后续看点：需看重组后的真机任务、长时程接触操作、安全约束和推理成本；目前报道没有给出可独立复现的控制结果。

来源：Fortune

数据中心建设遭遇跨国阻力，算力扩张开始由地方许可与电网承载力定速

欧洲多地出现针对数据中心的抗议，美国地方投票也集中对相关项目表达保留。报道以阿姆斯特丹一座 78 兆瓦、微软为唯一租户的园区为例，梳理用电、用水、土地和就业回报之间的冲突。对算力采购方而言，GPU 到货不再等于产能上线，电力接入、社区接受度和地方审批正在成为更早期的项目风险。

• 发生了什么：抗议行动覆盖多个欧洲国家；美国 11 月 3 日有 41 项数据中心地方议题交由选民表决，其中多数结果偏消极。
• 为什么值得深读：云与算力合同的交付风险正从芯片供应扩展到选址、电网、融资与政治许可，长期容量规划需纳入区域集中度。
• 后续看点：关注项目延期率、电网接入排队、长期购电协议成本、用水约束以及地方税收和就业承诺能否兑现。

来源：虎嗅

📰 独立报道

Agent 与企业 AI

Airwallex 展示 Agent Cards 沙箱原型，真实支付能力尚未上线

Airwallex 团队用模拟资金演示 Agent 执行模拟购买，目的在测试消费策略规则。材料没有披露限额、商户限制、异常升级或凭证绑定方式，因此只能视为一手原型线索，不能表述为生产级产品；它与 ChatGPT Wallet 同日出现，也说明 Agent 支付正在形成“钱包令牌”和“策略卡”两条探索路径。

来源：kimmonismus

GitHub 给出 Agent Skill 边界：可复用判断写进文件，强制控制留给宿主与 CI

GitHub 将 Skill 定义为以 SKILL.md 为中心的版本化目录，用于封装可审查、可复用的工程判断；工具、凭据和权限仍由宿主环境提供。文章明确指出，若流程需要稳定接口、共享状态、审计轨迹或外部强制权限，应建设应用而非只写 Skill；必须阻断合并或部署的检查仍应放在仓库规则和 CI 中。

来源：GitHub Blog

Amplitude 用产品 Agent 串起机会发现、编码与 A/B 测试

Amplitude 的 Wave 汇集分析数据、会话回放、客户反馈与代码，提出改进后交给编码 Agent 实施并追踪效果。OpenAI 发布的案例称，部分改进可在 1—2 天上线，一项首页建议卡实验首日相对对照提升 160%；这些数字来自厂商案例、样本与替代模型披露有限，适合借鉴工作流，不宜当成行业基准。

来源：OpenAI

Perplexity 将“判断”拆成 Decider 模型，一次前向传播回答多项分类问题

Decider v1.3 面向分类、路由、评分等判断任务，让同一上下文对应多个问题时复用计算。Perplexity 报告其在 63 项分类任务上的准确率为 91.6%，并声称相对生成式判断流程降低成本；该结果来自发布方评测，金融机构更应关注自有标签分布、校准误差、拒答机制和批量问题数量对时延的影响。

来源：Perplexity

Google 发布 Gemini 4 Hydrogen，速度优先模型进入 Agent 调度层

Google 将 Hydrogen 定位为快速、低成本的 Gemini 4 成员，并配套多模型调度。报道汇总的官方和第三方测试显示其输出速度较前代提升约 2.5 倍，但不同任务的输出长度、成功率与总成本仍会改变结论。对企业而言，真正要测的是端到端任务成本，而非只比较每百万 Token 单价或单项跑分。

来源：AI前线

llama.cpp 发布 1.0，本地推理生态获得稳定版本节点

llama.cpp 以 1.0 版本强化本地与边缘推理的基础设施定位。对受数据驻留、网络隔离和时延约束的金融场景，这一节点的意义在于部署接口、量化格式与硬件后端的可维护性，而不是简单宣称端侧模型替代云端。采用前仍需按目标硬件验证吞吐、内存、精度损失和升级兼容性。

来源：Hugging Face

评测、安全与可靠性

Anthropic 总结安全评测十项建议，强调部署门槛必须绑定具体威胁模型

Anthropic 工程团队提出安全评测的设计、运行与解释建议，核心是先明确威胁模型、能力阈值和保障措施，再用评测决定模型是否适合部署及训练重点。它是厂商方法论，不是对任何模型安全性的证明；企业可据此检查评测集污染、评分者一致性、失败复现和上线后的漂移监控。

来源：Anthropic

Mozilla 用 GPT-6 Cyber 辅助 Firefox 漏洞调查，仍由安全工程流程验证

Mozilla 与 OpenAI 介绍了 AI Agent 如何帮助确定调查优先级、测试和验证漏洞，并定位修复路径。视频强调 AI 与既有安全工程结合，不能把模型发现直接当作可利用漏洞或已完成修复。金融机构可借鉴“发现—复现—验证—补丁—回归”的分层权限设计，避免 Agent 直接跨过人工确认进入生产。

来源：OpenAI 视频

XYBench 测试模型能否识别“问题背后的问题”

Allen Institute for AI 发布 XYBench，考察模型面对用户错误设定的问题时，能否识别根因并避免只优化表面请求。该基准获得 EMNLP 2026 Best Resource Award。对客服、投顾辅助和内部支持系统，这类能力直接关系到错误前提的放大风险；仍需结合任务构造、评分标准和领域迁移结果解读排名。

来源：Hugging Face

微软全球云故障从 Outlook 与 Teams 扩散至多项服务

微软一次持续多小时的故障由邮件与协作服务扩散，影响 Microsoft 365、Teams、Outlook、Copilot 及部分云能力，多国政府和企业受波及。微软称正逐步恢复且未发现恶意活动。事件提醒采用集中式 AI 办公套件的机构，应把身份、邮件、协作与 Copilot 的共同故障域纳入业务连续性演练。

来源：TechCrunch

Uber 供应商遭入侵，数千名司机证件信息被盗

Uber 确认其技术供应商在 10 月发生数据泄露，数千名司机的个人信息与驾照资料被窃。事件不是模型能力更新，却直接关系到平台型金融与出行企业的第三方风险：高价值身份文件一旦跨系统流转，供应商边界也成为主数据安全边界，需核对最小化采集、加密、留存和通知时限。

来源：TechCrunch

物理 AI 与关键基础设施

CoMind 让多机器人主动选择共享信息，厂商实测称通信量下降 80%

CoMind 面向多机协作中的信息过载，让机器人根据任务主动决定“何时、向谁、共享什么”。星尘智能报告，在其隔墙抓取实验中，引入机制后完整协作成功率由 0% 提至 100%，信息输出量下降约 80%。这是特定厂商场景结果，尚不能外推到开放环境；价值在于把通信策略本身变成可学习模块。

来源：AI前线

CoRL 辩论追问机器人是否必须拥有显式世界模型

CoRL 现场围绕四项命题辩论：端到端策略能否内化预测结构、通用策略与通用世界模型谁更易学习、显式世界模型是否是可扩展评估的必要条件，以及现有基准能否判定其必要性。现场投票变化反映的是论证说服力，不是技术结论；真正缺口仍是可区分两条路线的任务与失败测试。

来源：虎嗅

FAA 将 AI 空管建议系统扩展到全美 22 个中心

FAA 把 SMART 从华盛顿区域试点扩展至全美空域。系统综合天气、航路、流量和人员配置预测拥堵，建议先由华盛顿专家验证，再交地方管制员决定是否采用。FAA 称试点 180 次改航平均每班节省 10 分钟和近 80 加仑燃油，但缺少独立审计；工会也称未参与设计或测试。

来源：Ars Technica

金融科技与数字资产

NIFD 首发加密资产压力与脆弱性指数

国家金融与发展实验室数字资产研究团队发布季度报告，并首次给出加密资产压力指数与脆弱性指数，尝试把价格、市场结构与传染风险纳入连续监测。报告同时讨论美国立法受挫和数字人民币跨境服务升级。指数的决策价值取决于成分、权重、回测窗口与极端期解释力，采用前需先核对方法附录。

来源：国家金融与发展实验室