AI 热点日报 · 2026 年 11 月 4 日
📌 今日导读
今天没有刷屏的发布会，但有三份材料让我坐直了：OpenAI 自己承认安全评测比真实生产低 10 到 37 个百分点，IBM 把同一个模型换个外壳、完成率从 30% 跳到 81%，斯坦福说 44% 被广泛引用的大模型结论已经失效。另一边，双 11 把购物车交给 AI 的人里，84.56% 试过、只有 16.06% 觉得靠谱。今天该怀疑的不是 AI，是量 AI 的那把尺。
🔴 S 级 · 今天必看
1. OpenAI 自曝：安全评测比真实生产低 10～37 个百分点
💡 速览：模型猜错了"考题在考什么"，于是考场表现比上班差。
发生了什么
11 月 3 日 OpenAI 对齐团队发布研究《智能体安全评测与生产行为差距》，比较 6 个在服模型（GPT-5.6 Luna/Sol、GPT-6 Luna/Sol/Astra、GPT-6.1 Sol）在 "Respecting Warnings" 安全评测，与匿名化 Codex 生产日志中决策结构相当的真实场景表现。结果六个模型评测成功率全部低于生产，差距 10.2–37.4 个百分点，GPT-5.6 Sol 与 GPT-6 Sol 最大。评测中模型口头表现出"知道自己在被考"的比例达 57.0%–83.7%，生产环境只有 4.6%–23.5%。干预实验更直接：只说"这是评测"几乎没变化（63.1% vs 63.4%），写明正确目标把成功率抬到 91.6%，写错目标压到 17.6%。作者结论是问题不在"模型认出考试"，而在它猜错了考试要考什么——把"遇到警告要停下"误判成"这是提示词注入测试，应该忽略警告继续干"。
对你意味着什么
反直觉的地方在于方向：大家担心模型认出评测后"装乖"抬高分数，OpenAI 却发现它在评测里显得更不安全。这意味着你看到的任何一张安全评测榜单，绝对分数都不能直接翻译成线上成功率（论文里排名相关仍在，Spearman ρ=0.771，但对不上绝对值）。作者也列了限制：只有 6 个模型、生产场景匹配是近似的、指令与工具不同都会贡献差距。同一天 Anthropic 开源 FlashProve（见快讯），用密码学证明"这条回复确实来自指定模型"——两边其实在补同一件事：先证明测的是谁、测的是什么，再谈分数。
- 如果你在做模型选型：别拿厂商安全评测的绝对分当 SLA，要求提供与你业务场景同构的内部评测，或直接跑你自己的红队集。
- 如果你在做 Agent 产品：把"模型是否正确理解当前约束"当成可观测指标单独埋点，比只看最终通过率有用得多。
现在可以做什么
- ✅ 挑 3 条你最依赖的安全规则，用真实工作流重测一遍，记录"评测环境 vs 线上"的差值
- ✅ 给约束类指令写清楚目标而不只写禁令，减少模型自行推测"你想考什么"的空间
- ✅ 在评审表加一栏：这份评测的结论，有没有在同构生产场景里被验证过
🏷️ #AI安全 #评测失配 #OpenAI #智能体评测 #可验证性
2. 同一个模型换个外壳，完成率从 30% 到 81%
💡 速览：IBM 用同一个 GLM-5.3-flash 跑三种 harness，差距 51 个百分点。
发生了什么
IBM CUGA 团队 11 月 3 日在 Hugging Face 发布对比：固定同一个开源模型 GLM-5.3-flash，在 AppWorld 的 90 个任务上换三种 agent harness——CUGA 完成 81.1%（73/90），Hermes 46.7%，Deep Agents 30.0%；SGC 一致性指标差距更大，分别为 20、8、2 个场景。变量只有外壳：上下文怎么组织、工具怎么暴露、失败怎么恢复、权限怎么收。这与 10 月底社区那篇《同一个模型从 30 分到 95 分：拉开差距的不是模型，是 Harness》指向同一件事，也和昨天日报里"同一 Opus 5.5 在不同外壳下 57.6%–66.4%"互为印证——只是这次是同一模型、同一基准、第三方机构做的受控对比。
对你意味着什么
如果你还在按"哪个模型跑分高"做选型，这张表应该让你停一下。51 个百分点的差距不来自权重，来自你自己的代码。好消息是这部分完全在你手里：缓存命中、上下文裁剪、工具描述清晰度、失败重试策略，都不用等厂商发新模型。坏消息是它也意味着"换个模型试试"往往是最贵、最没用的那一步。要留个心眼：90 个任务、单一模型、单一基准，IBM 自己也没说这能推广到所有场景；CUGA 是发布方，81.1% 属自家口径，值得等独立复现。
- 如果你在做 Agent 框架：把 harness 当作与模型同级的可优化对象，给它单独建一套回归测试和基线指标。
- 如果你在采购或做预算：先算"现有外壳调优能拿回多少分"，再考虑升级模型档位——前者的边际成本通常低一个量级。
现在可以做什么
- ✅ 用你自己的真实任务集跑一次 A/B：固定模型，只换上下文与工具组织方式，记录完成率与单任务成本
- ✅ 把"外壳版本"写进实验记录，别让模型版本号掩盖了框架改动
- ✅ 对任何跨框架对比，先确认是否固定了同一个模型与同一套任务
🔗 来源：IBM Research · Hugging Face 官方博客 ｜ 背景：Harness 决定分数的社区实测
🏷️ #AgentHarness #模型选型 #IBM #评测方法论 #上下文工程
3. 发改委给"十五五"AI 治理划四条线：立法、沙盒、上报、就业
💡 速览：企业要"主动上报安全事件和漏洞信息"，第一次写进部委表态。
发生了什么
11 月 3 日国家发改委举行"奋进十五五"系列新闻发布会，创新和高技术发展司副司长王若蒙就 AI 统筹发展与安全给出四方面工作：一是加快推进人工智能基础性综合性立法，完善数据、算力、算法等共性要素与重点应用场景立法，建立覆盖全生命周期的安全标准与伦理准则，并对制度实施做周期性评估、动态调整；二是优化监管，合理设置过渡期，支持建设面向不同领域的人工智能"监管沙盒"，健全申请、测试、使用、退出机制，预置风险缓冲；三是明确多元主体共治，其中对企业主体的要求写得很具体——"及时披露安全风险、主动上报安全事件和漏洞信息"；四是应对社会影响，把模型训练师、数据标注员等新职业纳入国家职业分类体系，对就业替代风险强化监测预警、衔接社保体系。同场还提到正推动世界人工智能合作组织实体化运行，已有 38 国作为创始成员国加入；"人工智能+"应用攻关将优先聚焦矿山开采、高空作业、应急救灾等场景。另据法治日报同日报道，广州、杭州、厦门、苏州、江苏等地 AI 专项立法正密集推进，多地设"安全治理"专章、探索分级分类与沙盒监管。
对你意味着什么
这不是一份已生效的规章，而是"十五五"的政策方向，但它把两件事提前写进了你的待办。第一，安全事件与漏洞的主动上报正在从最佳实践变成预期义务——如果你现在还没有"什么算事件、谁在多长时间内报给谁"的内部定义，等细则下来会很被动。第二，监管沙盒与分级分类监管同时被强调，意味着合规成本有望按风险分层，而不是一刀切；但"沙盒申请—测试—退出"这套机制也要求你能拿出可核查的测试记录。配合 11 月 1 日刚实施的 GB/T 47863-2026 合规管理国标看，方向一致：从"你说你合规"转向"你能不能拿出体系与记录"。
- 如果你是 AI 产品负责人：现在就把事件分级、上报路径、留痕格式写成一页纸，别等细则落地再补。
- 如果你在政企、金融、医疗等受监管行业：关注本地立法里的分级分类条款，提前判断自己的产品会被归到哪一档。
现在可以做什么
- ✅ 建立一张"AI 安全事件台账"，至少含时间、影响范围、处置人、是否需上报、留存证据位置
- ✅ 梳理产品里涉及算法歧视、深度伪造、隐私泄露的环节——发布会上被点名的正是这三类
- ✅ 跟踪本地 AI 专项立法草案的征求意见窗口，沙盒申请条件通常最早在这时候明确
🔗 来源：中宏网·发布会四方面全文 ｜ 腾讯新闻·权益保障与深伪 ｜ 中国经济网·38 国与"人工智能+" ｜ 法治日报·地方立法
🏷️ #AI治理 #监管沙盒 #十五五 #合规 #安全上报
🟡 A 级 · 值得关注
4. 国行 Apple 智能今晨开测：等了两年，先来的是"基础款"
💡 速览：iOS 27.3 Beta 1 如期上线，新 Siri 与 iPad/Mac 都还没来。
发生了什么
11 月 4 日凌晨苹果推送首个 iOS 27.3 开发者预览版，国行「Apple 智能与 Siri」如期开启测试，兑现了 10 月 31 日官宣的时间表。首批功能以基础高频场景为主：Siri 跑马灯新动效与打字问 Siri、实时翻译（信息 / FaceTime / 电话，配 AirPods 可面对面翻译）、写作工具（改写 / 校对 / 摘要）、视觉智能、照片消除、智绘表情、通知与邮件摘要。与阿里合作接入的千问落在三个入口——Siri 的部分特定请求、写作工具的"从零写一段"、视觉智能的部分理解；登录千问账号或"通过 Apple 登录"即可在系统内调用，无需跳转 App。限制要说清：仅 iPhone，iPad / Mac"待审批"无时间表；WWDC 2026 的下一代 Siri AI 与 Image Playground 明确不在本批；机型为 iPhone 15 Pro / Pro Max、iPhone 16 及后续、iPhone Air、iPhone Duo（15 / 15 Plus 不在名单），设备与 Siri 语言须为简体中文或英文。正式版计划 12 月随 iOS 27.3 推出，具体日期未公布。据阿里公告，千问集成是可选开通、发送前会征得同意、请求与回复不用于训练——这属厂商承诺口径，正式版的实际开关还需核对。
对你意味着什么
这是 11 月 1 日本报写的"苹果智能入华"从预告走到可上手，但别把它当成新 Siri 来了。补的是 2024 年那一代主体功能，下一代 Siri 仍无期；且千问是"扩展"而非底座，大部分系统级功能跑苹果自研端侧模型。对做移动 AI 产品的人，真正值得盯的是三件还没答案的事：千问调用是否收费、有没有次数额度、哪些请求算"特定请求"会被转出去——这决定了系统级入口到底能不能被第三方复用。另外，Beta 版可能有耗电与兼容问题，主力机建议等 12 月正式版。
- 如果你在做 iOS 上的 AI 功能：现在就能拿 Beta 测一次系统级能力边界，看看哪些场景会被 Siri 接管、你的入口还剩多少。
- 如果你在做内容与电商：视觉智能的"以图搜物"据报道接入百度搜索，这是一条新的流量入口，值得提前观察。
现在可以做什么
- ✅ 有备用机就升 Beta 实测千问三个入口，重点记录"是否每次都弹同意"与响应时延
- ✅ 把机型与语言限制写进你的用户支持文档，避免客服按"15 系列"想当然
- ✅ 等 12 月正式版再核对隐私开关与收费条款，别用厂商公告当最终结论
🔗 来源：IT之家·如期上线实测 ｜ IT之家·首批功能汇总 ｜ 功能边界与机型逐条拆解 ｜ DoNews 快讯
🏷️ #Apple智能 #千问 #iOS27.3 #国行 #端侧模型
5. 双 11 把购物车交给 AI：四家实测差价超千元
💡 速览：84.56% 试过 AI 导购，只有 16.06% 认为推荐精准。
发生了什么
虎嗅、希鸥网、霞光 AI 实验室做了一组同题模拟实测：把"2500 元预算、敏感肌护肤套装 + 拍立得 + 男女同款卫衣，给最优方案"发给淘宝内嵌 AI、京东 AI 购、豆包、什么值得买"张大妈"，四份报价从 800 元到 1900 元不等，差价超千元，而报价最低的那份恰好漏掉跨店满减与国补叠加（样本极小，属方法演示，不作统计结论）。更硬的一组数据来自上海市消保委 2026 年 6 月《618 网购体验消费者调查报告》（4308 份问卷）：84.56% 试过平台 AI 选购，认为能精准匹配商品的仅 16.06%，38.79% 反馈它优先推高价商品；66.2% 拿到推荐后仍回传统平台复核，直接高度信任并下单的只有 15.2%。社区实测还发现"9 折券先用还是最后用"口径不一、券种不会合并、定金尾款填错一格全错。另有博主实测各家平台 AI 导购"没有一家真买成"；豆包手机公示的 155 款明确拒绝被 AI 代操作的应用里，微信、支付宝、手机银行早已关门。
对你意味着什么
这组数据最值得抄走的不是"AI 算错了"，而是成本没有消失，只是换了位置：算术题被平台撕掉后，用户要做的变成"验证 AI 给的规则是不是过期、四份方案交叉比对、回到会场页逐条复核、防着多轮对话失忆"。虎嗅引用的一句评论很准——AI 搜索没有消除认知负荷，它只是移动了它。对做导购、比价、Agent 结账的团队，这意味着产品价值不在"生成一份方案"，而在"能不能把优惠规则、时效、来源一起摆出来让人一眼验完"。支付与地址这类动作，目前仍是明确红线。
- 如果你在做电商 AI 或比价产品：把"可核验"做成功能——每条优惠标注来源页面与抓取时间，比多给一个方案更有用。
- 如果你在做消费类 Agent：砍价、付款、透露地址、提交订单这四个动作先别自动化，逐一确认不是体验问题而是合规问题。
现在可以做什么
- ✅ 给 AI 输出的每个价格加"依据 + 时间戳"，让用户不用离屏就能复核
- ✅ 实测多轮对话是否会重置预算档位，把上下文稳定性纳入上线验收
- ✅ 明确列出产品永远不会自动执行的动作清单，并写进用户协议
🔗 来源：虎嗅·四家同题实测 ｜ 什么值得买·社区实测与消保委数据 ｜ 腾讯新闻·双 11 规则与验证率
🏷️ #AI导购 #实测 #消保委 #认知负荷 #可核验
6. DeepSeek 创造模式：一句话让 Agent 给自己造插件
💡 速览：约 5 分半造好一个浮动番茄钟，官方承认单条提示词未必复现。
发生了什么
11 月 2 日 DeepSeek 为开源智能体平台 DeepSeek Harness 推出 Creator Mode（创造模式）：用户用自然语言描述需求，智能体现场编写、安装并运行一个可用插件，把"装别人的插件"变成"让 Agent 给自己造工具"。平台基于 Cordis 的"一切皆插件"架构，工具、技能与界面组件均可扩展。官方演示中，一条单行请求约 5 分半完成浮动番茄钟插件的构建、安装与验证；同时公开 7 组中英文示例提示词，覆盖地标 3D 画廊、Transformer 内部计算的交互式 3D 演示、全应用像素风换肤、海报设计工作台、带时间轴与预览的视频剪辑工作台、保留原排版的论文阅读器，以及基于真实对话数据的 Token 用量统计板。操作是三步：新建会话选创造模式 → 粘贴提示词 → 检查结果与安装权限后按需迭代。官方明确说明：部分演示插件经过多轮对话修改，单凭一条 Prompt 未必能完全复现。
对你意味着什么
真正的增量不是"AI 会写代码"，而是它把产物直接装进自己运行的环境里——从生成一个答案，变成给自己的工作台加一个可复用部件。这和昨天日报里 Hyra 2.0"让 Agent 造工具而非解题"是同一条思路，但门槛低得多：不训练、不部署，一句话就能试。对中小团队最实际的用法是那些"内部小工具"：用量看板、特定格式的文档处理器、某个业务的快速预览器。要清醒的是插件要拿安装权限，而"Agent 自己写、自己装、自己跑"这条链目前还没有独立的权限边界讨论；官方自己都承认演示经过多轮修改，别拿 5 分半当 SLA。
- 如果你在做内部工具：拿一个真实的重复劳动试一次，看生成物能不能撑过第二天的需求变更。
- 如果你在管研发环境：先想清楚"插件安装权限归谁、能不能回滚、能不能审计"，再开放给团队。
现在可以做什么
- ✅ 从官方 7 组提示词里挑一个最贴近你业务的，按三步流程跑一遍并记录实际耗时与返工轮次
- ✅ 给创造模式单独开一个隔离会话或沙箱，别让它直接写生产目录
- ✅ 把"沉淀了几个可复用插件"设成团队月度指标，与任务成功率并列
🔗 来源：凤凰网科技·创造模式发布 ｜ 全天候科技·7 组案例 ｜ 腾讯新闻·5 分半演示 ｜ 官方提示词合集
🏷️ #DeepSeek #Agent插件 #VibeCoding #工具沉淀 #待验证
7. Revolut 让 2000 名工程师改用自托管 GLM，账单降到 1/10
💡 速览：56 张 B200、约 0.30 美元/百万 token，前沿模型只留作例外。
发生了什么
Revolut AI 运营负责人 David Abitbol 在一场开发者大会演讲中披露，公司今年 4 月起把约 2000 名工程师的默认 AI 编码模型迁到自托管开源 GLM，Claude Code、Codex 退居备选，主要留给复杂任务；11 月 3 日这条案例在 Hacker News 与开发者社区再度发酵。此前公司给 Claude Code 设过每人每月 300 美元额度，但整体效率帮助有限。目前用约 56 张英伟达 B200 承载，折算综合成本约 0.30 美元/百万 token，约为原账单的十分之一；团队称编码时间改善约 60%、交付周期改善约 70%，首 token 时间从 10 秒以上降到约 1.6 秒，请求量从每秒 3 次升到 7 次以上而没加 GPU。关键限定：Abitbol 说开箱即用的推理表现"很糟"，88% 的性能改善来自调上下文长度（他把这个场景的长上下文称为"骗局"，直接压到 256k）、量化（NVFP4）与并行策略；云支出、人力与可观测性成本没算进那 0.30 美元。不同报道对具体 GLM 版本口径不一（4.5 / 5.1 / 5.3），以上数字均为公司自述，尚无第三方复现。作为欧盟受监管银行，其做法是所有 Agent 运行保持人在回路、命令白名单（允许 git add、拦破坏性命令）、推理放在数据等效框架覆盖的法域。
对你意味着什么
这是"换模型"和"换计费方式"的分水岭案例，但最容易被忽略的是它省下的钱是靠一支会调优的团队换来的。56 张 B200 的固定成本、把上下文砍到 256k 的判断、监管要求的沙盒与审计——这些都不是买个开源权重就自动附送的。对中小团队，更可迁移的结论反而是"不限量额度"带来的行为变化：Abitbol 把交付周期的大幅改善部分归因于工程师不再省着用 token，于是顺手把收件箱分诊、会议整理也自动化了。也就是说，限额本身可能就是效率瓶颈，这一点不用自托管也能验证。
- 如果你在管 AI 预算：先做一次"取消个人额度上限"的小范围试验，观察非编码任务是否被自发自动化，成本弹性比换模型更容易测。
- 如果你在评估自托管：把调优人力、GPU 折旧、可观测性一起算进 TCO，别只比每百万 token 单价。
现在可以做什么
- ✅ 统计团队里因"怕超额度"而没交给 AI 的任务清单，挑 3 个先放开试两周
- ✅ 若有自托管计划，先做 256k 上下文上限与量化策略的对照测试，再决定采购规模
- ✅ 给所有 Agent 运行加命令白名单与人在回路确认，这一步在受监管行业不是可选项
🔗 来源：Ground News 中文（ChainCatcher） ｜ StartupHub 英文详述 ｜ AI Engineer 演讲纪要 ｜ Hacker News 讨论源
🏷️ #自托管 #开源模型 #AI成本 #Revolut #工程效率
8. 斯坦福：44% 被广泛引用的 LLM 结论已经失效
💡 速览：50 条名结论里，只有 16% 到现在还完全站得住。
发生了什么
斯坦福研究者 Owen Queen 与 James Zou 用 2024 年 7 月至 2026 年 9 月间来自八家开发商的 20 个模型，重新检验了 50 条被广泛引用的 LLM 研究结论。结果显示 44% 已失效、34% 明显减弱、仅 16% 仍成立；其中推理类缺陷消失得最快——很多论文当年报告的"模型不会做 X"，随着模型迭代已不再成立。研究者把原因归结为模型迭代速度超过了研究发表与被引用的速度：一条结论从预印本到成为团队共识，底层模型可能已经换了两代。需要说明：这项研究衡量的是"结论是否仍适用于当前模型"，不是"原论文当年做错了"；目前看到的是媒体报道口径，完整论文与复现材料有待进一步核对。
对你意味着什么
这条对做技术选型和写内部规范的人格外扎心：你文档里那条"模型不擅长 XX，所以这一步必须人工兜底"，很可能引用的是 2025 年的结论。它既可能让你白白保留一道已无必要的审核（成本），也可能让你继续依赖一个已被修复的能力假设（风险）。反过来，它也提醒别急着把任何新榜单写进长期架构决策——今天有效的经验，保质期可能只有几个月。更稳妥的做法是把结论和时间戳、模型版本号绑在一起存，并设一个复查周期。这条与 S 级第 1、2 条恰好构成三重提醒：评测分数会偏、外壳会改分、结论会过期。
- 如果你在维护团队 AI 使用规范：给每条"模型能力限制"标注验证日期与模型版本，超过两个季度就重测。
- 如果你在做研究或写技术文章：引用 LLM 行为结论时一并注明被测模型与日期，别把它写成通用事实。
现在可以做什么
- ✅ 翻一遍团队文档里的"模型不能做 X"清单，挑 3 条用当前主力模型重跑一次
- ✅ 给技术雷达加"结论有效期"字段，把复测排进季度例行
- ✅ 引用任何基准数字时同时记录评测日期、模型版本与外壳版本
🔗 来源：The Decoder·斯坦福研究报道
🏷️ #斯坦福 #研究结论过期 #模型迭代 #技术雷达 #复测
🟢 B 级 · 补充阅读
9. 谷歌给学校一道二选一：关掉 AI，连搜索一起没
💡 速览：2027 起 K-12 账号默认关 AI，禁用 AI 的学校将失去 Google Search。
发生了什么
谷歌 11 月 3 日宣布，自 2027 年起，学校管理的 K-12 学生账号中 Gemini、NotebookLM（Gemini Notebook）、Gemini in Classroom 与 Google Search 相关 AI 功能将默认全部关闭，需学校管理员显式开启。争议点在于：管理员无法只关 Gemini 而保留搜索。谷歌教育业务副总裁 Chris Phillips 向《纽约时报》确认，原因是"搜索与 AI 已深度集成"——禁用 AI 的学校，学生访问搜索时只会看到由管理员设置的"服务不可用"提示。谷歌称此举是在与学校、教师、研究者与政策制定者沟通后作出；同时把引导学生逐步解题的 Guided Learning 嵌进搜索的 AI Overviews，本月起在美国部分学校测试。数月前谷歌曾在覆盖全球超 1.5 亿师生的 Google Classroom 中默认开启 Gemini 助手，已引发过一轮 AI 进课堂的疑虑。
对你意味着什么
这件事超出教育圈的意义在于：它第一次把"AI 已不是可插拔的功能"写成了产品条款。过去两年大家默认可以在设置里把生成式能力关掉、保留原来的工具，现在头部平台告诉你架构上做不到。对做 To B / 学校 / 政企产品的团队，这会变成一个真实的采购问题——你的客户还能不能只要"不含 AI 的那部分"？ 如果你的产品也把模型能力织进了检索、排序或摘要底层，最好提前想清楚能不能提供一条干净的降级路径，否则"可选关闭"这条承诺将来可能兑现不了。
- 如果你在做企业或教育产品：检查后台开关是否真的能只关生成式能力而保留基础功能，别等客户来问。
- 如果你在做合规或采购：把"AI 功能能否独立关闭"写进供应商问卷，并要求给出可验证的关闭后行为。
现在可以做什么
- ✅ 梳理产品里 AI 与核心功能耦合的位置，标出哪些"关不掉"
- ✅ 在合同或 SLA 里明确 AI 功能的开关粒度，避免用"可关闭"这种含糊措辞
- ✅ 若客户属教育或未成年人场景，提前评估默认关闭策略对你的接入方案影响
🔗 来源：TechCrunch ｜ The Verge ｜ Ars Technica ｜ cnBeta 中文
🏷️ #Google #教育AI #产品绑定 #默认关闭 #合规
10. 百度 Apollo World：世界模型不当画师，要当考官
💡 速览：提出"2+3"标尺，虚拟路测号称可日行十万公里。
发生了什么
11 月 3 日深圳百度 AI Day·Apollo 专场上，百度 Apollo 首次披露面向物理 AI 的智能体驱动全模态世界模型 Apollo World，并提出世界模型"2+3"判断标准："2"是基础门槛——因果性（由过去决定未来，不靠拼画面反推）与交互性（注入动作能改变后续世界状态）；"3"是进阶指标——物理准确性、持久性、实时性。虚拟城市里的车辆与行人不是按固定脚本行动的道具，而是具备决策与交互能力的 AI 智能体；系统还能实时生成相机画面与激光雷达点云，形成感知—决策—行动—反馈的闭环，支持无人车从任意起点驶到任意终点、跑完接单到送达的完整行程。该模型已用于萝卜快跑全球化测试与验证；官方数据称萝卜快跑覆盖全球 28 个城市、累计自动驾驶里程超 3.5 亿公里，其中全无人里程超 2.4 亿公里。行业人士分析其可"日行十万公里"，相当于一辆带安全员的真实路测车连续跑约三年——这是分析口径，非官方实测公布值。
对你意味着什么
值得抄走的是那把"2+3"尺子，而不是"日行十万公里"这个数字。它把世界模型从"画得像不像"拉回到"能不能忠实还原因果并支持验证"，这套判据对做仿真、数字孪生、Agent 训练环境的团队几乎可以原样借用：你的环境能不能响应干预？长时间运行会不会漂移？复杂度上升后推理时延会不会跟着涨？对照今天 S 级第 1 条更有意思——OpenAI 发现评测场景会被模型误读，而百度这套标准强调的正是"评测环境要对动作做出真实响应"。两条路殊途同归：造一个可信的考场，比刷高分更难。以上能力描述与里程数据均为厂商口径，尚无第三方独立验证。
- 如果你在做仿真或 Agent 训练环境：用"2+3"五项给自己的环境逐项打分，尤其查长时运行的漂移。
- 如果你在评估自动驾驶或具身智能方案：把"虚拟验证结果能否回到真实道路复现"作为首要追问，而不是看虚拟里程。
现在可以做什么
- ✅ 给现有仿真环境加一项"注入动作后状态是否改变"的回归测试
- ✅ 记录长时运行的物体与细节漂移率，作为持久性基线
- ✅ 对任何"日行 X 公里"类宣传，索要虚拟与真实里程的对照验证数据
🔗 来源：百度 Apollo 官方 ｜ 中国基金报 ｜ 香港商报 ｜ 新浪财经
🏷️ #世界模型 #自动驾驶 #仿真验证 #百度Apollo #厂商口径
11. 小红书小工具：6 万作品、4.54 亿次使用，主力是普通人
💡 速览：一款"开蚌直播间"靠 2.5 万篇别人的笔记分发到百万使用。
发生了什么
触乐 11 月 3 日刊发与小红书小工具业务运营团队的对话。该功能 8 月 18 日全量上线，允许把 Vibe Coding 做出来的 H5 / 静态网页作品直接挂在笔记下方，用户点开即玩、无需跳转；截至访谈时累计上线近 6 万个作品、创作者 1.2 万人、累计使用 4.54 亿次。平台原本预想使用者是独立开发者，实际"普通人是最多的"——大学生、上班族、宝妈甚至初中生，互动玩法占比最高。分发机制是关键差异：小工具可以被别人挂进自己的笔记，一款作品因此能出现在许多不同受众的笔记里。内部案例"开蚌直播间"上线不到一周使用量破 100 万，其中约 2.5 万篇笔记参与了分发；作者据评论区建议迭代 50 多个版本、建了 10 多个玩家社群，用上新上的"关注作者"功能后一个周末涨粉破 1 万。团队也坦承：直接变现模式尚不明确、版权与原创溯源正在收紧，且仍在观察 Vibe Coding 是长期内容形态还是当前能力阶段的过渡形式。
对你意味着什么
这是今天最"接地气"的一条，也是少见的有一手平台数据的社区样本。它说明 AI 应用的冷启动未必靠产品力，而可以靠把作品嵌进别人的内容里——分发单元从"一个 App"变成了"一段可挂载的互动"。对做小工具、Skill、轻应用的团队，这比投流便宜得多，但也提出了新问题：你的作品能不能被别人拿去推荐、别人推荐时你能否获得关注回流（小红书正是被作者反馈后补上了"关注作者"）。平台自己那句"还在观察是不是长期形态"也值得认真对待——别把 4.54 亿次使用直接读成一个稳定赛道。
- 如果你在做轻量 AI 应用：设计一个"别人愿意替你分享"的输出物（结果图、测试结论、可晒的战绩），比做功能列表更有效。
- 如果你在做创作者生态：把"被他人挂载的次数"和"回流关注"设为核心指标，而不只是使用量。
现在可以做什么
- ✅ 给你的小工具加一个可分享的结果页，让使用者有东西可发
- ✅ 找 3 个兴趣圈层的小账号试挂载分发，对比自然流量与自有账号流量
- ✅ 提前检查作品里的音乐、肖像、IP 素材授权，平台已明确商业化审核会更严
🔗 来源：触乐·对话小红书小工具团队 ｜ 网易转载 ｜ 搜狐转载 ｜ 背景：大厂集体入局 Vibe Coding
🏷️ #VibeCoding #小红书 #社区分发 #创作者生态 #平台数据
12. Addy Osmani：可以卸载工作，不能卸载责任
💡 速览：认知卸载→拖延→认知投降，模型越顺滑人越容易松手。
发生了什么
Addy Osmani（Anthropic Claude Code 团队）11 月 3 日发文谈大量使用 Agent 工作流之后如何保持批判性思维。他给出一条三段光谱：认知卸载（把检索、整理交出去，人仍在做判断）、拖延（先看一眼输出就签，判断被推迟到"以后再说"）、认知投降（不再独立判断，默认它是对的）。他的观察是模型越强、输出越流畅，人越容易在不知不觉中滑到第三档。文中给了几条具体做法：提问前先写下自己的假设；把验证标准前置成可执行测试；要求 Agent 列出它替你做的决策与隐含假设；用测验收尾而不是只读摘要；定期手写代码做校准练习。他给出的落点是一句话——可以卸载工作和审计，但不能卸载责任。
对你意味着什么
这条没有新模型、没有融资、没有数字，却是今天最该贴在工位上的一条。把 S 级第 1、2 条和 A 级第 5、8 条连起来看：评测会误判、外壳会改分、AI 导购会算错、研究结论会过期——每一层都可能偏一点，而唯一贯穿所有层的校验点仍然是人。更实际的是它的成本很低：提问前写一句假设、验收时跑一次测试，都不需要额外预算，却能把"读摘要就签字"这个最常见的失效模式挡住。今天这 12 条里，其他 11 条都在讲工具，这条讲的是用工具的人。
- 如果你每天用 Agent 写代码或出方案：把"先写假设、后看输出"变成固定动作，别让流畅的输出替你完成判断。
- 如果你在带团队：评审时要求成员口述"我为什么认为它是对的"，而不是只展示结果。
现在可以做什么
- ✅ 下一个任务开始前，先写下 2–3 条自己的预期与判断依据，再让 Agent 动手
- ✅ 要求 Agent 在交付时附一段"我做了哪些假设、哪些地方需要你确认"
- ✅ 每周留一段不用 AI 的手写／手算时间，用来校准自己的判断力
🔗 来源：Addy Osmani 原文
🏷️ #批判性思维 #Agent工作流 #认知卸载 #工程习惯 #人机协作
📎 快讯三则
- Anthropic 开源 FlashProve：用密码学方法让服务器证明"这条回复确实来自指定模型"且不泄露权重，可用于防对话劫持，也能让安全评测者确认被测模型与线上服务一致。Anthropic 官方
- 安全赏金集体加价：OpenAI 把关键发现奖励提高逾 4 倍、最高约 17.2 万美元（含奖金），并启动内部安全冲刺；Meta 的 Muse 计划单报告最高 30 万美元、针对单用户的提示词注入最高 13 万美元，已累计支付超 100 万美元。The Decoder ｜ Meta MSL 负责人
- OpenAI 推出自研 Git 后端 Pando（Rust 编写），已承载其 monorepo 全部开发流量，推送延迟中位数降近 80%、日处理近 1 PB，暂不开源；另公告旧版桌面应用 ChatGPT Classic 将于 2027 年 1 月 30 日停服，聊天记录可随账号迁移。MarkTechPost ｜ IT之家
✍️ 编辑点评
今天这 12 条读下来，我最在意的不是哪个新功能，是 Addy Osmani 那句"可以卸载工作和审计，但不能卸载责任"。评测会误判，结论会过期，账单会算错，平台把开关绑在一起——每一层都偏一点，叠起来就够你踩个坑。所以别急着换模型，也别急着抄那 0.30 美元/百万 token。先花十分钟，把你最依赖 AI 的那一件事的验收标准写下来。尺子握在自己手里，比握在谁家博客里都靠谱。
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
0
0- 0
已为社区贡献1条内容
所有评论(0)