🤖 AI 资讯晚报 · 11-01

本期八源共命中 63 篇（36氪 42 篇占大头，其中绝大部分为三季报、月度销量与美股行情，按画像剔除）；唯一失败源爱范儿经手工重拉确认 item_newest = 10-31 21:59（北京），全部落在早报窗口内，无漏推。36氪另有一段 10-31 17:01 → 11-01 09:00 的跨期缺口，已回捞，缺口内 AI 命中仅 2 条且均为已推条目。

🔥 必读

1️⃣ 清华姚期智团队「代数世界模型」：让 AI 从观察推到证明，ARC-AGI-3 全通且只花人类 43% 的步数

论文要回答的是一个干净的问题：如果只给 AI 牛顿之前的全部知识，它能不能自己把万有引力推出来？清华姚期智、袁洋团队的做法是把「游戏/环境」抽象成一个代数世界，再借大模型已经很强的数学能力去理解它，全程三步：探索（把看到的现象写成可执行 Python 代码当作假设）→ 凝炼（用新观察验证、修正，提炼成更通用的对象与规则）→ 证明（把规律形式化成 Lean 4 断言，机器可自动检查）。方法论上借了范畴论的「投射极限」（概念分解组合）与「归纳极限」（找共性再泛化）。效果：在 ARC-AGI-3 上以 Opus 5 为底座 183 关全部通关、得分 99.9%，平均通关动作数只有人类基准的 43%，为已知系统最高；更能证明「不可能」——把某关步数设成必败的 18 步，AWM 试两次就证明该关无解、且只需再多 1 步即可获胜。⚠️ 对照与限定：GPT-6 Astra（Provider Adapter）在同一套题上同样能拿 99.9%，但它产出的规则只是「第谷的观测笔记」而非「开普勒的定律」——12 次无解测试里 Astra 与 Opus 5.5 合计只有 5 次判出「不可能」，其中 4 次给出的最低步数还是错的。作者自己写明边界：证明只在「它观测到的世界」内成立，探索不全面就只能得到局部真理。两位共同一作均为本科生（浙大潘冠成、清华姚班谭淇心）。

原文：量子位 · 清华姚期智团队新作：代数世界模型，让AI像牛顿一样思考 ｜ 论文 arXiv:2610.40503

2️⃣ DeepMind 联创推演「智能经济学」：一个都不裁，专家工资先降 30%

Shane Legg（DeepMind 联合创始人、首席 AGI 科学家）与 AGI 经济学总监 Alex Imas、研究科学家 Andrew Koh 在 DeepMind Institute 发表长文《智能的经济学》并同步公开工作论文《Organizing Intelligence》。核心推演搭在一个 14 人微型经济体上（6 程序员、6 写作者、2 协调者）：投入一颗「最小 AGI」（单项能力 1.69、协作能力 0.78，恰等于这群人单干的平均水平）后，就业率纹丝不动、失业为 0，但工资塌了——专才 4.15 → 2.90（-30%），协调者 2.41 → 1.30（-46%）。原因不是替代，而是稀缺性消失：AI 哪怕只够到人类平均线，也能按算力价格无限复制、涌进细分市场压价。论文给的铁律是「模型追平某项能力，这份工资就被绑到算力成本上」，并提醒工资变化先于组织重组，所以拿「就业率没变」证明无冲击站不住。再把单项能力拉到超过所有人类专家（「超能力 AI」）：专才跌到 0.39（较巅峰跌九成以上），而垫底的协调者反而以 0.48 反超。另一条线是「马赛克智能」——100 人六领域测试显示各领域得分几乎互不预测，人都是「锯齿状专才」，能力互补的两人组表现比随机配对高 32%；而同一模型复制一千份只加产能、不补短板，这正是多 Agent 一拉群就崩的原因：主流工作流基准多 Agent 失败率 41%–87%，顺序规划任务多加 Agent 性能反跌 39%–70%，无协调蜂群把上游小错放大最多 17.2 倍（「科斯天花板」）。⚠️ 全部为模型推演与 14 人模拟，非真实经济体实测；现实佐证数据（AI 原生初创人数少 25%、受影响职业初级岗 -7.7%~-19%、起薪 -4.2%）出自文中引述。

原文：新智元 · 0裁员，专家工资先降30%！DeepMind联创推演AI第一刀

3️⃣ 便利店机器人售货折戟：红旗连锁研发 16 个月后终止，一手探访发现机器人只负责「取货」

四川便利店龙头红旗连锁 2025 年 3 月公告立项「机器人无人售货系统」，股价次日涨停、至 4 月 23 日累计涨约 35%；2026 年 7 月公告终止，前后 16 个月。官方口径是「暂未达大规模商业化落地标准、基于投入产出比考量」，转为 24 小时云值守。业内透露的真实卡点很具体：夏季玻璃瓶冷饮结水珠、机器人拿不稳总摔碎；复杂包装拿取不稳；货架过道窄、周围有顾客时避障导致效率大打折扣。投入规模可从财报推断——红旗 2025 年报研发费用约 286.68 万元（该公司以往不公示研发费），一位从业者的评价是「如果花 200 多万就能解决，具身公司就没有存在价值了」。量子位 ROBO 的中关村实地探访更能说明现状：10 平米零售仓里的轮式二指爪机器人取一瓶饮料约 20 秒，只承担「移动到货架—夹取—放到窗口」这一件事，SKU 远少于便利店常规 2000–3000 个；每天 10:00–22:00 仍需人值守补货、充电、报障，商品摆歪或缺货机器人处理不了；互动完一两秒就忘掉刚才的内容。行业侧并不缺尝试：全国已有 100 多个机器人零售仓/零售布局、覆盖 30 余城，至少十余家具身公司做零售、17 家进入真实门店或点位。多位业内人士判断真正替代店员还需 2–5 年，「具身行业需要一个 GPT 时刻」。

原文：量子位 · 老牌便利店机器人售货折戟：实验室锤炼上万次，货架前还是摔瓶子

📌 值得看

4️⃣ RWE-Bench：把 CAD 与仿真交给 AI，最强 GPT-6 Astra 只有 37%，多数模型挂零

Xplore AI 10 月 27 日发布 Real World Engineering Bench，20 道题（机械 9、航空航天 6、电子 5），每道由在职工程师出题并自己用同一套工具做参考答案；判分既不靠 AI 也不靠人工，而是调用物理求解器逐项检查，一项不达标即失败。题目是真实的工程活：设计三缸柴油机曲轴（质量/应力/疲劳/变形多重约束，2400 转满负荷撑数百万次循环，只能用 CadQuery、Gmsh、CalculiX 与 Python 自己建模划网格跑有限元）、在量产 FPGA 板上补 DDR3 走线（300 个元件不许动、70 多条网络塞进 8 层板、时序与阻抗硬约束）、算高压涡轮导向叶片传热到 CFD 收敛。排名：GPT-6 Astra 37%、Claude Opus 5.5 29%、GPT-6.1 Sol 25%、Gemini 4 Argon 12%、Fable 5.1 7%，其余几乎全员零分。比分数更有信息量的是平均两三小时就交卷（上限 24 小时，最长 4.6 小时）——大概率是「以为做完了」。成本也不成正比：Sol 单次 10 美元出头，Astra 与 Opus 5.5 约 58 美元只多 12 分与 4 分，Fable 5.1 近 98 美元却只有 7%；放开 pass@5 后 Opus 5.5 到 70%、超过 Astra 的 60%。⚠️ 作者自己列了四处问号：20 题样本太小、Astra 与 Opus 5.5 的 95% 置信区间重叠（30.7–43.8% vs 21.9–37.6%）、Argon 标注是 high 而非 max、以及 Xplore 本身卖 RL 训练环境（分数越低越好卖）。

原文：新智元 · AI真实工程设计能力，大排行出炉：多模型零分！

5️⃣ 国产开源 Mol-1 闯入 AI 制药第一梯队：抗体结构预测 75% 追平 Isomorphic，超大复合物单卡 H20 反超 Anthropic

觅深知源（Molence Bio）发布首个生物分子基础模型 Mol-1，单一模型即可预测抗体–抗原、蛋白–多肽、蛋白–小分子与分子胶等多类复合物。关键数字：FoldBench-AB 抗体–抗原成功率 75.0%，与 Isomorphic Labs 闭源 IsoDDE 技术报告的 75.6% 相当，加表位约束后升至 88.3%；分子胶高同源子集 74.6%，第二名 40.7%。超大复合物一项最能说明工程差异：基于 Mol-1 的长时运行智能体在 10 个大型复合物中 9 个优于 Anthropic 此前报告的结果，最大成功体系达 6 万残基、120 条链、TM-score 0.997，且只用单张 H20——而 Anthropic 那次用的是 8 张 B300 的节点、准确上限约 1 万氨基酸。纳米抗体从头设计侧，17 个靶点（含 4 个 GPCR）全部拿到结合候选，单靶点命中率最高 63%，BCMA 30 个候选中最优 KD 43 pM，4-1BB 激动抗体第二轮功能命中率 85%。代码与权重已按 Apache-2.0 开源（GitHub molence/Mol-1，建库 10-26、当前 237 star），另提供在线试用。⚠️ 上述指标全部为厂商自评口径，含随机种子敏感性分析（32 个种子、20 万余组合中 62.22% 达到 ≥75%），尚无第三方复现。

原文：新智元 · 追平DeepMind，反超Anthropic！国产开源模型闯入AI制药第一梯队

6️⃣ Anthropic 自曝「自我评估」暗哨：每次回答后台多写 10 个 token 给你评级，已静默运行 4 个月

这解释了几个月来「昨天还在跑代码、一觉醒来账号被封」的现象。Anthropic 公开的机制是：Claude 生成完回答后，趁整段对话还在显卡 KV 缓存里，追加约 10 个 token 做自审，输出一行 JSON（风险 1–10 级）上报——不用重读上下文，整体推理开销增加不到 2%，因此默认全开（除非签企业级「零数据保留协议」）。从 6 月 Claude Fable 5 起，后续每个模型都带这套机制，已静默运行 4 个月。两个反直觉的设计：① 前台不拦——24 项越界测试显示当场弹窗拦截也只能把成功率从 79% 压到 54%，于是改为「前台照写、后台记账」；② 即便前台已明确拒绝，后台仍会递一份 5 级风险报告。24 条官方测试轨迹里 21 条被后台抓出；被揪出的违规机构超过一半此前一个月内从未触发任何其他安全告警，约三分之一的标记连现有规则表都没覆盖。训练侧用更强的内部模型 Mythos Preview 当老师合成违规/易误判样本，监督微调时屏蔽前台回答的惩罚、只奖励后台判得准。⚠️ 机制细节、占比与训练方法均为 Anthropic 自述，未见第三方验证；对日常用户的直接影响是「后台留痕 + 夜间批量处置」取代了即时提示。

原文：新智元 · 难怪Claude突然封号！Anthropic自曝：你聊的每句话，它都在后台悄悄举报

7️⃣ CLASHarness：15 个模型考「队友给错信息」的场景，端到端通过率无一破 30%

Google、Emory、USC、UF、UChicago、UCSB、Columbia 联合发布 CLASHarness，补的是现有 Computer-Use 基准的盲区——OSWorld、WebArena 都默认「环境信息一致、队友 100% 靠谱」，而真实多 Agent 协作里子 Agent 会读过期缓存、会和主 Agent 抢文件锁。数据集规模：20 个真实领域、600 个多轮可执行冲突任务、7,970 张 4K 视觉证据图、3,284 个必测检查点；关键真值只渲染在 4K 截图里、文本里的答案线索被自动清空，逼模型必须看图取证。结果很难看：单项步骤分能到 55%–67%，但端到端通过率无一突破 30%（Opus 5 25.2%、GPT-5.6 Sol 24.5%、放宽步数后 Astra 28.7%；开源侧 Kimi K3 21.8% 排第 5、DeepSeek V4 Pro 19.8%）。关掉图片输入后所有模型通过率暴跌 87%–90%（Opus 5 从 24.8% 掉到 2.8%）。任务要求越完整越崩：只要求调查汇报 28.1% → 要求动手改系统状态 11.0% → 走完整协作流程只剩 4.4%；最强两个模型收尾动作失败率 58%–72%（忘释放共享锁、忘关工单、忘通知下游）。另有一条与直觉相反的发现：多 Agent 环境里思考 token 越多越容易进死循环。代码与数据集已开源（google-research/CLASHarness，Apache-2.0）。

原文：新智元 · 当Agent遇上猪队友！实测多Agent冲突场景，前沿大模型如何应对 ｜ 论文 arXiv:2610.19128

📄 其他