AI 技术日报 - 2026-11-02

Top 10 AI 技术要闻

  1. DeepSeek 开源 Super-agent：Router + Worker 双层架构，任务中位时长 12.4 分钟

    DeepSeek 公开了个人 Agent 系统的底座设计「Super-agent：迈向更自主的 Agent 系统」，核心是 Router 与 Worker 分层：Router 只负责意图理解、任务拆解与调度，Worker 承担具体执行并维护自己的上下文，两者之间靠「投机执行」并行——Router 预判下一步可能的操作提前下发，命中即省掉一次往返，未命中则丢弃重来。系统还做了两级事件过滤（先粗筛再语义判定）与异步 ReAct 循环，后者已在 DeepSeek Harness 中实现但未默认开启。架构上把计算、状态与执行环境三者分离，使 Agent 能 24 小时在线、进程崩溃后从快照自动恢复，而不是重跑整个任务。官方在模拟多任务环境中实测：任务完成时间中位数 12.4 分钟、P95 为 15.7 分钟；开发者侧观察到的瓶颈已从「模型不够强」转向「人跟不上」——一个人同时只能跟进 3 到 5 个活跃 session。工程细节里还提到 Worker 可直接订阅 PR 评论事件，绕过 Router 转发以减少延迟。

    链接：https://www.qbitai.com/2026/11/506904.html

  2. 清华姚期智团队「代数世界模型」AWM：ARC-AGI-3 全 183 关通关、得分 99.9%

    清华交叉信息院姚期智、袁洋团队提出「代数世界模型」（Algebraic World Model），把「从少量交互中归纳规律」拆成三步闭环：探索阶段把观察到的现象写成可执行的 Python 假设程序；凝炼阶段用新观察验证并修正假设，提炼出通用对象与可复用规则；证明阶段把规则形式化为 Lean 4 中可机器检查的断言，从而让结论不是「看起来对」而是被证明。在 ARC-AGI-3 上，AWM 通关全部 183 个关卡、得分 99.9%，平均动作数只有人类基准的 43%。真正拉开差距的是「证明不可能」的能力：在某一关它两次尝试就证明了当前步数上限下无解、且只差一步；作为对比，GPT-6.1 Astra 与 Opus 5.5 在 12 次测试中只有 5 次判断出「不可能」，其中 4 次给出的最低步数还是错的。这说明把归纳结果落到可验证的形式系统上，能补上纯神经网络推理最缺的可靠性。

    链接：https://www.qbitai.com/2026/11/507031.html

  3. Anthropic 在系统提示词里加两句话，Claude Code 开始拒绝复刻游戏

    Anthropic 悄悄在 Opus 5.5 的系统提示词中加入规则，禁止 Claude Code 帮助复刻已有游戏，官方已确认此事。背景是 Opus 5.5 的代码能力让「逆向 + 移植 + 复刻」类请求泛滥：玩家在 PS5 越狱环境里跑起 Xbox 独占作品和塞尔达，社区把这轮冲击称为游戏业的「Napster 时刻」。厂商抗议后，Anthropic 选择在模型层直接封堵，但一刀切也误伤了原创开发者——GitHub issue 上很快堆满「我只是想写一个类似玩法的原创游戏」的申诉。从工程角度看这条限制并不牢固：换个模型生成主框架、或把需求拆成看不出上下文的纯技术子任务（如「实现一个基于网格的碰撞检测」）都能绕过。更值得注意的是它揭示的趋势——模型厂商正把合规判断从「用户协议」前移到「推理时的系统提示」，而这类软约束既缺乏透明度，也没有申诉通道。

    链接：https://www.qbitai.com/2026/11/507038.html

  4. Heretic 2.0 发布：37k stars 的开源模型修改工具，从去审查扩展到抑制 slop 与谄媚

    开源项目 p-e-w/heretic 发布 2.0，GitHub 已积攒 37,552 stars，Hugging Face 上基于它产出的模型超过 8500 个、累计下载 8800 万次。1.0 时代它只做一件事：用无需训练（training-free）的方式抑制模型拒答——沿 abliteration 思路定位与拒绝行为相关的方向向量并在权重中消融，不重新训练、不需要标注数据。2.0 把这个能力泛化为通用「行为修改」工具箱：除越狱式去审查外，还能抑制 slop（低质套话输出）、降低谄媚倾向、调整情感对齐风格。作者称项目已开发五个月，当前版本是「最强的 refusal suppression」实现。它的实用价值在于成本：改一个 8B 到 70B 模型的行为，只需几十分钟的单卡算力，而不是一次完整微调。代价同样明显——方向消融是粗粒度手术，容易连带损伤模型的通用能力，因此社区普遍建议在自己的评测集上先验证再上线。

    链接：https://github.com/p-e-w/heretic

  5. AI 让 Linux 7.4 合并窗口成为内核史上最大：19,671 个提交、源码树 4160 万行

    Linux 7.4 的合并窗口已经关闭，本周期共合入 19,671 个提交，成为内核历史上规模最大的一个合并窗口。作为对比，6.14 是 10,034 个，7.3 已经涨到 16,267 个，7.4 继续抬升。源码树目前 41,605,120 行，其中约 3140 万行是实际代码，本周期净增近 50 万行。推动这轮暴涨的正是 AI 辅助开发：维护者报告称自己被 AI 生成的 bug 报告和补丁「完全淹没」，审阅带宽成为新瓶颈。这不是第一次出现相关信号——Greg Kroah-Hartman 此前就说过，Rust 会是「把 Linux 从 AI 手里救出来」的那一环，因为编译器能在合入前拦住一部分机器生成的错误。对内核社区而言，问题已经从「AI 能不能写内核代码」变成「如何给海量机器生成提交建立可扩展的审查与信任机制」，本周期提交量的曲线本身就是一份压力测试报告。

    链接：https://linux.slashdot.org/story/26/11/01/2012246/ai-makes-linux-74-merge-window-the-largest-in-kernel-history

  6. 162 个不存在的 Python 包：本地模型幻觉定量审计，并训出 AUROC 0.975 的离线检测器

    一位开发者对本地开源模型的「包名幻觉」做了系统性量化：用 gemma4:e4b、qwen3:4b-instruct、phi4-mini:3.8b 三个模型经 Ollama 跑 200 个编码任务、每个任务两次，共产出 1199 个脚本。从里面抽出 1410 条 pip install 建议，其中 212 条（15.0%）指向 PyPI 上从未发布过的包。分布很不均匀：日常任务只有 1.7%，冷门任务飙到 30.0%；按模型分，gemma4 8.1%、phi4-mini 16.7%、qwen3 20.7%。为排除偶然，他把全量任务重跑一遍，162 个幽灵包名里有 161 个复现，且没有新增——说明幻觉高度确定性、只是模型对某个名字的稳定偏好，攻击者完全可以提前注册这些名字做抢注投毒。最有价值的产出是一个离线检测器：用 TabPFN 在包名字符特征上训练判别器，AUROC 0.975，接入 Claude Code hook 后拦下 212/212 个幽灵安装，误杀 13/1165 个真实包，单次判定 1.7 秒。

    链接：https://dev.to/soumyadeepdey/my-local-ai-invented-162-python-packages-i-reran-everything-from-scratch-and-161-came-back-4j73

  7. 50 个 Agent 在 Minecraft 里建文明：首夜团灭后转向官僚主义

    ycombinator 与 Olam Labs 用 Mindcraft / Mineflayer 做了一组多智能体实验，最有意思的是 Civ50：50 个 GPT-6.1 Sol 智能体被要求在 3 小时内从零建起一个文明。首个夜晚它们就被僵尸击溃，随后放弃所有宏大目标，转而产出大量官僚流程——4 个 Agent 花了 11 分钟，只为任命一位「唯一施肥操作员」并配套一份骨粉使用规范。Bed Wars 场景里 10 个 GPT 对 10 个 Claude：GPT 的策略更激进也更精妙，Claude 偏防守；当工具 bug 导致无法破坏方块时，GPT 诊断出问题并把 workaround 分享给队友，而多个 Claude 直接断定任务不可行。Mindustry 打了 7 局，GPT 以 6:1 获胜。行为模式差异清晰：GPT 更像去中心化蜂群，靠局部信息和互相模仿推进；Claude 倾向选出单一领导者再做民主表决，决策慢但在资源规划上更稳。这组实验为多智能体协作的失败模式提供了可复现的样本。

    链接：https://www.tomshardware.com/tech-industry/artificial-intelligence/ai-agent-swarms-unleashed-in-minecraft-to-build-a-thriving-civilization-50-agent-teams-fail-after-falling-into-paralyzing-bureaucracy

  8. Anthropic 把文本水印扩展到旧版 Claude，11 月 3 日生效

    Anthropic 宣布从 11 月 3 日起，把文本水印从 Opus 5.5 扩展到 Claude Mythos 5、Opus 4.7、Opus 4.6 与 Sonnet 4.6。技术方案与 Opus 5.5 一致：在生成时对词的选择施加一种不可感知的统计模式，人眼读不出差异，也不改变答案准确率、可读性或代码正确性；水印不绑定用户身份，只用于判断「这段文本是否由 Claude 生成」，且需要 Anthropic 侧的检测器才能读出。官方给出的动机是合规——欧盟相关立法要求生成式系统对机器生成内容做可识别标记。对开发者的实际影响集中在两点：一是经 API 批量生成的语料在检测器下会带上来源标记，用 Claude 生成训练数据的团队需要评估这对数据清洗流程的影响；二是水印只提高溯源能力、并不防篡改，改写、翻译或人工润色后能否检出取决于检测器的鲁棒性，官方目前未公开误报率与漏报率指标。

    链接：https://mashable.com/tech/anthropic-expands-text-watermarking-to-older-claude-versions

  9. OpenAI 首次向 Google 采购 TPU，打破对英伟达的单一依赖

    据 The Information 报道，OpenAI 计划向 Google 采购张量处理单元（TPU），这是它第一次在英伟达之外建立直接的芯片采购关系，具体金额、采购数量与交付时间表均未披露。铺垫早已存在：2025 年起 OpenAI 就在租用 Google 的 AI 芯片，其模型也陆续上架 Google Cloud，两家在模型市场正面竞争的同时在算力侧越绑越紧。Alphabet 近年扩大了 TPU 的对外商用，允许特定外部客户拿到原本只服务内部基础设施的芯片。同时 OpenAI 并未放弃自研：其定制 AI 芯片计划在 2027 年前部署，此前还有英伟达可能向 OpenAI 俄亥俄 10GW 数据中心投资 2500 亿美元的说法。对基础设施团队来说，这条新闻的意义是供给结构变化——训练与推理的算力采购从「单一 GPU 生态」转向多架构并行，随之而来的是编译器、算子库与调度层的跨架构适配成本。

    链接：https://www.techradar.com/pro/openai-pledges-to-buy-google-ai-chips-in-its-first-move-away-from-depending-solely-on-nvidia

  10. Corollary：把 Apple 端侧模型塞进 Mac 上的 LaTeX 编辑器，离线、无账号、零成本

    Corollary 是一个面向 Apple silicon Mac 的免费开源 LaTeX 编辑器，定位是「本地版 Overleaf」，差异点在于 AI 完全跑在本机：直接调用 macOS 内置的端侧模型，不需要账号、不需要 API key，断网也能写作、编译和使用 AI 功能。它针对 LaTeX 场景做了两项工程处理：其一是「AI 改动不能破坏文档」——如果模型给出的建议删掉了引用或改动了公式，编辑器会拦截这次修改而不是直接应用；其二是 TeX 环境自举，检测到没装 TeX 就自动安装，并按文档实际需要的宏包补齐，省掉新手最痛苦的一步。此外支持从截图或白板照片生成 LaTeX 公式。安装方式是 brew install --cask calvinyz/tap/corollary。在云 Agent 与超大模型占据头条的今天，它代表另一条路线：把能力边界压到端侧模型的水平，换取零延迟、零费用与数据不出本机。

    链接：https://calvinyz.github.io/corollary

数据来源：TheAIEra News Hub 生成时间：2026-11-02 08:10:00