AI 技术日报 - 2026-11-09

Top 10 AI 技术要闻

  1. MoWorld 2.0 把十余种物理要素装进一个世界模型，昇腾 NPU 上实时推理达 70 FPS
    魔芯发布 MoWorld 2.0，把重力、弹力、浮力、光照、柔体、流体、刚体、形塑体、热力等十余种物理要素及其相互作用放进同一模型，让材质、外力与物体间作用共同决定场景演化，而不只是按图像和文字预测下一帧。团队与华为围绕国产 NPU 优化近一年，把场景解码、主干生成拆到多张 NPU 并行，配合稀疏注意力优化、混合精度量化和算子融合，实时视频推理从上一代最高 50 FPS 提升到 70 FPS。生成结果可导出为 3D/4D 高斯资产，继续在游戏引擎、影视制作与机器人仿真中编辑调用；端侧约 6 亿参数模型在昇腾训练、麒麟手机推理，高斯渲染可达 500 FPS。

链接：https://www.qbitai.com/2026/11/508236.html

  1. 九成代码由 AI 写，Claude Code 公开六层审查流程：回滚率反降 40%
    Claude Code 约 90% 的自身代码已交给 Claude 编写，6 到 9 月合并 PR 数量翻了一倍多，Anthropic 主代码库每天合并改动从 5 月的约 2500 次涨到 9 月超过 3 万次。10 月 15 日团队公开内部审查机制：先跑测试与构建、界面改动截图对照设计稿；再派全新上下文的子智能体审查 diff；多个智能体并行找 bug 并投票核验，纯风格意见直接过滤；安全审查未关闭的发现阻止合并；随后是代码规范、类型检查、多平台测试与打包的 CI；最后按风险分级决定需要几名人工批准，敏感路径和 CI 工作流必须人审。结果是需要回滚的 PR 占比相对下降超 40%，一轮通过率从 65% 升到 78%，平均审查次数从 2.08 降到 1.32。

链接：https://www.36kr.com/p/4060672855757954

  1. Claude Code 的「不再询问」配置泄露密钥：1,122 份公开仓库副本含 1,379 个密钥
    Apiiro 扫描公开 GitHub 发现 104,185 份 .claude/settings.local.json，分布在 103,617 个仓库；约 1.1%（1,122 份）至少含一个密钥，合计 1,379 个，半数所在仓库里该文件已存在至少 217 天。用户在 Claude Code 中选择「Yes, and don't ask again」时，命令会被逐字写入项目设置文件，连密码和 API key 一起落盘。泄露内容超过三分之一可直接连数据库，包括 379 个数据库密码、43 个 SSH 登录、42 个 GitHub/GitLab/npm token 和 23 个 AWS key，涉及 63 家组织。Claude Code 只把该文件加入用户本机全局 git excludes，不会写进项目 .gitignore，保护不随仓库走；1,105 个被追踪仓库中有 539 个由 Claude 作为 co-author 的提交改过它。研究者建议先轮换全部凭据再清理，因为历史与 fork 中仍留有副本。

链接：https://it.slashdot.org/story/26/11/08/1758242/claude-codes-dont-ask-again-file-exposes-passwords-and-keys-in-1122-public-copies-on-github

  1. llama-modchip：64GB 纯 CPU、零 GPU 跑 284B DeepSeek-V4-Flash，256K 上下文
    开源项目 llama-modchip v2.4.0 展示了极端的内存受限推理方案：在 64GB 内存、无 GPU 的机器上运行 284.33B 参数的 DeepSeek-V4-Flash（13.17B 激活参数），1.71 bpw GGUF 权重占 56.56 GiB，256K 上下文峰值内存 57.61 GiB，16 核 Zen 5 上 prefill 达 44.36 tok/s、decode 9.1 至 14.7 tok/s。30B 级 MoE（Nemotron-3.5-30B-A3B，3.75 bpw，14.35 GiB）decode 可达 25 至 111.6 tok/s。关键技术包括 MoE 专家分层放置、Stockfish-PVS 派生的 1.64MB L3 推测解码草稿器、/dev/shm KV 槽位恢复（Claude Code 会话恢复仅 13.1ms）以及 Mamba-2 SSM 层优化。项目 Apache 2.0、472 星，适合离线长上下文与本地大 MoE 实验。

链接：https://github.com/synchopate/llama-modchip

  1. Python 生态 CVE 数量翻三倍，Anthropic 出资增设专职安全开发者
    Python 安全常驻开发者 Seth Larson 披露，2026 年 Python 与包管理器 pip 的 CVE 数量增至约三倍，PyPI 上发布后被移除的恶意包增长 60%。为应对激增的安全响应压力，Python 软件基金会新增一名专职 Security Developer——Brett Smith，该岗位由 Anthropic 的「ecosystem security」资助。他的工作包括漏洞修复、作为 CVE 编号机构提供漏洞数据、从 PyPI 移除恶意包，并为团队腾出带宽推进 PyPI 自动隔离程序、简化 PSRT 流程以消化新的报告量。这与 6 月 curl 作者 Daniel Stenberg 报告 curl CVE 同样翻三倍形成呼应：AI 在加速漏洞发现的同时也在放大攻击面，开源生态开始引入外部资金支撑专职安全人力。

链接：https://developers.slashdot.org/story/26/11/08/0558256/pythons-cves-triple-anthropic-funds-a-new-security-developer

  1. 48GB Mac mini 能跑什么本地 AI？社区实测：27B 是编码门槛，4-bit 量化最优
    Lobsters 上一则实测讨论给出较务实的结论。提问者配置为 M5 Pro 基础 CPU 加 48GB 统一内存，想区分「能跑」与「日常可用」。回答普遍认为 Qwen3.8-27B 是目前本地最好的编码模型，但长上下文难维持、无法并行多个编码会话，交互也偏慢，更适合当后台任务或第二模型；小于 27B 的模型在正经项目里带来的 bug 往往多于帮助。量化方面 4-bit 是 48GB 预算下的最优点，再低开始破坏模型，更高则收益递减。gemma4-e4b 速度快，可当有损维基或更聪明的正则，但不要让它修改重要文件。也有 96GB M5 Ultra 用户认为真实编码仍勉强，不如 Deepseek 4.1 Flash 聪明且快 4 倍；M1 Max 64GB 用户用 LM Studio 加 MLX 跑 Gemma 4 26B A4B QAT 约 60 tok/s，主要用于隐私场景。

链接：https://lobste.rs/s/umsitb/what_can_i_realistically_do_with_local_ai

  1. Agent 记忆需要自己的「OpenTelemetry 时刻」：格式互不相读，缺的是共识而非工具
    LoreKit 博客指出，今天每个 Agent 工具都用各自的形状存记忆：Anthropic memory tool 往目录写文件，Copilot 在 GitHub 侧保存每个仓库的事实，memory MCP server 维护 JSONL 知识图谱，四种格式彼此读不了，CI Agent 学到的经验留在原工具里，编辑器 Agent 无法复用。作者认为问题不是缺工具而是缺协议。文中类比 OpenTelemetry：2019 年前每家可观测性厂商自带 agent、SDK 与数据格式，OpenTracing 与 OpenCensus 还在互相竞争，最终收敛于四层共识——span/metric/log record 的语义定义、OTLP 传输协议、共享 SDK 与 Collector，厂商只在存储、查询、分析上竞争。Agent 记忆正处在同样的前标准化阶段，而 MCP 与 Agentic AI Foundation 已在 Linux Foundation 下提供中立归属，时机合适。文章盘点了现有格式各自的生命周期与失效规则，并提出共享规范的草案。

链接：https://www.lorekit.io/blog/open-agent-memory-format

  1. OpenAI 推动统一 robots.txt 训练退出信号，Google、微软、Anthropic 相继签署
    Google、Microsoft、OpenAI 与 Anthropic 同意共同遵守 robots.txt 中同一个 group，作为跨公司的「不得用于 AI 训练」退出信号。此前站点若想拒绝，必须为每家公司的爬虫分别写规则，同一公司多个爬虫还要写多条。落地时间表不一：Anthropic 已开始实现，OpenAI 承诺未来数月支持，Microsoft 从 2027 年 2 月 1 日起执行，Google 目标 2027 年，Meta 表示支持但未承诺。需要看清边界：该信号管的是内容「能否用于训练」而非「能否被抓取」，默认仍是允许训练，且对已经抓取的内容无效。对站长而言维护成本显著下降，但实际保护力度有限，仍需配合站点级约定与法律手段。

链接：https://www.techradar.com/pro/google-and-microsoft-among-those-signing-up-to-openais-plan-for-a-new-website-crawling-standard-including-opting-out-of-internet-scraping

  1. RailPulse AI：Gemma 加 Cloud Run 部署开源铁路调度 Agent，用确定性联锁防幻觉
    Google Developer Expert 在 DevFest Baku 2026 发布开源项目 railpulse-gemma-cloudrun：以开放权重 Gemma 模型、Google Agent Development Kit 和 Cloud Run 无服务器运行时构建铁路调度与实时追踪 Agent。系统监控 GPS 坐标、轴温、机车速度、沿海与山区侧风、延误与单线会让约束，操作台用 Streamlit 加 SVG 仪表盘并支持英、阿塞拜疆、俄三语。核心设计是「LLM 只做建议层、确定性规则做执行层」：function calling 只能调用受约束的安全工具，速度限制、信号状态等硬性判断由硬编码联锁给出，避免模型幻觉出错误限速导致脱轨级事故。架构为 Cloud Run 服务 + ADK 编排器 + Gemma 推理 + 工具声明，展示了安全关键行业中开放权重模型的生产部署路径。

链接：https://dev.to/gde/building-railpulse-ai-deploying-an-open-source-railway-dispatch-agent-with-gemma-and-google-cloud-2b9g

  1. AlpineBSD 发布：NetBSD 内核加 Alpine 用户态，明确拒绝任何 AI 生成代码
    一个新的 BSD 家族发行版 AlpineBSD 公布，组合 NetBSD 的内核与 libc 和移植过来的 Alpine Linux 用户态，并在章程中明确排斥生成式 AI 产物：任何代码、文档、二进制或其他资产只要包含大模型等生成式工具的输出，即被视为「tainted」。项目目前极新，尚无安装介质，只能手动 bootstrap，ports 仓库与代码托管在 Sourcehut。NetBSD 官方立场也相近，其规则称大模型生成的代码「presumed to be tainted code」。实际难点在包管理：1993 年以来 NetBSD 社区习惯自行编译，用 pkgsrc 装二进制包并非主流。它代表了一股「AI-free 供应链」的技术取向，与 Anthropic 资助 Python 安全、Claude Code 强化 AI 代码审查形成有趣对照。

链接：https://bsd.slashdot.org/story/26/11/08/0044219/alpinebsd-announced---an-ai-free-foss-os

数据来源：TheAIEra News Hub 生成时间：2026-11-09 08:15:00