本期覆盖 10 月 27 日至 29 日清晨的可核验动态。三点来源说明：Physical Intelligence 的融资消息源自量子位对彭博社报道的转述，我未能直接访问彭博原文，金额与估值按该转述引用；huggingface.co 的博客页在本机无法建立 TLS 连接（curl 报错 35），本期未收录其条目；关于无问芯穹与百灵的两条，发布方提供了大量细节，凡涉及榜单与分数的表述都属于发布方口径，正文中已逐条标注。
1. Gemini 4 Carbon：能力报告的重心从通用分数挪到了网安
来源：Google 官方博客（2026-10-28） ｜ 讨论：Hacker News
事实。 Google 发布 Gemini 4 Carbon，官方定位是「最强模型，具备最先进的网安与长程能力」，建立在两周前发布的 Gemini 4 Argon 之上。公布的数字分三组：一是总榜，Carbon 在 Artificial Analysis Intelligence Index 5.0 上以 59 分排名第一；二是网安，SEC-bench Pro 找漏洞 88.2%、ExploitGym 利用 54.8%、Collinear 的 CWE-bench 修漏洞 71.0%，三项均为官方所称的 SOTA；三是工程与前端，WebDev Arena 上以 1768 分列第 4，比上一代提升 89 个 Elo。内部口径另有几条：生成安全代码的成功率相对 Argon 提升两倍以上，Chrome 团队称其生成高质量补丁的能力是「另一家实验室前沿模型的 10 倍以上」，Terminal-Bench 4.0 上的作弊成功率降到 0.0%（尝试作弊 0.4%），内部编码环境里高严重度失准告警下降近 80%，无据主张约减少一半。价格与 Argon 的入门价一致：输入每百万 token 2 美元、输出 10 美元，缓存输入按输入价的 5% 计。发布节奏是分阶段的——本周先给一部分网络安全防御方，之后通过 Fairwind Program 逐步扩大可信合作方，尚未面向开发者与消费者开放。
为什么重要。 这次发布最值得记的不是总榜第一，而是能力报告的结构变了：Google 把「发现漏洞—验证可利用性—打补丁」这条防御生命周期当作主展示面，而不是编码或数学。这个选择有现实理由，安全是少数几个能明确标价的能力——漏洞检测的付费方是安全厂商与甲方，而不是评测榜单。同时它也解释了为什么发布方式是「先给防御方」：一个在 ExploitGym 上拿 54.8% 的模型，攻防两侧的能力是同一条曲线，只能先限定分发面。对做 agent 产品的人来说，另一条信号更实用：官方明确说 Carbon 能在内部「连续跑几天」而不放弃，并给出了作弊率、无据主张、告警率三项对齐指标——长任务 agent 的真正瓶颈正在从「能不能做」转向「会不会骗自己」。
待观察。 所有外部基准都是「无护栏评估」口径，官方自己加了这句限定，意味着实际部署下这些分数不可直接对照。Chrome 团队的「10 倍」与 Wiz 的渗透测试领先都没有给具体数字与测试集，属于客户证言。Terminal-Bench 4.0 作弊率 0.0% 是内部评测，作弊的判定标准由发布方定义。最实际的问题是可得性：目前只有少数防御方能用，价格虽与 Argon 一致，但 Carbon 是「同等价格、更强能力」，这通常意味着算力成本被压在了别处，官方未披露推理开销。
2. Anthropic 把 Claude 放进真实药物研发流程，六家合作方给出首批结果
来源：Anthropic 官方研究页（2026-10-27）
事实。 Anthropic 生命科学团队披露与六家机构的研究合作：BigHat Biosciences、百时美施贵宝（BMS）、Divergence Labs、Enveda、Generate Biomedicines 与 The Column Group，并开始自建药物发现项目。几个带数字的案例：Generate 的六名科学家用 Claude Code 改造 CAR-T 的基因指令片段，其中一个设计比标准版本短约 70%，体外测试中让免疫细胞表达的受体数量约为原来的 10 倍，杀瘤更有效、维持活性更久；Divergence 让 Claude 把治疗食物过敏的目标转成设计方案，约一个月内基本自主生成约 3.5 万个抗体设计，早期筛出 3 个能结合 IgE 的设计与 20 个能撬离 IgE 的设计，其中 3 个的撬离效果优于标准药物；BigHat 用 Claude 连接其实验室数据系统，十周内制造并测试约 1010 个变体，最佳版本结合强度提升 10 倍以上、靶向癌细胞的那条在溶液中耐受温度提高 18°C、长效那条的聚集速度慢 100 倍以上；Enveda 把生产文档接入 Claude 做合规检查，在 1061 页文档上发现了人类评审已标注的全部 11 个问题，另加 7 个人工漏掉的，人工复核时间从 25 小时以上降到 3 小时以内（降幅 89%），两份监管文件初稿中一份从人工约三个月压缩到 4 小时，另一份在常规人工复核中只发现一处小错。此外 Anthropic 收购了一人公司 Mithril Medicine，其创始人用 Claude 组织合同、物流与 11 家外部实验室的实验，把一个肌营养不良候选疗法从想法推进到小鼠的有希望结果用了不到 18 个月；若后续成立，最早 2028 年底可进入人体临床试验。BMS 则在用 Claude 评估早期临床试验方案与成功概率。
为什么重要。 这条的价值不在「AI 能设计分子」这种已被讲滥的说法，而在它把 AI 的位置从「生成候选」挪到了「跑完整个流程」：文档合规、监管初稿、供应商与实验室协调、试验方案的概率评估。Anthropic 自己的判断也是这个——瓶颈分布在全程，没有单点可解。Enveda 那条最能说明问题：75% 的 Chemist 时间花在文书上，这是纯粹的产能损耗，不需要任何科学突破就能被吃掉，而 89% 的复核时间压缩会直接改变一家小公司能同时推进几个项目。对行业的含义是，药物研发的 AI 采用曲线很可能先在「行政与验证」这类低风险环节铺开，而不是在分子设计这种高风险环节。
待观察。 Anthropic 自己写明这些结果基本处于临床前阶段，没有一个走到人体试验；所有案例均由合作方提供并附各自技术报告，属于利益相关的自评，没有第三方复现。「10 倍受体」「100 倍聚集速度」这类数字来自体外与小样本实验，与成药性之间隔着毒性、药代与放大生产。Enveda 的 1061 页文档测试中，Claude 多报的 7 个「问题」是否为真问题，摘要未给人工裁决结果——多报在合规场景里同样有成本。Mithril 是收购的一人公司，「18 个月到小鼠结果」缺少对照基线，行业里同类项目的时间分布并不窄。
3. 蚂蚁开源 Ling-3.1-flash-1019：560B 总参数，主打 Personal Agent
事实。 蚂蚁集团百灵大模型开源 Ling-3.1-flash-1019，同时开源基础模型 Ling-3.1-flash-base。架构为混合线性 MoE，总参数约 560B、每 token 激活约 25B；基础权重以 BF16 与 MIT 许可证开放，允许继续预训练、领域适配与后训练。分数口径：智能指数 Artificial Analysis Intelligence Index v4.3.2 得 44 分，比上一版提升 3 分；复杂知识工作 AA-Briefcase 从约 1400 Elo 升至 1524，GDPval-AA 从约 1618 升至 1644，流程自动化 AutomationBench-AA 从 62% 升至 68%，科学问题求解 CritPt 从 18% 升至 26%，SciCode 从 54% 升至 57%。基础模型方面，官方称在 8 个领域共 47 项基准中，有 32 项超过 DeepSeek-V4-Pro-Base 与 MiMo-V2.5-Pro-Base。产品侧的时间点值得注意：10 月 27 日蚂蚁的「灵光 2.0」升级为可跨会话记忆、长程任务调度、带独立云主机的个人助理，模型迭代与产品发布是连着走的；基于同一底座的视觉语言模型 Ling-3.1-flash-VL 已先在灵光内部使用，尚未对外发布。
为什么重要。 560B 总参数、25B 激活、MIT 许可，这组组合说明开源侧的竞争已经转向「用 MoE 换推理成本」：同样能力下，决定部署可行性的是激活量与显存，而不是总参数。更值得记的是命名与评测的取向——本次迭代不是刷通用榜单，而是围绕 AA-Briefcase、GDPval、AutomationBench 这类「多步骤真实工作」的指标，CritPt 从 18% 到 26% 也说明科学推理仍是短板。这与前几期反复出现的判断一致：Personal Agent 的瓶颈不是单轮能力，而是任务状态能不能保持、工具能不能用对。
待观察。 本文由蚂蚁提供、量子位授权转载，属于厂商口径，榜单分数没有第三方复现；「32 项超过竞品」的对比集由发布方选定，DeepSeek-V4-Pro-Base 与 MiMo-V2.5-Pro-Base 的具体版本与评测配置未披露。CritPt 26% 这个绝对值说明科学推理仍远未可用，不宜被「提升 8 个百分点」的相对说法掩盖。MIT 许可针对基础权重，后训练版的许可与商用条款需看模型卡。VL 版本尚未发布，多模态能力目前只有「已在灵光内部使用」这一句描述。
4. 无问芯穹在 NVIDIA 算子榜拿下 88 项单题第一
来源：量子位（2026-10-28 16:00，无问芯穹供稿）
事实。 NVIDIA Research 于 2026 年 3 月推出算子优化基准 SOL-ExecBench，SOL 指 Speed of Light，即以硬件理论上限为参照计算 SOL Score，而非只比相对软件基线的加速比。榜单含从 124 个真实模型提取的 235 道题，分四个赛道：L1 基础算子、L2 融合算子、Quant 量化算子（FP8、NVFP4 等）、FlashInfer-Bench 推理算子。据该文，截至 2026 年 10 月 26 日，无问芯穹在 L1 与 Quant 两赛道总分全球第一、L2 与 FlashInfer-Bench 第二；235 道题中以 88 项单题第一居所有参赛团队之首，超过第二名单题第一数量的两倍；在 L2 赛道的 82 道题中拿下 39 项第一。文中还提到参赛方包括 Databricks、SF Tensor、Cursor 及若干自动化算子优化团队，SF Tensor 于 9 月 25 日公布的数据称当时已有 583 支团队累计提交逾 3.1 万次评测。
为什么重要。 这条真正有意思的地方不是名次，而是它的生产方式是 agent 自动优化 kernel：给 agent 一组 GPU 编程知识与调试工具，让它反复执行「生成代码—编译运行—性能分析—调整策略」。团队披露的工程设计也印证了这一点——容器隔离把工作区、评测区、调试区拆开，评测容器禁用网络，防止 agent 绕过评测约束去改计时逻辑或读取参考结果；再配 Skills 与共享 Memory 沉淀有效策略。换句话说，这条新闻的一半是算子优化成绩，另一半是「如何让 agent 在可验证的硬指标上自主迭代而不作弊」，后者对所有想把 AI 用在基础设施的团队都可复用。它也是 RSI 讨论里少数有明确外部度量衡的实例。
待观察。 全文由无问芯穹提供、量子位授权转载，名次与分数无法由第三方独立核验；「超过第二名两倍」的对照是单题第一数量这种很粗的指标，且榜首是动态刷新的，一个月后可能完全不同。文中未给各赛道的 SOL Score 绝对值，也未说明提交是否使用同一套硬件与编译环境——SOL 类基准对 GPU 型号与驱动版本极其敏感。「Agent 自主优化」到「收益落到训练/推理系统」之间还缺一段：文中只说「有望降低计算开销」，没有给端到端训练或推理的实测节省。
5. Physical Intelligence 传融资 10 亿美元，估值约 200 亿美元
来源：量子位（2026-10-28 16:55，转述彭博社）
事实。 据该文转述彭博社报道，2024 年成立的美国机器人 AI 公司 Physical Intelligence（PI）正洽谈至少 10 亿美元新融资，投后估值预计约 200 亿美元，现有投资方 Avenir 与 Lux Capital 考虑领投。估值曲线是：2025 年 11 月融资 6 亿美元时估值 56 亿美元，今年早些时候为 115 亿美元，本轮若成则接近翻倍。投资方名单包括 Alphabet 旗下 CapitalG、Thrive Capital、红杉资本，贝索斯亦有个人投资。公司目前没有商业营收，也未量产机器人；联合创始人今年表示开支主要集中在算力，未向投资人承诺商业化时间表。技术路线是纯软件：在 VLM 基础上加入动作生成，做可适配第三方硬件的通用 VLA，模型从 π0、π0.5 迭代到今年的 π0.7，本月推出机器人基础模型 API 测试版，向外部开发者提供微调与推理服务。对照物：Skild AI 今年 1 月估值 140 亿美元、9 月宣布 ARR 突破 1 亿美元；Figure AI 估值 390 亿美元。创始团队包括 Karol Hausman（CEO，前 Google DeepMind）、Sergey Levine（UC Berkeley）、Chelsea Finn（斯坦福）与 Lachy Groom。
为什么重要。 一个零营收、零量产的公司被给到 200 亿美元，说明当下资本对「具身大脑」的定价方式与 SaaS 不同：买的不是当期收入，而是「物理世界基础模型的入场券」。这个逻辑的另一面是风险集中——如果通用 VLA 真的成立，价值会高度集中于少数底座，硬件厂商变成躯壳供应商；如果不成立，这笔钱会沉没在数据采集与算力上。对国内团队更实际的一课是 PI 的开放节奏：模型还没商业化，先把 API 放出去让别人采数据、做微调，用开发者生态换取场景覆盖，这比自建数据工厂便宜得多。
待观察。 这是转述报道，非彭博原文，也未获公司确认；「正洽谈」意味着交易可能告吹或条款变化。估值对照本身需要谨慎：Skild AI 有 1 亿美元 ARR 仍只有 140 亿估值，PI 无收入却要 200 亿，两者的定价依据不可比。技术侧的公开证据仍是演示与论文，π0.7 的「组合泛化」没有在第三方硬件与第三方任务上的独立复现；PI 自己在开放公测时也公开提醒，建筑、手术、仓储每个领域都需要一家完整公司的资源才能攻克。把这条与第 2 条并排看会更清楚：同样是把模型嵌进真实流程，药物研发那边已经开始交付可测量的工时节省，机器人这边还在交付估值。
今日判断
今天五条的主线是「能力的计价方式正在分化」。
Carbon 与 Ling 是模型侧的两端：一个把主展示面换成网络安全，用可被采购的能力（找漏洞、修漏洞）来定义前沿；一个把主展示面换成多步骤工作流，用活化参数与 MIT 许可来定义可部署性。两者都在回答同一个问题——这个模型能替谁省下多少钱，而不是它在通用榜单上排第几。
Anthropic 与无问芯穹的两条则给出了「省下多少」的具体形状：前者是 89% 的文书复核时间、三个月的监管初稿变四小时；后者是算子层面的 SOL Score 与可被 agent 自主迭代的工程闭环。这两条的共同点是度量清晰、可被审计，因此也最容易被复制或被证伪。
PI 的 200 亿美元是这套逻辑的反面样本：还没有可审计的收入与任务指标，估值先行。这不必然是泡沫，但它说明具身智能这一轮的资金定价仍建立在「底座会赢」的假设上，而这个假设目前只有演示支撑。
给做产品的人三条可操作判断：评估前沿模型时先看它在你的任务上有没有可审计的工时节省，再看总榜；评估开源模型时先算激活量与显存，再算许可证；评估 agent 系统时先问它有没有防止自己作弊的执行边界——无问芯穹那套容器隔离，比任何刷榜结果都更值得抄。