X AI 日报¶
1. AI 模型、产品与应用¶
Science's Last Exam：给“AI 能不能做科研”出卷，端到端仍是 0 分¶
发生了什么：AItonomy Foundation 发布新基准 Science's Last Exam（SLE），不再用问答形式，而是给 agent 真实研究目标与实验室数据、软件等真实工具，再由领域专家密封的隐藏检查项判分。基准含 113 个任务、覆盖 9 个学科，拆成 6 项科研能力加 1 项端到端研究评测；8 个前沿模型里最好的综合得分 37.5/100，端到端独立研究全部为 0。官方称任务与评测于 11 月 6 日开放。
为什么值得关注：这是把“会答题”和“会做研究”明确切开的一次尝试。37.5 与 0 的落差说明，当前模型在单点科研技能上已能拿到部分分数，但把假设、实验设计、执行与结论串成一条可复现的研究链仍然做不出来；隐藏专家校验加可复跑产物的设计，也让分数比自报榜单更难注水。
核心 X 原帖：@aitonomyfound（11-05 23:58 上海，约 27.9 万浏览、305 赞）；@Charles_Y_Wu（11-06 00:11 上海，约 29.5 万浏览、457 赞）。
核验：已对照官网，任务数 113、学科数 9 与官方帖一致；传播帖的“最好 37.5、端到端 0”与官方口径相同。部分转述给出的 “Claude Opus 5 + Claude Code” 属配置名转述，以官方帖为准。
判断：SLE 的价值不在排名，而在把科研 agent 的评测从“答对题”推进到“交出可复核的研究产物”。短期内它更像一把标尺而非赛道：真正要看的是下一版模型能否把 0 变成非 0，以及开放任务后社区提交的失败模式是否集中在实验执行与结果解释这两段。
METR 高权限评估：Anthropic 的能力增速约为此前 2 倍，多数关键证据被涂黑¶
发生了什么：METR 11-05 发布对 Anthropic 的高权限评估，评估期为 2026-08-12 至 10-29。报告的主观结论是：截至 2026-10，Anthropic 在“定义良好任务”上的能力进步速度约为此前（2024-03 至 2025-10）的 2 倍，不确定区间约 1.3–3 倍；当前加速大部分可归因于用 AI 做研发；未观察到未来 12 个月出现明显瓶颈。AECI 自 2025-10 起增速约 1.9 倍[1.5–2.8]。METR 同时说明，提交给 Anthropic 的约 100 页完整报告中，公开版被以机密为由涂黑了大部分“最有信息量”的证据。Anthropic 联合创始人、安全负责人 Sam McCandlish 随后发长帖回应，称未来数月会分享更多安全工作，并给出对这份报告的看法。
为什么值得关注：这是少数由外部机构在获得内部信息条件下，直接测量“AI 加速 AI 研发”是否正在发生的评估。如果 2 倍增速成立，模型自我改进的反馈回路就已经在实验室内部起作用，安全评估与算力投入的节奏都要据此调整；但 1.3–3 倍的大区间与被涂黑的证据，意味着这个结论目前仍带有很强的判断成分。
核心 X 原帖：@METR_Evals（11-06 02:36 上海，约 39.9 万浏览、2339 赞）；@Sam_McCandlish（11-06 03:16 上海，约 12.5 万浏览、1304 赞）；传播帖 @kimmonismus（11-06 03:21 上海，约 3.0 万浏览、345 赞）。
核验：数字一律以 METR 博客为准；需强调高不确定性与证据涂黑，不宜把“2 倍”当作定论。报告正文另有“当前加速约八成可归因于 AI”一类主观猜测，作者同时强调高度不确定；公开结论仍以约 2 倍与高不确定性为主，不把八成当硬数字。
判断：这份报告真正的信号是评估方法而非单个倍数：外部评估者已能进入实验室内部，却仍只能公开一小部分证据，可复核性因此打折。接下来值得盯的是 Anthropic 承诺的后续安全披露能否补上被涂黑的部分，以及 METR 的方法能否复制到其他实验室，形成可横向比较的增速读数。
Ricursive 发布 Ripple-65B Preview：65B 稠密模型主打 agentic coding¶
发生了什么：Azalia Mirhoseini 等人所在的 Ricursive 发布 Ripple-65B Preview，65B 稠密模型、从零训练 12T tokens、上下文最长 1M，采用 Apache 2.0 许可，权重上 Hugging Face，并可通过 Together、GMI、OpenRouter 等调用。官方自称在 TerminalBench 2.1 上取得 80.52，为美国开放权重模型中的 SOTA；内部变体已用于其自家芯片设计平台。团队另一条帖补充，整个研发投入约 3200 万美元，模型可在 MacBook Pro 或 DGX Spark 上本地运行。
为什么值得关注：它把“开放权重 + agentic coding + 端侧可跑”三件事压到 65B 这一档，并用远小于对手的参数量去对标数百 B 级开放模型。对做本地编码 agent 的团队来说，这是一条新的可自托管选项；对芯片与模型协同的叙事来说，这也是“更好的模型设计更好的芯片”这一闭环的第一次公开交付。
核心 X 原帖：@Azaliamirh（11-05 03:11 上海，约 3.5 万浏览、452 赞）；@stephzhan（11-05 02:48 上海，约 1.2 万浏览、110 赞）。
核验：参数、训练 token 数、上下文长度、许可与分发渠道已对照官网与 Hugging Face 模型页；“美国开放权重 SOTA”是限定比较范围的说法，80.52 属厂商自报，尚无第三方复现。
判断：65B 打赢数百 B 对手的说法如果站得住，说明 agentic coding 的收益更多来自数据与后训练配方，而不是单纯堆参数，这对算力预算的分配是个不小的变量。但在第三方复现出现之前，应把 80.52 视为厂商口径，重点观察真实终端任务里的稳定性与长上下文表现。
后续：GPT-6.2 Astra 与 Sol 的发布时间点猜测升级¶
发生了什么：此前已报 Astra 降价与发布传闻，本期新增的是中文圈对 Tibo 两条短帖的破译：把 “Le GPT Fat” 与 “Chat BLT” 拼读为 “ChatGPT BeL Friday At Ten Local Time”，即太平洋时间周五上午 10 点，并据此推测届时会发布 GPT-6.2 Astra 与 GPT-6.2 Sol。另有账号称两款模型短暂出现在 Google Cloud 配额页面。迄今无 OpenAI 官宣。
为什么值得关注：传闻已经从“要不要发”细化到“具体几点发”，说明市场对 OpenAI 下一代旗舰的时间预期正在收敛；而 Astra 与 Sol 若同期落地，产品线会同时覆盖通用与推理两档，直接影响到 API 定价与竞品排期。
核心 X 原帖：@feishutoday（11-05 19:50 上海，约 7.1 万浏览、282 赞）。
核验：破译与 Google Cloud 目击均为社区推断，无 OpenAI 官方确认；帖内也明确“按现有线索”推测。发布时间、时区与具体型号都待核验，不能当作已定事实。
判断：这条只应作为“后续”读：新增信息是时间点解读，而不是发布事实。真正有价值的观察点是周五上午 10 点这个窗口是否兑现，以及兑现的是两款模型还是一款；若落空，本轮预期的回落会比前几次更快。
2. AI 算力与产业¶
本期未检索到值得单列、且能对上一手来源的 AI 算力与产业新消息。
3. 中文 AI 生态¶
百度开放 ERNIE-5.5-Flash-Base 预训练权重：280B 总参、14B 激活¶
发生了什么：百度放出 ERNIE-5.5-Flash-Base，开放 ERNIE 5.5 Flash 预训练终点的权重。模型为稀疏 MoE，总参数 280B、每 token 激活 14B，在 33.5T tokens 上从零完成预训练，最长训练上下文 128K，微调与推理支持 1M tokens 上下文；本次发布为纯 Base，未经中训练与后训练，同步提供 FP8 与 BF16 两套权重，已上架 Hugging Face。中文社区帖还提到混合稀疏注意力与 Multi-Router Latent MoE 架构。
为什么值得关注：国内头部厂商直接放出这一档规模的预训练终点权重并不常见，纯 Base 的定位意味着它面向的是继续微调与 RL 研究，而不是开箱即用的聊天产品。对做中文基座二次开发的团队，这是一份可用的 280B 级起点；对百度的开源节奏而言，也标志着文心系列从“发模型”转向“发底座”。
核心 X 原帖：@NFT_Chen（11-05 14:16 上海，约 2.3 万浏览、75 赞）。
核验：参数规模、激活量、训练 token 数、上下文长度与权重精度已对照 Hugging Face 模型页与官方发布页。与 DeepSeek V4 Flash 等模型的对比为厂商同一管线下的自评，不构成独立评测。
判断：开放预训练终点权重，实际是把后训练的门槛和话语权一起让给社区，百度拿到的是生态而不是成品口碑。需要留意两点：一是纯 Base 在中文社区会不会真的被大量微调采用，二是自评对比若缺少第三方复现，很难改变外界对文心实际能力的既有印象。