X AI 日报¶
1. AI 模型、产品与应用¶
Thinking Machines 发布 Inkling 2 Small：594B 总参、17B 激活，AA Index 31¶
发生了什么：Thinking Machines Lab（Mira Murati）发布第二代 Inkling 2 Small。官方给出的规格是 MoE 总参数 594B、激活 17B，支持图像输入与可变 reasoning effort，1M 上下文（评测轨迹上限）。目前可在 Tinker 做推理与微调，权重仍闭源，计划在下周完成外部安全测试后以 Apache 2.0 放出。训练侧，预训练使用 NVFP4，联合 RL 约 1075 步、1700 万以上 rollouts。Artificial Analysis Intelligence Index 得分 31，前代 Inkling Small 约为 13。
为什么值得关注：这是一家以“小团队、重研究”定位的实验室第一次把参数规模推到 594B 量级，同时仍保留 Small 的命名与相对克制的激活量；指数从约 13 到 31 的跨代提升，也比同代常规迭代更陡。另一处看点是权重路线：先闭源、外部安全测试后再以 Apache 2.0 开放，等于把“安全评测”做成了发布流程的一部分。
核心 X 原帖（以下时间均为上海时间）： - @thinkymachines，11-06 07:43，赞 4983，浏览约 133 万 - @ArtificialAnlys，11-06 07:59，赞 519，浏览约 4.6 万
核验：官方公告见 Thinking Machines 新闻页，规格、指数与开放计划均可在原文对照，属已核验。需要留意两点：一是部分转述把总参数量写小了，与官方 594B 总参、17B 激活不符，本文以官方为准；二是“下周 Apache 2.0”是计划，权重当前并未放出，不宜写成已开源。
判断：真正的变量不是 594B 这个数字，而是下周的权重是否按时落地。若按计划开放，会直接改变开源侧可用基座的档位；若延后，“先闭源再开放”的安全叙事就会被解读为发布节奏的缓冲。指数 31 属于中上而非顶尖，配合 Apache 2.0 的稀缺性，它的实际影响大概率来自可微调性而不是榜单名次。
OpenAI 发布 BioBasicsBench：100 个湿实验日常任务，Astra xhigh 66.7%¶
发生了什么：OpenAI 与酶设计公司 Ligo 合作发布 BioBasicsBench，用来测 AI agent 解读原始湿实验数据的能力。共 100 个任务，分五类：蛋白方法、成像与流式、定量与 assay、核酸、分子克隆；材料包括凝胶、显微图像、测序结果、仪器导出文件和台面操作视频。xhigh 档得分为：GPT-6 Astra 66.7%，GPT-6.1 Sol 62.0%，GPT-5.6 Sol 43.8%。
为什么值得关注：它刻意避开论文里的精选图，转而强调失败实验、模糊图像和对照设置的问题。这类数据才是实验室日常真正要处理的东西，也是以往基准最容易美化掉的部分；把“看懂一张跑坏的胶”作为考点，比再做一套选择题更接近 agent 落地的门槛。
核心 X 原帖： - @OpenAI，11-07 03:08，赞 2312，浏览约 37 万 - @Polymarket，11-07 03:28，赞 108，浏览约 2.1 万 - @edharris，11-07 03:39，赞 70，浏览 2703（合作方/参与者发布，互动较低，仅作补充）
核验：官方说明见 OpenAI 基准页，任务构成与分数可逐项对照，属已核验。需要说明的是，该页在模型一栏列出了 Astra 名称，但截至本窗口结束，Astra 仍无独立发布公告，此处只按官方基准公布的分数转述，不代表 Astra 已对外发布或可调用。
判断：66.7% 这个数字的说服力取决于评分口径——湿实验数据常常没有唯一正确答案，判分若依赖人工 rubric，跨模型比较会有噪声。更值得记住的是失败区间：同代 xhigh 档从 43.8% 到 66.7% 的跨度说明，这类任务目前仍高度依赖模型代际而非提示技巧。对生物方向的 agent 团队，这份基准的现实用途可能不是排名，而是当作数据清洗清单。
Google Gemini Omni 1.2 Flash 正式 GA：原生 15 秒视频、降价约 30%¶
发生了什么：Google 在 11-05 的官方博客宣布 Gemini Omni 1.2 Flash 在 Gemini API 与 Google Cloud 一般可用；本窗口内主要是 X 上的传播与 Arena 排名更新。能力上，原生生成与编辑最长 15 秒（1.1 为 10 秒），支持多轮对话式编辑，参考一致性增强，720p 定价每秒 0.07 美元、较 1.1 降约 30%，输出带 SynthID 水印。
为什么值得关注：时长、价格、编辑方式三处同时推进。15 秒让单次生成能覆盖一个完整镜头而不是片段，对话式多轮编辑把“改一版”的成本压到一句话，约 30% 的降价则直接影响批量生成的成本结构。
核心 X 原帖： - @arena，11-06 03:08，赞 778，浏览约 6.9 万。帖中称该模型在 Text-to-Video 与 Image-to-Video 两个榜单位列第一、Video Edit 第三。
核验：官方博客见 Gemini Omni 1.2 Flash 发布说明，Google Cloud 侧另有 GA 公告，规格与价格属已核验。榜单名次来自 Arena 自家账号，属榜单方说法，未见第三方复核，引用时应保留这一归属。发布时间为 11-05，早于本窗口起点，此处按“窗口内传播与排名更新”处理。
判断：视频模型的竞争已经从“能不能生成”转到“改起来贵不贵”。15 秒加多轮编辑，实际替代的是剪辑环节的反复试错；0.07 美元每秒的价位，则把试错成本压到可以批量跑的区间。榜单第一更多是传播素材，真正决定采用的是参考一致性能否在长镜头里守住。
Visa Agentic Commerce Benchmark：22 个模型购物测试通过率约 57%¶
发生了什么：Visa 在 11-05 新闻稿中发布 Agentic Commerce Benchmark，本窗口内主要是 X 上的讨论。测试含 15 个真实购物场景，要求模型通过对话挖掘隐藏需求，再决定买或不买；覆盖 12 家实验室的 22 个模型。总体通过率约 57.2%，失败 42.8%；失败案例中约 54% 仍完成了错误购买；三轮全部通过的仅 34.2%；最好成绩 82.2%，最差 28.9%。
为什么值得关注：这是少见的把“不买”也当成正确答案的评测。多数购物 agent 演示只考核能否下单，而真实场景里，需求没问清就加购才是主要风险；42.8% 的失败中过半仍完成了错误购买，说明模型在信息不足时倾向于继续执行而不是停下来追问。
核心 X 原帖： - @danhilltech，11-06 08:42，赞 182，浏览约 2 万（Stripe Link 产品侧讨论，非 Visa 官方账号）
核验：新闻稿见 Visa 新闻室，场景数、模型数与各项通过率可对照，属已核验。X 侧讨论帖来自支付行业从业者，不是 Visa 官方发布，仅作传播参考。
判断：57.2% 的通过率放在支付场景里偏低，但更该看的是“三轮全过 34.2%”——单次侥幸通过的比例不低，稳定通过的比例却只有三分之一，这与 agent 在结账环节需要的可靠性差距明显。对做 agentic commerce 的团队，隐藏需求挖掘和“该停就停”的策略，优先级高于商品匹配准确率。
传闻：OpenAI 为 ChatGPT 做类似 Search Console 的商家曝光分析工具¶
发生了什么：Marketplace Pulse 创始人 Juozas Kaziukėnas 称看到 ChatGPT Business Hub 的横幅提示：已验证商家（例如接入 Shopify 的商家）可以查看每日 mentions、impressions 与点击，可以更新商家信息，并可能配有 business agent。据其描述，该工具不提供 prompt、不提供用户数据，也不提供竞品排名。OpenAI 未官宣，也没有上线日期。
为什么值得关注：如果描述成立，这相当于给商家一个站内曝光与点击面板，把“在 ChatGPT 里被不被提到”变成可观测指标，也会顺势长出围绕 AI 推荐位的一整套运营动作。它与传统搜索的 Search Console 在结构上高度对应，但数据边界被刻意收窄。
核心 X 原帖： - @lilyraynyc，11-06 23:16，赞 692，浏览约 5.3 万
核验：目前仅有二手描述与行业媒体报道，见 Seroundtable 与 Search Engine Land；OpenAI 官方渠道无对应说明，功能范围、开放时间均未确认。本条标为待核实，不作为已上线功能引用。
判断：方向上几乎可以确定商家侧会有这类面板——广告与商家工具都需要归因口径；但“每日 mentions/impressions”这类指标如何定义、样本如何取，决定了它是否可信。在官方口径出来前，把它当成产品路线图信号比当成可用工具更稳妥。
开源：VybBench 以 Apache 2.0 放出，测图像编辑的“只改该改的”¶
发生了什么：作者 anurahk 称 VybBench 已在 GitHub 以 Apache 2.0 开源，首周在 Hugging Face 下载超过 1000 次。基准覆盖 145 种字体、100 种颜色与 200 次编辑，考的是指定字体、指定颜色，以及“其余部分保持不变”的编辑能力。在 200 次小编辑中，头部图像模型平均改动了 90% 以上像素；ChatGPT Image 平均改动 95.5%，Muse 91.9%，Recraft 98.9%。
为什么值得关注：它量化了一个常被演示掩盖的问题——所谓“局部编辑”，实际往往重绘了大半张图。对需要保持品牌字体与色值的商用场景，这个指标比主观观感更贴近返工成本。
核心 X 原帖： - @anurahk，11-06 03:20，赞 217，浏览约 18 万
核验：项目与跑分方式由作者本人在帖中说明，仓库与 pip 命令可复现；像素改动比例属作者自测数据，未见第三方复现，引用时按来源方数据看待。
判断：像素改动比例不等于质量，改动多也可能是合理的重绘；但它至少提供了一把可复现的尺子。对图像编辑产品的选型，这类“保守度”指标值得和主观评分并列看。
2. AI 算力与产业¶
本期未检索到值得单列的 AI 算力与产业新消息。
3. 中文 AI 生态¶
千问官方发「北冥有鱼」预热图，Qwen 4 仍未正式发布¶
发生了什么：千问官方账号发布一张海岛落日、飞鸟化为鱼的图，文案为「北冥有鱼 其名为 _」与「The becoming begins」，社区将其解读为鲲、即 Qwen 4 的预热。另有合作商疑似误发 Qwen4 Max 宣传图，内容称 100 万上下文、支持图像与工具、免费，随后删除，未获核实。官方未公布型号、日期，也没有权重、API 或价格公告，本窗口内未见正式发布。
为什么值得关注：这是国产模型里少见用典式预热，文案与图像都在指向“鲲”，话题度起得快；但所有可确认的信息只有一张图和两句话，参数、能力、许可全部来自推测。合作商误发又删除的插曲，反而说明发布临近而口径尚未统一。
核心 X 原帖： - @xiangxiang103，11-06 20:35，赞 11，浏览约 1.1 万 - @YxzRainy，11-07 01:11，赞 122，浏览约 2.1 万
核验：官方账号的图与文案可核验，其余均不可核验。型号命名、100 万上下文、免费策略都来自社区解读与未证实的截图，官方无对应说明。本条按预热处理，Qwen 4 视为未发布。
判断：预热已经完成，信息仍然为零。真正需要等的三项是型号命名、权重是否开放、以及定价口径；在官方公告前，把“鲲”当成发布信号可以，当成产品事实不行。