X 英文热点选题简报¶
今日优先看¶
-
同一个模型,两个安全基准给出 0% 和 10% 现在值得做,因为中文圈这半年最流行的事就是给 agent 装 skill、连应用,而这份新榜单给出的第一条结论正好是:skill 是最容易被下手的入口(45.5%),比本地文件(28.5%)高六成。它同时提供了一个罕见的教学素材——同一个 Fable 5.2,Palo Alto Networks 测出攻击成功率 0%,PromptArmor 用企业长任务场景测出 10%。两边都公开了方法,差别在场景和攻击集。 最好的补充角度:不要停在「哪个模型更安全」,把问题换成「分数在什么条件下成立」,再讲清楚装一个来路不明的 skill 相当于把什么权限交出去。 形式建议:独立原创帖,配一张三行对照(同一模型/两套基准/两个结论),比引用帖更能压住「模型排名」的误读。 状态:事实可起草;两个基准的样本量与攻击集细节待补读原文;「你手上的 skill 有多危险」属待实测。
-
OpenAI 把性能排查交给 agent:1,700 次调查,600 多次找到根因 现在值得做,因为 agent 落地的讨论普遍停在「能不能用」,而这是少见的把漏斗前半段数字写清楚的官方材料:每天约 17 次调查、三个多月超过 1,700 次调查、600 多次找到根因;对 100 个根因建议做人工复核,70% 被评为准确,其余 30% 还要再补充或没能完全建立因果。漏斗末端有报道称约 400 个修复提案、15 个原样合并的 PR,但这组数字未出现在官方博文里,属待核验。 最好的补充角度:按阶段写「人还在哪」——告警、诊断、对抗评审、人审、上线、回归验证,每段谁负责、谁能推翻谁。结尾可以算一下:如果 1,700 次调查里有大半最后只是「不是问题」,这套东西真正省的是人的注意力而不是人力。 形式建议:独立原创帖,偏工作流拆解;引用帖容易被读成「OpenAI 又发论文」。 状态:1,700/600/70% 已对照官方博文,可起草;400/15/50 与「约 25% 被第二个 agent 打回」未出现在官方博文中,属待核验。
-
Neon 的实测(后续):档位之间的差距,比第一名和第二名之间大得多 现在值得做,因为这是本轮英文圈互动最高的一组讨论(单条 69.6 万浏览、1.1 万赞),而中文侧已经写过 Neon 的「能不能用」,还没写「档位怎么选」。最有价值的一组对照是:跨实验室第一名到第二名差 0.3 分,同一个 Neon 从 xhigh 降到 high 掉 6 分。对大多数在客户端里用模型的人,这比谁第一更有用。 最好的补充角度:把「档位」写成可操作的选择题——什么任务值得开最高档、什么任务开高档就够,成本差多少。要明确写这是个人测试(两个仓库、105 个植入 bug),不是官方榜单。 形式建议:独立原创帖,开头就把「0.3 与 6」这组数字摆出来;引用帖适合补充「不建议用 Neon 写东西」这条反向观察。 状态:官方定价与档位可起草;个人分数与成本对比待核验;「开高档能不能省下时间」属待实测。
候选话题¶
1. 同一个模型,0% 和 10%:安全基准换了场景就翻脸¶
原帖与热度:Santiago @svpino 原帖,2026-11-19 02:19,97 赞、4.0 万浏览;Aakash Gupta @aakashgupta 原帖,2026-11-19 02:14,111 赞、5.2 万浏览。
内容与关注点:见今日优先看第 1 条。
为什么值得做/可写角度:见今日优先看第 1 条。
时效与核验:24—48 小时。前 3 天英文选题、11-20 中文选题均未写过,属新选题。已核验:Palo Alto Networks 称 Fable 5.2 在其基准上攻击成功率 0%(博文);PromptArmor FrontierBreach 给出 21 个模型平均 34.9%、Fable 5.2 10.0%、医疗场景 44.4%、skills 45.5%、本地文件 28.5%、任意代码执行 63.2%、开源权重 43.1% 对闭源 27.5%(榜单)。两个基准不可横向比较,榜单为厂商自测。
2. OpenAI 的 Performance Factory:1,700 次调查、600 个根因¶
原帖与热度:OpenAI Developers @OpenAIDevs 原帖,2026-11-20 01:42,1,633 赞、10.1 万浏览;讨论样本 Andrew Curran @AndrewCurran_ 原帖,2026-11-20 04:32,301 赞、1.0 万浏览。
内容与关注点:见今日优先看第 2 条。
为什么值得做/可写角度:见今日优先看第 2 条。
时效与核验:24 小时内。前 3 天英文选题、11-20 中文选题与日报均未写过,属新选题。已核验:官方博文 How OpenAI's Performance Factory keeps ChatGPT fast 写明三个多月超过 1,700 次调查、600 多次找到根因、每天约 17 次,以及对 100 个根因建议的人工复核中 70% 被评为准确(30% 需再补充或未完全建立因果)。400/15/50 仅见于报道,「约 25% 被第二个 agent 打回」未出现在官方博文中,均属待核验。不要把调查次数写成修复数量。
3. Neon 实测(后续):0.3 分与 6 分的对比¶
原帖与热度:Taelin @VictorTaelin 原帖,2026-11-19 12:16,11,076 赞、69.6 万浏览;Paweł Huryn @PawelHuryn 原帖,2026-11-19 17:43,1,634 赞、10.5 万浏览;Riley Brown @rileybrown 原帖,2026-11-20 00:41,188 赞、1.8 万浏览;Tony @EnvolDev 原帖,2026-11-20 04:28,69 赞、1.2 万浏览。后两条只到放宽档,属实践评测类,按例外入选。
内容与关注点:见今日优先看第 3 条。
为什么值得做/可写角度:见今日优先看第 3 条。
时效与核验:24 小时内。属后续,增量是英文圈实测与档位结论,不重复上线信息。已核验:每百万输入 3 美元、输出 15 美元、100 万 token 上下文、四档 thinking、AA 智能指数 61 排第 3(xhigh 档),见 Google 官方博文。来源说法:105 个 bug 的分数(个人测试)、同一提示词下 11.84/2.07/31.85 美元的成本对比(单人单次)。讨论样本 @fei398077 原帖 与 @HarshaHegde0 原帖 均属低互动引用,只当样本。
4. 苹果自己做会点鼠标的 agent,同时给别人的 agent 加门槛(后续)¶
原帖与热度:zerohedge 原帖,2026-11-20 05:38,1,592 赞、18.1 万浏览;Ethan Mollick @emollick 原帖,2026-11-20 06:18,250 赞、1.7 万浏览。
内容与关注点:招聘信息要的是「像能干的人那样使用电脑」的 agent,能浏览网页、跨应用操作、跑命令、写和调试代码、调用服务;同一条彭博报道说 macOS 27.3 会对把完全控制权交给第三方 agent 的用户弹警告。@emollick 的说法是,公司迟早会因为不让用户用自己的 agent 管自己的账号和电脑而失去耐心。
为什么值得做/可写角度:中文圈容易只读成「苹果也要做 agent」,漏掉配套的那半句。可以写成「授权」这一层:系统警告、明确动作、全盘控制权,对普通用户意味着什么;再补一句这类限制跟地区无关、跟系统版本有关。读者价值是「你买的电脑将来谁能替你点鼠标」。
时效与核验:24 小时内。属后续,11-20 日报已写招聘信息,本轮只写限制与观点。已核验:招聘页原文、苹果 2026 年 10 月给开发者的通知(Apple Developer News)、TechCrunch 对彭博报道的复述;原报道见 彭博。「从 4 步变 14 步」只见于聚合站转述,待核验。苹果未回应置评,不要把「限制第三方」写成事实动机。
5. ChatGPT for Accounting:行业包开始按「月底结账」这类动作切¶
原帖与热度:ChatGPT 官方 @ChatGPT 原帖,2026-11-19 04:59,18,816 赞、792.7 万浏览;讨论样本 Jason Staats @jasononfirms 原帖,2026-11-19 06:29,120 赞、1.9 万浏览;Ruhan Ponnada @RuhanPonnada 原帖,2026-11-19 05:50,89 赞、1.5 万浏览。
内容与关注点:官方只说了四件事——月底报表、银行对账、数据录入、审计准备,并点名 QuickBooks、Xero、NetSuite、BILL、FreshBooks、Rillet、Campfire 七个工具。这是两天里的第二个行业包(前一天是 Sales)。它没有另做账本,而是把四个动作接到已有记账软件上,最终入账留给人。
为什么值得做/可写角度:中文读者对「AI 做账」的印象两极分化。真正可迁移的是产品结构:动作清单、合作工具、人复核。可以顺带观察「哪个行业被拆得更细」,但要把「Sales 列了 33 个合作方」标成媒体说法。必须提示:这些合作工具在国内基本用不上,中国会计准则也不是同一套。
时效与核验:24—48 小时。前 3 天英文选题、11-20 中文选题未写过,属新选题。已核验:四个任务、七个工具名、发布时间与互动(官方帖本体)。来源说法:有报道写 8 个合作方(多出 QuickStart),口径不一;FourWeekMBA 称 Sales 包列了 33 个。官方产品页 openai.com/business/solutions/accounting 正文抓取被拒,实际可用性与价格未核验。
6. Netlify 把自己重做成「给非程序员造应用」的地方:30 天 70 万次 agent 部署¶
原帖与热度:Santiago @svpino 原帖,2026-11-19 01:01,68 赞、2.7 万浏览;swyx @swyx 原帖,2026-11-19 05:26,107 赞、1.5 万浏览(只到放宽档,属实践/工具类,按例外入选)。
内容与关注点:官方数字比两条帖更能说明问题——过去 30 天 50 万用户跑了 170 万次 agent,agent 产出超过 70 万次生产部署;某一天新增注册超过 10 万;官方承认来的人多数不是职业开发者,而是财务、市场、零售等领域的从业者。
为什么值得做/可写角度:这是「vibe coding 之后托管平台长成什么样」的完整样本:描述、预览、连接数据、上线串成一条链。中文读者真正关心的是这条链缺的那几环——数据在哪、权限给谁、后端跑在哪。可以写「哪些步骤现在还需要人」,以及国内用户会卡在支付与网络这一步。
时效与核验:24—48 小时。前 3 天英文选题未写过 Netlify,属新选题。已核验:官方博文 给出上述数字,并写明 Connectors 授权是个人级、部署后的应用不会自动获得持续访问权、Netlify Server 早期访问期免费且需要先看限额;第三方补充其目前有三个实例上限、暂不支持 Next.js/Astro/Nuxt(Tech Times)。「70 万次生产部署」不等于 70 万个应用上线。
7. Claude 的 artifacts 变成了几种能编辑的文件,还带设计系统¶
原帖与热度:Riley Brown @rileybrown 原帖,2026-11-19 05:05,294 赞、2.2 万浏览、333 收藏。
内容与关注点:帖子里列了 Sheets、Motion、Data、Docs、Design、Design System、Deck 七项并给出好评。对照官方文档,artifacts 已是带各自编辑器的文件类型:Docs、Slides、Design、Data(原 Dashboards)、Motion,Sheets 与 Whiteboards 还在 beta;Design 与 Deck 可套用 design system,新作品沿用同一套颜色、字体与组件。
为什么值得做/可写角度:中文读者对 Claude 的印象多停在写东西和 Claude Code。这一层变化直接影响非程序员:同一份材料可以当场变成表格、文档、演示、动效,还能继续改,而不是截图。适合做「一份材料、五种交付物」的实测。
时效与核验:24—48 小时。前 3 天英文选题与 11-20 中文选题未写过,属新选题。已核验:官方功能页 与帮助中心 对文件类型、design system、默认开启状态的说明(Data 于 2026-11-20 在企业版默认开启)。个人账号能开哪几种取决于套餐与管理设置,帖内是视频片段,不代表完整工作流。
8. 一句话造一座能走进去的城:涩谷 12 小时、GTA 式纽约、会亮的太空电梯¶
原帖与热度:Matt Shumer @mattshumer_ 涩谷,2026-11-20 06:05,239 赞、4.9 万浏览;纽约游戏,2026-11-19 03:20,328 赞、5.4 万浏览;Ethan Mollick @emollick 太空电梯,2026-11-18 10:42,195 赞、2.9 万浏览;水下哥特城,2026-11-19 11:27,291 赞、3.1 万浏览;MengTo @MengTo 原帖,2026-11-19 18:00,177 赞、1.3 万浏览(只到放宽档,属创作实践类,按例外入选)。
内容与关注点:@mattshumer_ 说 12 小时做完涩谷复刻,连 NPC 与行为模拟都生成了,「全部在 iPhone 上完成,用 Higgsfield 的 GPU Harness 接 8 张 L40S」,并对比自己做曼哈顿渲染花了一周。@emollick 的两条更偏观察:每件物体都是代码写出来、有动态光照与物理的太空电梯场景;同一个着色器提示词,不到一年从旧模型换到 GPT-6.2 Astra。@MengTo 的做法是给 Claude Code 每个角色一张图加 Hi3D 的 MCP,让它自己做模型。
为什么值得做/可写角度:中文圈这轮多在比「哪个模型 3D 更强」。这几条给的是可复现路径:不是让模型生成视频,而是让它写代码造一个能走进去的场景,角色模型靠 MCP 从图片转 3D。落点写成「要做出这样的东西需要哪四样」——模型、GPU、工具链、大量人工挑错,读者才不会误判门槛。
时效与核验:跨段,涩谷为 24 小时内,纽约游戏与太空电梯为 24—48 小时。与 11-20 中文选题第 14 条(GPT-6.2 的 3D 强、写作弱)角度不同,不重复。来源说法:12 小时/iPhone/8 张 L40S 均为作者自述,无独立复现;可玩的作品有公开链接但多为一次性 demo,作者自己标注仍在迭代。这类作品不等于可维护的产品。
9. 一份 3,728 个账号的「AI 回复水军」名单:498 个已被封¶
原帖与热度:@levelsio 原帖,2026-11-19 20:12,1,756 赞、12.2 万浏览、809 收藏。
内容与关注点:作者兑现承诺,公开一份「X 水军名单」,称 3,728 个账号持续用自动化 AI 回复刷互动,其中 498 个已被封禁;名单做成了可直接使用的屏蔽工具,放在 blockedforaireply.levels.io。
为什么值得做/可写角度:这是少数把「AI 内容泛滥」从抱怨变成工具的例子。对中文读者,价值不在名单本身(名单是英文圈的),而在方法:怎么识别自动化回复、怎么批量屏蔽、平台为什么难以自查。要写明误伤风险,被列入不等于确实是机器人。
时效与核验:24 小时内。前 3 天英文选题、11-20 中文选题未写过,属新选题。来源说法:3,728 与 498 只见于作者原帖,名单站点存在但为交互式工具,数量未独立核实;未逐个抽查名单准确性。工具可能随平台规则变化失效。
10. 27 秒的餐厅广告,10 美元额度,Claude Code 在终端里做完了¶
原帖与热度:Cody Schneider @codyschneider 原帖,2026-11-19 08:00,61 赞、8.0 万浏览、155 收藏。
内容与关注点:给一家德州卷饼连锁店做了 27 秒 UGC 风格广告,约 10 美元额度,整个流程由 Claude Code 在一个终端里跑完。作者的观察是:餐厅 UGC 是最程式化的广告格式,正因为程式化才能批量做。
为什么值得做/可写角度:把「AI 做视频」从炫技拉回可复制的小生意场景。对中文读者最有用的不是工具名,而是「先找程式化的格式」这个判断——它决定能不能批量,而不是模型有多强。可写「什么样的活适合交给 agent 批量做」:格式固定、验收标准肉眼可见、失败成本低。
时效与核验:24—48 小时。前 3 天英文选题、11-20 中文选题未写过,属新选题。来源说法:27 秒、10 美元、单终端完成均为作者自述,帖内有视频;10 美元不含人力修改、素材授权与投放成本;品牌方是否采用、效果如何,帖内无数据。
11. Marin 把 535B 模型的 57 个中间检查点全放出来了¶
原帖与热度:Sebastian Raschka @rasbt 原帖,2026-11-19 23:10,316 赞、1.4 万浏览、150 收藏;讨论样本 Percy Liang @percyliang 原帖,2026-11-18 09:55,130 赞、8,717 浏览。
内容与关注点:作者称这次 checkpoint 给得「甚至有点过量」,附带的报告讲清了架构取舍的原因(训练稳定性、GPU 吞吐):latent MoE 上多加一个 RMSNorm、3:1 的滑窗与全局 gated GQA、局部 RoPE 配全局 NoPE、以及 exclusive self-attention。
为什么值得做/可写角度:中文圈看开源模型基本只看榜单。把 57 个中间检查点、18.2T token、约 61TB 权重全放出来是另一种开放:别人能研究模型怎么长出来。对做评估、微调、教学的人可写「这些检查点能拿来做什么」。对非程序员价值有限,放后段。
时效与核验:24 小时内。前 3 天英文选题、11-20 中文选题与日报均未写过,属新选题。已核验:模型卡 给出 535,477,106,688 个存储参数、每 token 约 22.76B 活跃参数;检查点数量与训练量见发布者 @dlwh 的原帖 与 Open Athena 说明。61TB 权重与能本地运行是两件事。
12. 机器人手:GR00T 2 插内存条 85%,装玩具卡车 65%¶
原帖与热度:Jim Fan @DrJimFan 原帖,2026-11-20 01:36,440 赞、2.3 万浏览、103 收藏。
内容与关注点:一条不加剪辑、1 倍速的演示,GR00T 2 端到端控制一双真实灵巧手。官方给的任务是长时序的:贴标签、换零件、装玩具、走化学实验流程,用的是一双 22 自由度的 Sharpa 手,每个任务只需少量遥操作数据做后训练。
为什么值得做/可写角度:人形机器人的讨论常停在「会不会替代人」。这条给的是刻度:七项灵巧手任务平均 68.6%,GB300 内存条就位 85%,装玩具卡车 65%。写「成功率的刻度」,不写「机器人要来了」,并说明它离家庭场景还有多远。
时效与核验:24 小时内。前 3 天英文选题、11-20 中文选题与日报均未写过,属新选题。已核验:NVIDIA 项目页 与白皮书 给出任务与成功率;「不加剪辑、1 倍速」是作者对视频的说明,我未逐帧核对。68.6% 是特定任务集上的成功率,不是通用能力。
13. AI 检测器给了获奖小说 99%,而「洗」成人类写作只要一次翻译(价值观察)¶
原帖与热度:Ruben Hassid @rubenhassid 原帖,2026-11-18 20:00,136 赞、1.0 万浏览、196 收藏(只到放宽档,属创作实践类,按例外入选);讨论样本 Clo Willaerts @bnox 原帖,2026-11-19 11:31,269 浏览;@stobaeus_books 原帖,2026-11-18 18:23,13 赞、3,000 浏览。
内容与关注点:先让 Claude 列 50 个随机厨房词,塞进提示词让文字「读起来像人写的」,再拿去 Pangram 检测,拿到 100% human 的结果,但作者说自己不会把这种东西发出去。另两位的做法更极端:先用拉丁语写再翻回英文,或只用 1900—2020 年出版物里的原句组装,也能拿到 100% human。反方向的案例是:Pangram 把一本获奖小说的 99% 判为 AI 生成,随后连作者声明自己写的帖子也被判为 AI。
为什么值得做/可写角度:中文读者的「AI 味」焦虑很实在:学生怕误判、作者怕被质疑、招聘方想筛。这组材料的价值是双向的——检测器能被绕过,也会误伤,它给出的分数不是证据。适合写成「检测器在哪些环节被当成了证据」的观察,落点在流程要有人,不给规避教程。
时效与核验:24—48 小时;讨论样本跨 24 小时内与 24—48 小时。前 3 天英文选题、11-20 中文选题与日报未写过,属新选题,标价值观察(X 侧热度低,价值在解释空间)。已核验:获奖小说被判 99% 与出版社在复核后仍支持作者(EL PAÍS、The Decoder),该新闻发布于 2026-10-27,超出窗口,只作背景。来源说法:几种「洗成 100% human」的做法均为个人实验,未复现;「作者的声明帖也被判 AI」未独立核实。
本期收录 13 条,不硬凑。
覆盖为 partial:7 个名单账号(@AndrewYNg、@chipro、@nickfloats、@rowancheung、@bcherny、@ylecun、@deepseek_ai)在各自巡检组内为 0 条但未单独复核,不能断言其窗口内无原帖。