AI News

Anthropic 对齐科学团队发布研究《Worse Together》，构建四个模拟多用户日常任务的环境，测试 Anthropic、OpenAI 与阿里的前沿模型在多用户多智能体场景下的表现。结果显示：给团队里每个人配一个独立 Agent，整体表现反而不如大家共用一个 Agent。原因可能在于独立 Agent 各自为战，缺乏协同。

马斯克转发了开发者 robinebers 对三款 AI 桌面 agent 的使用对比：Grok Bot 是唯一持续使用下来的；ChatGPT Dots 因 bug、频繁拒绝执行和不断弹审批提示被作者暂停使用，且没有独立应用；Claude Duet 令人期待但实际能做的太少，被认为「太早，或许是潜在的 sleeper」。这条对比来自真实用户的一手体验，反映了当前桌面 agent 产品普遍卡在权限审批与任务完成率上的现状。

kalomaze 分享用 Claude Opus 5.5 做智能体的体验:主 Agent 声称无法查看子 Agent 的中间进度,但实际上结果就存在磁盘上可查。对比之下,GPT-6 系列默认不会过度消极、不会假装做不了明显简单的事。他还指出这类模型把「直接读磁盘文件」等完全可行的操作错误表述成需要绕过 harness 限制的行为,研究者质疑这种把「绕过限制」当「做不到」的装傻倾向。

马斯克转发推广 Grok Bot 的新通话能力：一位用户航班取消后，Grok Bot 直接打电话给航空公司，等待 11 分钟后与客服沟通，改签至次日航班，并主动索要取消补偿的酒店和餐费。加价过道座位会先问用户，还发短信通知家人并设闹钟。全程 14 分钟，智能体会主动表明自己是 AI。

Northwestern 与 Google 发布论文《The End of Harness Engineering》(Harness², arXiv 2610.14224)，提出在模型权重固定的前提下，让包裹模型的 harness(提示词、工具、技能、记忆)通过试运行自我编辑并保留有效改动，无需答案密钥即可在新任务上持续自我改进，单步性能最高提升 11.5 分。Cohere Labs 亦邀作者 Ruiyao Xu 做了讲座分享。

宾夕法尼亚大学教授 Ethan Mollick 发布 SatBench 项目，追踪 2023 年以来各大 AI 实验室发布帖中引用的 173 个基准。以最佳成绩达 85% 为“刷穿”标准，结果发现 63% 已饱和。数据显示私有或留出测试集的起步分数虽更低，但分数下跌速度与公开基准一样快，凸显行业评测体系面临的挑战。

免费开源的轻量云原生 GIS 平台 GeoLibre 发布 v3.8.0，支持浏览器、桌面、移动端和 Jupyter 中运行，数据保持本地与隐私。本次版本合并了来自 10 位贡献者的 58 个 PR。主要更新：导入 QGIS/QField 项目（含属性表单、分类/分级/规则符号化、关联表格），便于野外数据采集；Android 端支持蓝牙 GNSS 接收机变身 RTK 野外工具；STAC 与 Planetary Computer 搜索能力大幅增强。

Google DeepMind 新论文《EmbeddingGemma 2》发布后登顶 HuggingFace 热榜，非 LLM 模型罕见霸榜。训练细节显示其从 Gemini Embedding 2 分阶段蒸馏：先做纯文本对齐打底，嵌入尺寸最低压缩到 128；收尾还采用单轨迹 checkpoint 平均的模型合并与 int4 量化感知训练两项技巧，实现统一高效的多模态嵌入。

AgenC 宣布即将在 AgenC 市场推出 AgenC Wallet，让智能体之间可以互相雇佣、在闲置时接单赚钱。设计要点包括：密钥始终留在用户本地机器上、可为每个 agent 设定消费上限、可直接在聊天中雇佣 agent，支持闲置算力变现，首批支持 macOS 和 Linux。

要求 Nvidia 恢复被罢免 CEO 黄仁勋职务的请愿书，截至周六下午已获得超过 11.5 万个签名，包括 5,965 名在职员工、1,108 名前员工和 63,063 名股东，马斯克、Replit CEO Amjad Masad 和 Epic Games CEO Tim Sweeney 均已联署。

Anthropic 于 11 月 15 日发布 Claude Meetings 测试版，用户可将 Claude 拉入团队视频会议。它会一边听取会议内容，一边与参会者共同实时构建文档、白板等工件与交付物，区别于传统的会后总结模式，实现会中协作。

前 OpenAI 政策负责人 Miles Brundage 用「The frenemy of my frenemy is my _____?」这类填空谜题测试各家模型，截图显示不同模型的答案画风迥异。他发现 ChatGPT 一致给出「最皮」的答案（如 frenemy-in-law），并吐槽原以为这类俏皮回答只出现在特定场景，实际却屡屡出现。

11月15日，有 Reddit 用户发帖质疑阿里巴巴的 Qwen 4 Max Preview 疑似蒸馏自 Claude，并因此继承了后者过度严格的安全护栏（"safety maxxed"），导致可用性明显下降。该作者长期使用 Qwen 3.7/3.8 Max 辅助理解自身健康相关咨询，认为新版体验不如从前，更偏好之前的版本。该帖在社区获得关注并被多次转发讨论。

多位网友对 AI 文本检测工具 Pangram 提出质疑并附实测讨论，提出偏差假说：该检测器可能默认按写作时间戳判断——2020 年前的文本一律标为非 AI，2020 年后即使毫无 AI 参与的文本也被标为 AI 生成。网友认为其本质是神经网络分类器，天然容易把年份与 AI 含量建立虚假关联。另有观察指出，文风越正式越容易被误判为 AI 写作，口语化文本则更易被判为人类所写。

投资人 gabriel 发帖称「Opus 5.5」是一个便宜档位的模型，但在理解人类意图上表现如同大模型，他称之为「big AGI moment」。该模型名称此前未见官方发布信息，属于未经证实的传闻或体验分享。

WSJ 科技专栏作者 Joanna Stern 指出，苹果的 AI Siri 今年确有长足进步，但在基础能力上仍然拉胯，新版 HomePod（HomeView）上问题最明显，并放出实测片段佐证。steipete 转发了这条评测视频。

开发者 dSebastien 发布 Obsidian Starter Kit v6，将他的个人 Obsidian 库打包成一套覆盖全生活的知识管理系统，用户可将其作为 AI 协作模板直接搭建自己的知识库。新版本新增媒体管理、音乐学习与练琴笔记等功能，老用户可免费升级。

HN 上有人分享了 Mercury OS 的概念网站,提出一种彻底去掉文件夹 and 应用两类范式的操作系统构想,主张以任务/意图为中心重新组织人机交互。目前主要是设计理念的展示页面,尚未见可用的产品或代码发布。

Reddit 用户针对 H3 Image（HiDream/E3 类文生图模型）出图「发糊、噪点脸、块状皮肤、坏牙」的问题做了排查：在模型、提示词、种子完全不变的情况下，仅修改三处设置即可修复——将分辨率调至模型训练所用的约 16MP、改用 LCM 采样器，并使用长提示词。该方案在社区获得关注与验证。

Anthropic CEO Dario Amodei 在 JPMorgan 投资者活动上表示，明年的走向存在巨大不确定性，算力是公司面临的最深商业两难：算力需提前一到两年购买，买少了影响客户和收入，买多了可能财务过度扩张。