# AI 要闻 · 2026-11-09

- 网页：https://www.wangwu.ai/daily/2026-11-09/
- 抓取时间：2026-11-09 07:23–07:33（北京时间）
- JSON：https://www.wangwu.ai/daily/2026-11-09/data.json

## 今日最该知道的 3 条

### [TCSExam: Evaluating Frontier LLMs on the Full Range of TCS Research](https://arxiv.org/abs/2611.07962)
- 日期：2026-11-08T18:45:52.000Z · 来源：arXiv · 2611.07962；标注 11-05；窗内 X 讨论 · 标签：TCSExam、Lean、Moonshot、清华、GPT-6 Astra
- 摘要：GPT-6 Astra 在 20 道无中间引理的研究级定理上一次尝试证完 70.0%（14/20），Full 指数 71.9 居首，但 30 道公开猜想解决率为 0。100 题由 Lean 或可执行检查器验收（定理 20 / 求解器 30 / 构造 20 / 猜想 30）；Lite 上 Opus 5.5 以 72.3 领先。
- 为什么值得看：评估科研 agent 时把「能证已有定理」和「能解决公开猜想」拆开看：前者已出现断层，后者仍接近零。对外宣称「AI 做理论」前，先核对提交是否过 Lean/检查器，而不是只看综合指数。
- 相关：[Rohan Paul 讨论](https://x.com/rohanpaul_ai/status/2119501674465439786)
- 相关：[仓库](https://github.com/MoonshotAI/TCSExam)

### [Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models](https://arxiv.org/abs/2610.35138)
- 日期：2026-11-08T17:50:00+08:00 · 来源：arXiv · 2610.35138；窗内 THE DECODER 报道 · 标签：Co-Design Bench、编码智能体、阿里、评测
- 摘要：十个端点共用同一 harness 时，最强者每题平均满足约 69.9% 隐藏验收标准，但整题全过仅 26.4%。273 题来自逾 2.6 万次真实改应用会话，共 2331 条专家标准，分多模态编辑与仓库修改两轨，并用「先评判再反驳」协议打分。
- 为什么值得看：别再用接近满分的旧编辑基准安慰自己。选编码 agent 时把模型和运行时绑在一起测，并单独看「差最后一条标准」的失败——那才是你会手工收尾的部分。
- 相关：[THE DECODER](https://the-decoder.com/ai-coding-agents-still-need-human-cleanup-on-nearly-three-out-of-four-tasks-in-a-real-world-test/)
- 相关：[项目页](https://codesignbench.github.io/)

### [DeepSeek Harness：日活跃用户达 154 万、日消耗 Token 约 92 万亿，将建设官方插件市场](https://www.ithome.com/1/023/011.htm)
- 日期：2026-11-08T18:47:19.000Z · 来源：IT之家 · 官方 11-05 通报；窗内 Bloomberg/X 扩散 · 标签：DeepSeek、Harness、插件、日活
- 摘要：截至 11 月 4 日（仅官方 API 用户），DeepSeek Harness 日活 154 万、日耗约 92 万亿 token。产品 8 月 13 日上线、9 月 29 日发桌面端；第三方插件约 3.5 万，约 60% 活跃用户制作或安装过插件。官方称将建插件市场并筹备作者激励。
- 为什么值得看：这是开源智能体应用的用量样本，口径仅官方 API。若你做插件或对标 harness，优先看即将上线的插件市场规则与安全机制，而不是只转发日活数字。
- 相关：[Bloomberg 转述](https://x.com/rohanpaul_ai/status/2119502039147565171)

## 专栏：端侧模型

进博会端侧 MoE 智能体演示；日常 llama.cpp b 号无新模型支持。

### [终端侧AI：从单点应用走向智能体体验](https://www.qbitai.com/2026/11/508478.html)
- 日期：2026-11-08T11:05:23+00:00 · 来源：量子位 · 11-08 19:05；高通供稿 · 标签：端侧、MoE、高通、进博会
- 摘要：高通在进博会展示端侧 MoE 智能体，联合阶跃星辰、Infris AI 与江波龙，把专家预测、预取和 UFS 加载串起来，目标从单点 ASR/修图走到意图理解与操作 App。论点是端侧优先：设备常只能跑 20–40 亿 Dense 参数，MoE 只激活部分专家，并靠预取缓解 DDR 带宽瓶颈。
- 为什么值得看：把它当产业演示而非独立评测：若你做端侧 agent，重点看专家预取和存储路径是否真能降低等待，而不是只记住 MoE 这个词。

> llama.cpp b12193–b12211 多为 mtmd 重构、日志级别等，无新模型支持，未单列。

## 专栏：Agent 记忆与协作

思维链监测在隐蔽旁任务下的压力测试。

### [Stress Testing Chain-of-Thought Monitoring Against Covert Misalignment](https://arxiv.org/abs/2611.07586)
- 日期：2026-11-08T12:12:32.000Z · 来源：arXiv · 2611.07586；标注 11-05；窗内 X 讨论 · 标签：TraceMRT、CoT、清华、监测
- 摘要：对 GPT-5.2、Claude-4.5 等监测器做黑盒攻击仍明显漏检；贝叶斯轨迹监测综合全局与局部证据，报告 AUC 0.91、5% 误报下真阳性率 0.74。TraceMRT 把隐藏旁任务改写成主任务的自洽子目标，并搜索读起来像正常执行的轨迹。
- 为什么值得看：不要把「读 CoT 就能抓住隐瞒目标」当成默认安全层。部署监督时假设对手会把旁任务说成合理子步骤，并测试整段轨迹而非单句理由。
- 相关：[Rohan Paul 讨论](https://x.com/rohanpaul_ai/status/2119402688870023190)

> Anthropic agent 记忆与 Muse Spaces / Wonder 下放已报未重复。

## 主流产品 Changelog 精读

OpenAI Agents SDK 新一轮 alpha。

### [Agents SDK v0.24.0-alpha.7](https://github.com/openai/openai-agents-python/releases/tag/v0.24.0-alpha.7)
- 日期：2026-11-08T07:05:11Z · 来源：openai/openai-agents-python · 11-08 15:05（北京） · 标签：Agents SDK、Session、hosted tools
- 摘要：新 Environment 默认 write_policy=strict，捆绑目录里 gpt-6-astra 等模型的 reasoning_effort 默认从 low 调到 medium。应用可用 CustomStorage 自管根会话；原生 agent 增加 FileSearch / CodeInterpreter / ImageGeneration 与语音工作流，并可用 RunBudget 限制根请求消耗。
- 为什么值得看：从 alpha.6 升级先核对执行器是否满足 strict 写入，以及是否要显式写回 low reasoning。会话存储与托管工具都排除了不少场景，先读升级说明再迁生产环境。

> qwen-code desktop-v0.27.0 与昨日报过的 CLI v0.27.0 同一波变更，未重复；nightly 未收。

## GitHub 热门

Meta 开源面向人与 agent 的设计系统。

### [meta/astryx：可定制、面向人与 agent 的开源设计系统](https://github.com/meta/astryx)
- 日期：2026-11-09T07:26:00+08:00 · 来源：GitHub · 日榜；Beta · 标签：Astryx、Meta、设计系统、React
- 摘要：Meta 把用了八年、支撑逾 1.3 万应用的设计系统开源（Beta）：150 多个无障碍组件，基于 React 19，消费侧不必接构建插件，也可用 Tailwind/CSS 覆盖主题。组件可分层组合或 swizzle 出源码；API、文档和 CLI 按人与助手共用同一套工具来设计。
- 为什么值得看：若编码 agent 要改 UI，优先给它稳定、可预测的组件约定和 CLI，而不是再包一层私有 API。上线前确认 React 19 同行依赖，以及你是否真的需要 eject 源码。

> 日榜 sherlock / hallmark 此前已报无增量；claude-quickstarts 为旧官方示例仓库再上榜，未单列。

## Agent 工程

大规模 A/B 实验里，数字为什么不能让模型自己写。

### [Learnings and Pitfalls from AI-Assisted A/B Experimentation at Scale](https://arxiv.org/abs/2611.04515)
- 日期：2026-11-08T14:01:50.000Z · 来源：arXiv · 2611.04515；标注 11-03；窗内 X 讨论 · 标签：A/B 实验、Meta、agent、统计
- 摘要：运营中发现少给模型信息反而更好，需求多集中在平凡检索，且 agent 的热心可能破坏统计有效性；对外数字一律由确定性代码计算，模型只负责选择和编排步骤。化解办法不是让模型本身变确定，而是限制非确定性的作用范围。
- 为什么值得看：做实验助手时，把统计计算关在确定性代码里，模型不得自己写数字。再检查它会不会「帮忙」改分析路径——那比幻觉一个均值更隐蔽。
- 相关：[Rohan Paul 讨论](https://x.com/rohanpaul_ai/status/2119430195572887953)

> Google Elephant-Goldfish 插件原文为 10 月开源、v0.1.1 发布于 11-07 窗外，MTP 11-08 综述未收。

## 检索与基础设施

实验室级电力设备采购。

### [@rohanpaul_ai: Anthropic 采购燃气发电设备](https://x.com/rohanpaul_ai/status/2119431232165683269)
- 日期：2026-11-08T14:05:57.000Z · 来源：Rohan Paul · 11-08 22:05（北京）；转述 FT · 标签：Anthropic、电力、Caterpillar
- 为什么值得看：短帖转述 FT：Anthropic 以 34 亿美元接手约 1.7GW Caterpillar 燃气发电机订单。若你跟踪推理产能，把它当供电约束的一条线索，细节仍以原报道为准，而不是扩产时间表。

## 论文

政策决策基准自身的答案和评分器出错。

### [Follow the Policy, Fail the Benchmark: Auditing and Revising Policy-Based Decision Benchmarks](https://arxiv.org/abs/2611.07042)
- 日期：2026-11-08T21:24:38.000Z · 来源：arXiv · 2611.07042；标注 11-04；窗内 X 讨论 · 标签：LegalBench、RuleArena、基准审计
- 摘要：LegalBench SARA 96 道数值题只改评分器、不改模型回复，三个模型接受率各升超 80 个百分点；RuleArena Tax 补零下限后 300 条参考改了 27 条。审计九个政策决策基准还发现标准答案缺乏依据、错误引用会在重放中存活，评分器会拒收合格答案。
- 为什么值得看：用规则类基准做验收前，先重跑标准答案和评分脚本。分差未必是模型不会守规，也可能是题面自己错了；作者提供的 BAR 修订集适合当复评起点。
- 相关：[Rohan Paul 讨论](https://x.com/rohanpaul_ai/status/2119541630361554965)

> TCSExam、TraceMRT、Meta A/B 见三条/专栏/工程；本栏只收政策基准审计。论文标注日在窗前，按窗内 X 讨论收录。

## 大厂与模型

美国企业开源支出结构；Siri 更智能体化的路线传闻。

### [2026: The State of Enterprise AI](https://menlovc.com/perspective/2026-the-state-of-enterprise-ai/)
- 日期：2026-11-08T13:21:00+08:00 · 来源：Menlo Ventures · 报告页；窗内 IT之家转述 · 标签：Menlo、开源、Kimi、企业支出
- 摘要：对近 400 名美国企业决策者的调查（合计超 40 亿美元 AI 支出）：开源约占用量 19%、支出仅 4%；开源支出里中国模型约 89%（Kimi 61%、DeepSeek 15%、GLM 11%、Qwen 3%），Llama 约 7%。前沿闭源支出份额同期从 35% 升至 63%。
- 为什么值得看：选型时把「用量份额」和「支出份额」分开看：开源更便宜所以支出占比低，并不等于没人用。标题若写「全球」，应以原文的美国企业样本为准。
- 相关：[IT之家转述](https://www.ithome.com/1/023/885.htm)

### [Apple is racing to make Siri more agentic](https://www.theverge.com/ai-artificial-intelligence/1029552/apple-siri-ai-agentic)
- 日期：2026-11-08T19:18:00.000Z · 来源：The Verge · 11-08 19:18 UTC；引述 Gurman · 标签：Apple、Siri、智能体
- 摘要：Gurman 称 CEO Ternus 正催促 Federighi 加快 Siri，以追赶 Dots / Muse。据称 iOS 27.3 将加强对自家应用的细粒度控制；第三方应用集成更可能放到春季。再往后希望 Siri 能跟踪目标并连续推进，而不只做一次性指令。
- 为什么值得看：这是路线图传闻而非已发布能力。接系统助手时先核对即将到来的 27.3 第一方控制面，第三方自动化先当后续预期，别按多步目标跟踪来设计现在的依赖。

> TCSExam / Co-Design Bench / DeepSeek Harness 见三条；端侧 MoE 演示、TraceMRT 监测、Agents SDK alpha.7、Astryx、Meta A/B 实验助手、Anthropic 发电设备采购、政策基准审计、Menlo 企业开源支出与 Siri 路线图见各栏。OpenAI 融资、Muse Spaces、Anthropic 记忆/IPO、Arete-27B 已报未重复；llama.cpp 日常 b 号无新模型支持未单列；Google EGM 为 10 月发布、v0.1.1 在窗外，MTP 11-08 综述未收。

## X 精选

### [@tison1096: ASF 老资格更爱用 AI](https://x.com/tison1096/status/2119282853166891504)
- 日期：2026-11-08 · 来源：@tison1096 · 11-08 12:16 · ♥ 67 · 标签：工程杂讯、Apache、开源、AI 编程
- 为什么值得看：在 ASF 的观察：写了多年代码的人反而更积极用 AI，甚至用它回 Slack/邮件和 review。说明工具穿透已到「老资格提交者」层，而不只是新手。

### [@tison1096: 模糊指令也是一种实践](https://x.com/tison1096/status/2119280142568636889)
- 日期：2026-11-08 · 来源：@tison1096 · 11-08 12:05 · ♥ 53 · 标签：工程杂讯、提示词、探索
- 为什么值得看：有人批评指令不够明确，他反认为模糊指令让模型先探索、人再纠偏，往往优于一上来就锁死解法。适合想法未定的调研轮，不适合已有验收标准的交付轮。

### [@tison1096: 带 agent 团队像管理](https://x.com/tison1096/status/2119465967705264232)
- 日期：2026-11-09 · 来源：@tison1096 · 11-09 00:23 · ♥ 7 · 标签：工程杂讯、多智能体、管理
- 为什么值得看：用「专折奏事 / 清丈土地 / 微服私访」类比经营 agent 团队：汇报、度量与抽查。若你只有多开会话，缺的是管理循环而不是再加一个角色名。
