阅读研究雷达投资体系
登录 / 注册
全部阅读技术产品投资二级市场其他

阅读

2026-11-0499 篇

刷新

斯坦福研究:44%的LLM常见论断已失效,平均寿命仅15.7个月

专题 · 斯坦福LLM论断寿命研究实质变化
2026-11-04 03:41

据科技媒体 The Decoder 报道,斯坦福大学研究人员 Owen Queen 和 James Zou 对 50 个被广泛引用的大型语言模型(LLM)论断进行了测试,将其与 20 个当前主流模型进行对比。结果显示,44% 的论断已经“失效”,另有 34% 显著减弱,只有 16% 仍然成立。在估算了失效日期的 22 项发现中,其平均寿命仅为 15.7 个月。

研究发现,关于模型“不能做什么”的能力限制类论断过期速度最快。例如,此前被广泛讨论的数草莓字母、处理陌生数字系统算术、长上下文中间信息丢失等弱点,在当前模型中大多已消失。相比之下,涉及模型偏好和行为倾向的论断更具持久性,如谄媚行为、政治偏见以及作为评估者时的自我偏好等,这些特征在多个模型中依然显著。

该研究强调,随着AI开发速度的加快,针对LLM的经验性发现应被视为特定时间点下特定模型的观察结果,而非普遍真理。这一结论提醒读者和研究者,过去关于AI能力的许多经典结论可能已不再适用于当前的技术现实。

信息源:The Decoder

研究

AI基础设施初创公司Applied Compute获3.5亿美元融资,估值达32.5亿美元

实质变化
2026-11-04 09:19

美国AI基础设施初创公司Applied Compute Inc.于2026年11月3日宣布完成3.5亿美元融资,公司估值达到32.5亿美元。本轮融资由知名天使投资人Elad Gil领投,英伟达(Nvidia Corp.)、Shopify Ventures、HubSpot Ventures等十余家机构参与。

Applied Compute运营着一个供开发者训练大语言模型和执行推理任务的云平台。该公司表示,其平台采用了名为异步强化学习(asynchronous RL)的高效训练方法,允许数据生成和权重调整组件同时运行,从而加速LLM开发。此外,该平台还支持自蒸馏(self-distillation)技术,消除了对教师模型的需求。

在资金用途方面,Applied Compute披露其年化经常性收入(ARR)已超过1亿美元。这家成立不到18个月的公司将利用新筹集的资金扩大市场影响力并购买更多基础设施。其客户包括微软(Microsoft Corp.)和DoorDash Inc.等大型科技公司。

信息源:SiliconANGLE

研究

OpenAI称ChatGPT搜索查询量达谷歌20%,广告未影响产品使用

专题 · OpenAI实质变化
2026-11-04 02:30

美国人工智能公司OpenAI在周一的新闻发布会上表示,通过ChatGPT运行的搜索查询量目前相当于谷歌处理量的20%。OpenAI消费者产品负责人Adam Fry指出,该公司将“搜索”定义为用户输入导致网络搜索的任何查询,而非简单的术语定义或操作指南。Fry未说明谷歌搜索量的具体来源数据。

尽管这一比例仍远低于超越谷歌的水平,但作为对比,微软CEO Satya Nadella曾在2023年谷歌反垄断审判中作证称,经过十多年的努力,必应(Bing)仅占搜索引擎市场份额的约3%。谷歌在审判期间曾将AI描述为潜在颠覆者,认为ChatGPT准备与其展开激烈竞争,如今OpenAI似乎印证了这一观点。

随着搜索查询越来越多地通过OpenAI等AI实验室的服务路由,OpenAI也在推进其商业化路径。Fry告诉媒体记者,广告并未对产品或使用产生负面影响,“大多数人似乎并不介意产品中的广告”。OpenAI上月宣布将在ChatGPT中引入赞助产品和服务的图片,而不仅仅是公司名称、标志和链接。此举被视为OpenAI在可能定于明年年初的首次公开募股(IPO)之前,探索通过广告实现盈利潜力的重要步骤。

信息源:The Verge

研究

比利时网络安全公司Aikido收购两家初创企业,推出员工AI安全平台Noon

快讯
2026-11-04 08:00

比利时网络安全公司Aikido Security于10月20日宣布推出名为Noon的员工安全平台。此举基于该公司今年9月先后收购波兰网络安全公司Cyberly及比利时公司OutKept,并整合了两家公司的技术。

据创投数据平台Dealroom报道,Aikido在今年1月完成了6,000万美元的B轮融资,估值达到10亿美元。此次产品发布标志着其业务从原本的应用程序、代码及云端安全,正式扩展至企业员工防护领域。

被收购的两家公司各有侧重:Cyberly专注于AI攻击模拟及企业员工使用AI工具的风险管理;OutKept则主要提供网络钓鱼模拟及安全意识培训。这些技术构成了Noon在AI工具管理与社交工程防护方面的基础。

在AI治理方面,Noon允许企业管理员监控员工使用的AI模型、MCP(Model Context Protocol)服务器及其他AI工具,并可设定政策限制敏感数据输入AI提示词,以降低泄露风险。此外,该平台还能检测传统过滤器遗漏的恶意邮件,并提供针对深伪(Deepfake)等新型攻击的模拟训练。

信息源:iThome

研究

AI数据中心转向退役喷气发动机以绕过电网接入延迟

实质变化
2026-11-04 06:19

据《纽约时报》报道,由于电网连接和新涡轮机交付面临长达数年的等待,部分AI数据中心正在通过改装退役喷气发动机来自行发电。这些发动机来自报废飞机,经过改造后可燃烧天然气。虽然这不是永久性的解决方案,但它凸显了电力供应严重滞后于AI基础设施建设的事实。

对于陷入排队困境的公司来说,改装喷气发动机的主要吸引力在于其快速部署能力。Rystad Energy分析师Audun Martinsen表示:“一切都关乎尽可能快地获得电力。”他指出,使用喷气动力装置,“他们可以在24个月内让一个数据中心运行起来。”相比之下,根据国际能源署的数据,在弗吉尼亚州北部将100兆瓦电力接入电网大约需要七年时间。三菱电力的一位高管上周告诉彭博社,大部分新增电力容量预计要到2031年才能上线。

这种延迟已经开始影响业务运营。上个月,微软退出了作为Nscale位于英国Loughton数据中心的锚定客户,因为当地公用事业公司表示直到2030年代初都无法提供足够的电力。Elon Musk旗下的xAI是已经使用这些发动机的公司之一,该州许可证和卫星图像显示,其在密西西比州安装了八台改装的喷气发动机涡轮机,以帮助为其孟菲斯的Colossus 2数据中心供电。这些设备由ProEnergy提供,该公司重建了波音飞机上常见的通用电气发动机。

2025年,OpenAI效仿Musk的做法,在其位于德克萨斯州Abilene的首个Stargate站点部署了燃气轮机。Crusoe是一家总部位于丹佛的初创公司,正在建设该Abilene园区,并于今年4月订购了13台ProEnergy的改装单元。9月,Crusoe放弃了一项价值12.5亿美元的交易,不再购买Boom Supersonic的29台天然气涡轮机。Boom Supersonic是一家开发超音速客机的初创公司,也开始将该喷气发动机的版本作为数据中心的发电厂出售。Crusoe发言人当时告诉TechCrunch,该公司仍计划使用涡轮机,只是不再使用Boom的产品。

目前,特朗普政府正在通过鼓励数据中心自行发电来增加压力。然而,改装喷气发动机存在权衡:与专为常规燃气电厂设计的涡轮机相比,它们效率较低且污染更多,产生相同电量需要更多的发动机。这可能最终使改装喷气发动机成为一种短期策略,一些专家表示,效率和环境问题可能会在一两年内变得更加重要。

信息源:TechCrunch

研究

Collinear AI发布CWE-bench v2:覆盖91类漏洞,Gemini 4 Argon以67.8%通过率居首

专题 · CWE-bench v2实质变化
2026-11-03 08:00

Collinear AI于2026年11月3日发布了CWE-bench v2,这是一个用于评估人工智能代理发现和修复开源软件中安全漏洞能力的基准测试。新版本开放了100个公共任务,覆盖了91种不同的常见弱点枚举(CWE),涵盖了广泛的漏洞类别。该基准要求代理在获取真实开源仓库的代码检出和简短指令后,在不破坏现有功能的前提下定位并修复安全缺陷。评分完全通过程序化检查实现,确保结果具有确定性且可复现。

根据Collinear AI公布的初步结果,在评估的11个模型中,Google的Gemini 4 Argon以67.8%的pass@1准确率和81.0%的pass@4准确率位居榜首,略高于Anthropic的Claude Opus 5.5(67.3% pass@1)。尽管有95个任务被至少一个模型解决,证明任务本身是可解的,但即使是表现最好的模型也在每次尝试中未能解决约19%的任务集,显示长尾漏洞修复能力仍有显著差距。在成本效率方面,DeepSeek V4.1 Flash、Claude Opus 5.5和Gemini 4 Argon构成了帕累托前沿,其中DeepSeek以每轮0.04美元的成本达到57.0%的pass@1,而Gemini则以3.92美元的成本获得微弱优势。

该基准测试的数据集和验证器已在Hugging Face上开源,支持通过Harbor框架直接运行。所有程序化检查均经过LLM评审小组的校准,以确保难度和公平性。此外,Collinear AI还维护了一个保留测试集,用于追踪模型在未见过任务上的进展。这一发布为开发者和安全研究人员提供了一个标准化的工具,以量化评估前沿模型在网络安全防御领域的实际能力边界。

信息源:huggingface.co

研究

Airbnb 生产基准:微调小模型以约 1% 成本达到前沿分类质量

专题 · Airbnb微调基准实质变化
2026-11-04 06:31

Airbnb 工程团队在 2026 年 11 月发布了一份生产环境分类基准,核心发现是:用数十万条领域标注数据微调 Gemma4-E2B(20 亿有效参数)后,其 F1 从未微调的 0.563 升至 0.902,中位延迟仅 35ms,与 GPT-6.1 Sol 和 Claude Sonnet 5.5 等前沿模型质量持平,而成本约为后者的百分之一。测试基于 10,000 条加权样本的留出集,评估 Airbnb 定价与支付透明度政策违规检测这一真实任务,模型每分钟被调用数千次,分数须在 200ms 内返回。

作者将这一结果概括为

微调移动了质量-延迟前沿,而非沿前沿做取舍

即微调不是用质量换速度或用速度换质量,而是同时改善两者。对比之下,前沿生成模型即使开启低思考模式,中位延迟仍约 900ms、p99 达数秒;开源模型虽快但质量明显低于微调结果;TypeSafe Jev 在 100ms 以内表现最好的现成模型,但仍不及微调 E2B。详细提示词(2,700 词)可让专有模型提升一到三个百分点,但对延迟预算内的模型差距依然显著,且进一步增加成本。

文章给出四个判断条件:流量高于约 30 RPM 时自托管 GPU 成本低于前沿 API;延迟预算紧张时微调模型 p99 约 85ms 而前沿 API 中位即 900ms;需要可调阈值而非固定判定结果时,分数输出允许不重写提示词即调整精确率-召回率取舍;拥有标注数据时,示例能教会模型指令难以穷举的细微区分。作者同时承认,低频或每周变化的任务仍适合用前沿模型加良好提示词解决。这是 Airbnb 第一方自报基准,使用公开标价和 71% 缓存命中率(高于其实际观测值,有利于托管模型),未经第三方独立复现。

信息源:airbnb.tech

研究

AAIF执行董事Mazin Gilbert:标准组织必须比成员跑得更快,否则就会变得无关紧要

专题 · 智能体AI基金会实质变化
2026-11-04 06:50

Mazin Gilbert在2026年从Google离开,加入Linux基金会旗下新成立的智能体AI基金会(AAIF)担任执行董事。他在圣何塞AGNTCon + MCPCon大会期间接受The New Stack播客采访时,提出了一个核心判断:如果这个基金会不以光速推进,它就会变得无关紧要。

这个速度压力的来源很具体。Gilbert说,OpenAI、Anthropic和Google这些公司会带着标准构建产品,也会在没有标准的情况下构建产品。标准组织不是在真空中制定规范,而是在与时间赛跑——一旦某家公司已经部署了自己的集成代码,后来到达的标准就留下了客户必须自行维护的旧代码。

那么,让激烈竞争的公司坐下来共同开发协议的机制是什么?Gilbert的回答指向基础设施的相互依赖:这些协议是你呼吸的空气,是管道。它们可能不那么性感,但如果搞不好,整个智能体AI空间就会变得一团糟、昂贵,基本上任何公司都无法规模化部署。在采访录制前,他刚与来自 very fiercely competing companies 的一组维护者会面,他们正在一起开发协议。所有这些公司都依赖这些标准,所以它们有理由把活干完。

MCP的采用数据似乎支持了这个机制。Gilbert称,在Anthropic去年12月将MCP捐赠给基金会后的前10个月里,MCP下载量增长了十倍。如今,不到15%的MCP维护者在Anthropic工作,超过1000个组织贡献了75%的拉取请求。今年7月的MCP规范更新使协议变为无状态,Gilbert说每一家公司不仅参与了贡献,还完全更新了它们的整个技术栈来适配无状态MCP。

AAIF目前有305个成员,Gilbert称大约每个工作日就有一家公司加入,他称之为Linux基金会历史上增长最快的基金会。40%的成员是初创公司,19%是非营利组织、国家实验室和学术机构。大型公司倾向于贡献协议本身,小型公司则在此基础上构建产品——这与CNCF的模式相反,后者很多项目起步于初创公司。

但Gilbert也承认,并非所有成员都在贡献。一些公司仍在试图理解智能体能为它们做什么,另一些不知道如何贡献。他说第三组公司 frankly are panicking,因为它们还没有智能体战略。基金会9月推出了第一个认证——模型上下文协议助理(MCPA),帮助这些公司起步。

尚未解决的问题是网关碎片化。AAIF今年批准了两个网关项目:Solo.io的agentgateway和从CNCF Envoy项目迁移过来的Agent Router。Gilbert说还有五六家公司想要贡献自己的网关。社区需要六个还是十个网关,还是需要把它们协调统一?他没有答案,说社区也没有。基金会为这些公司提供了中立治理空间来一起解决。

Gilbert对 none of us have done this before 的态度很坦率。他说我们是在边做边学。这既是诚实的局限声明,也是这个领域标准治理面临的根本不确定性:没有人知道一个由竞争公司共同维护的协议基金会,能否真正跟上它们各自产品的迭代速度。

信息源:The New Stack

研究

美国上市电商公司Coupang Inc.公布Q3财报:火灾与数据泄露致连续三季亏损,营收恢复增长

实质变化
2026-11-04 06:06

在美国纽约证券交易所上市的韩国电商巨头Coupang Inc.于11月3日(当地时间)向美国证券交易委员会(SEC)提交了第三季度财务报告。数据显示,该公司当季营业亏损达4.5亿美元(约合6423亿韩元),相比去年同期的1.62亿美元盈利转为巨额亏损。这是继2025年末大规模个人信息泄露事件后,Coupang连续第三个季度出现营业亏损。

本季度的亏损主要受到一次性非经常性成本的冲击。除了第二季度已预提的个人信息保护委员会罚款外,第三季度还反映了7月发生的仁川物流中心火灾造成的约2.48亿美元损失。若剔除火灾相关费用,调整后的营业亏损约为2.02亿美元。年初至今,Coupang的累计营业亏损已达1.83万亿韩元,这一数字几乎抵消了公司在2023年至2025年三年间积累的1.9万亿韩元总利润。

尽管面临巨额账面亏损,Coupang的核心业务指标显示出复苏迹象。第三季度总营收为99.62亿美元,同比增长7%(固定汇率下增长11%)。其中,包含火箭配送和Marketplace的产品商务部门营收增长5%,活跃客户数达到2520万,同比增长2%。新兴业务部门(包括Coupang Play、Coupang Eats等)营收大幅增长23%,调整后EBITDA亏损收窄。此外,公司宣布在第三季度回购了价值2.01亿美元的A类普通股。

信息源:바이라인네트워크

研究

谷歌与Mercor发布物理工程基准测试,前沿模型得分均低于50%

实质变化
2026-11-03

2026年11月4日,美国谷歌公司(Google)的AI与基础设施团队宣布推出“物理工程期末考”(Physical-Engineering's Last Exam),这是一个旨在评估AI代理完成机械、电气、土木和结构工程等实际物理世界任务能力的新型基准测试。该基准由谷歌与人才平台Mercor合作开发,并发布了包含29个公开任务、评分工具及开放竞赛排行榜的网站ple-bench.com。

现有的学术基准测试多侧重于教科书式问题或单一工具调用,无法反映AI代理在需要遵守建筑规范、控制成本并接受持证工程师审查的真实工程环境中的表现。“物理工程期末考”通过85项长周期任务填补了这一空白,这些任务基于真实的工程项目文件夹构建,平均包含61个文件,如PDF文档、电子表格、电子邮件、2D CAD图纸和3D BIM模型等。AI代理必须在容器化环境中处理这些文件,找出适用的规范和物理限制,运行计算并生成可供审查的生产级交付物。

谷歌团队使用七种公开的代理执行框架(包括Antigravity、Claude Code、Codex等)对14款前沿模型进行了测试。结果发现,所有模型在私有测试集上的得分均低于50%,最高分仅为48.3%。此外,尽管表现最好的配置能满足91%的单项约束,但只有41.3%的交付物能通过所有严格的安全性和可行性检查。这一数据表明,当前AI技术在处理复杂、高风险的物理工程任务时仍存在显著的能力差距,距离实际工业应用尚有较大距离。

信息源:Google Cloud Blog

研究

语音识别公司 Soniox 发布 STT v6,引入代理文本输入与回声过滤功能

快讯
核验于 2026-11-04 06:31

美国语音识别技术公司 Soniox 于 2026 年 11 月 3 日发布了其最新一代语音转文字(STT)API——Soniox STT v6。该模型专为语音代理(Voice Agents)设计,核心创新在于“代理文本输入”(Agent Text Input)和“代理语音回声消除”两项功能。

在传统的级联语音代理架构中,STT 模型通常只能听到用户的音频,而无法获知代理刚刚说了什么。这导致模型难以准确识别依赖上下文的简短回复(如地名、数字或确认词)。Soniox STT v6 允许开发者将代理发送给 TTS 引擎的文本实时流式传输给 STT 模型,使其具备对话双方的上下文感知能力,从而更准确地转录用户的回应。

此外,v6 利用这一文本上下文来区分代理播放的声音和用户的声音,自动过滤掉从扬声器泄漏回麦克风的代理语音。这一机制旨在解决语音代理因听到自己的声音而自我打断的问题。不过,Soniox 官方文档指出,该功能并不取代传统的声学回声消除(AEC),而是处理 AEC 未能完全消除的残留部分,因此建议两者同时启用。

定价方面,Soniox STT v6 的实时流式服务约为每小时 0.12 美元,异步文件转录为每小时 0.10 美元,且包含说话人分离(Diarization)和语言识别功能。旧版 v5 模型将于 2026 年 12 月 15 日停用。

需要注意的是,Soniox 声称 v6 比 v5 “显著”更准确,但目前尚未公布任何独立的第三方基准测试结果。其官网展示的仍是 v5 在开源 Pipecat STT 基准测试中的数据(语义字错率 1.34%),而 v6 的实际性能表现仍有待开发者验证。

信息源:Soniox | Speech-to-Text AI

研究

Meta F3 Lightning:拆开发布与执行之后,为什么CPU仍然偏高

实质变化
2026-11-04 01:00

Meta的广告排序模型每次请求需要提取超过20,000个特征。这些特征并非计算独立的:一个七天点击计数和一个七天展示计数可能读取相同的事件源、应用相同的时间窗口过滤器,而点击率特征则复用两者的结果。Facebook特征框架F3的做法是把所有特征编译成一张有向无环图,编译器将重复节点合并,共享计算只执行一次。这大幅降低了执行成本,但代价是:合并图同时也是发布单元。一个特征定义出错,整张图无法上线,所有其他特征被迫等待。

随着特征数量从最初几百增长到两万,这个问题越来越严重。F3团队做过几轮改进来恢复发布速度,但每次收益都被新落地的特征侵蚀,因为所有特征仍然在合并图中一起发布。F3 Lightning的目标很明确:让每个特征独立发布,同时不丢失F3的计算效率。

最直接的方案是只拆发布。每个特征编译为独立配置,各自验证、各自上线、各自回滚。但早期原型暴露了预期之外的代价:独立配置到达服务进程后各自执行,F3合并图消除的重复读取、过滤和聚合又全部回来了,CPU用量显著上升。问题不是发布粒度而是执行粒度——拆开发布的同时也拆开了共享计算。

F3 Lightning的核心思路是:把共享执行带回来,但不把合并图带回来。具体做法是在服务启动时,将当前所有活跃特征配置中共享的工作整合到一个执行顺序中,而不是在编译时就把所有特征合并成一张图。这分四步完成。

第一步是稳定标识符。要识别两个独立编译的配置中包含相同计算,运行时必须能匹配它们。节点编号做不到,因为编号是各特征图内部的局部序号,同一个七天过滤器在一个配置中可能是节点2,在另一个中是节点7,插入一个节点还会导致后续全部重新编号。F3 Lightning让编译器从计算本身派生标识符:操作类型、参数、以及所有输入的标识符。因为输入的标识符已经反映了它上游的全部工作,这个标识符捕获了产生该结果的整条计算链。相同操作作用于相同输入的特征,即使编译和发布时间相隔数周,也会得到相同的标识符。

第二步是单一执行计划。服务启动时,F3 Lightning对所有活跃特征做拓扑排序,将每个节点放在其依赖节点之后。当多个特征包含相同标识符的节点时,计划只保留一份,所有消费者指向它。这保证了每个计算只执行一次。但计划仍然是图结构,执行器需要逐指针遍历。同一次启动处理将其展平为有序列表,每次请求变成沿列表的单次前向扫描,而不是遍历图。

到这一步,计算已经不再重复,但CPU仍然高于传统F3。团队定位到剩余成本来自内存布局:每个配置仍携带自己的请求时数据容器,中间结果分散在独立内存分配中。按顺序执行计划意味着在不同容器之间跳转,每次跳转都是一次缓存未命中。

第三步是共享内存缓冲。F3 Lightning用每请求一个缓冲替代了各特征独立容器。启动时,每个特征的引用被重绑定到该缓冲中的槽位。这带来三个改善:相邻计划步骤触碰相邻内存,恢复了合并图一直拥有的顺序访问模式;一个独立的就绪向量替代了逐特征的状态追踪,执行器可以检查值是否就绪而无需读取值本身;消费者不再获得自己的副本,共享槽位持有生产者结果的引用,一个被20个特征使用的计算只存储一次。标量值仍然复制,因为复制小值比跟随指针更便宜。

第四步是稠密索引映射。值虽然集中了,但找到它们仍然昂贵:每次访问需要解析标识符——哈希一个键、探测桶、跟随指针。在Meta的服务量级下,这种查找不高效。最终修复将标识符在初始化时映射为连续整数槽位,并重写所有配置中的引用指向这些槽位。读取结果变成对共享缓冲的直接数组索引,请求路径上没有哈希,没有查找表。

四步完成后,F3 Lightning实现了与F3可比的计算效率,同时每个特征可以独立发布。团队报告,同等提取特征到达生产环境的速度约为传统F3的3.6倍,基础设施计算成本没有增加。

但这个项目最反直觉的结论不是加速数字,而是第三步的发现。团队已经消除了所有重复计算,CPU仍然偏高。原因不是执行了多少次计算,而是结果存在哪里、存在多少份。两个设计可以执行完全相同的操作、以完全相同的顺序,但一个把结果分散在多个独立容器中,另一个集中在一个连续缓冲里——后者在缓存行为上完全不同。在现代CPU上,数据的物理位置和副本数量,与计算次数同等重要。这个认识比任何单步优化都更具迁移性:它意味着去重只是效率工程的一层,内存布局是另一层,而后者往往在去重完成之后才暴露出来。

信息源:Engineering at Meta

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系