腾讯混元 Hy4 首发电脑操作，金融众测开源第一【AI 早报 2026-11-05】
腾讯混元 Hy4 首次把视觉理解、Computer Use 和长程智能体打包进开源模型，579 个真实金融任务众测得分 3.04 居开源第一；同一天，美团 1.6 万亿参数 LongCat-2.5、深度原理 7530 亿参数 Hydrogen-1.0 也把开源模型的参数规模推上新台阶。
今日概览
要闻
- 腾讯混元 Hy4 首发电脑操作，金融众测开源第一
模型发布
- 美团 LongCat-2.5：1.6 万亿参数、480 亿激活，输入 2 元/百万 token
- 深度原理开源 Hydrogen-1.0：7530 亿参数科研大模型
- 招商局狮子山实验室发布驭物 Lion-ER-35B-A3B 具身推理模型
开发生态
- AVA 4.0 发布：面向 AI Agent 的开源数据分析与可视化框架
- 高德 Data Agent 实践：L2 智能问数准确率 85%+，WAU 450 人
产品应用
- OpenAI 推出 LifeVal：用真实生活任务衡量 AGI
- 百度 ApolloWorld：首个物理 AI 全模态世界模型，云端日行十万公里
- 小米 WorldCast 落地 REDMI K100：一张照片生成 3D 运镜视频
- 国行 Apple 智能实测：千问+百度双底座，iOS 27.3 开放
技术与洞察
- 英伟达 Realtime-Bench：GPT-6-Astra 实时任务成功率仅 44%
- Anthropic 开源 FlashProve：密码学验证指定 LLM 推理
- OpenAI 自主流水线发现 948 个 Linux 内核提权漏洞
- 谷歌 PLE：工程 Agent 单项约束满足 91%，交付合格率仅 41.3%
- NVIDIA Foundation4D：一个模型统一深度、3D 检测与 Occupancy
- Seq-Drifting：扩散语言模型一步生成，运行时加速 11.2 倍
行业动态
- ChatGPT 周活 12 亿，搜索量达谷歌 1/5
- Fal 完成 13 亿美元融资，估值 160 亿美元
- OpenAI 收购 Pierre Computer，扩充 Codex 代码理解工具
- ElevenLabs 考虑 2028 年启动 IPO，估值 220 亿美元
要闻
腾讯混元 Hy4 首发电脑操作，金融众测开源第一
腾讯混元发布最新一代大语言模型 Hy4，官方称其首次跻身最强开源模型之列，将于近期开源模型权重并发布系统卡片。相比 Hy4 preview，Hy4 在预训练和后训练上显著扩展数据与训练规模，首次引入视觉理解能力，并提升指令遵循、长文理解和长程智能体效果。Hy4 首次支持电脑操作（Computer Use），可结合命令行和图形界面处理任务，并针对 Blender、CAD 等专业软件及跨应用长程任务开展专项训练。在 WorkBuddy 评测中，Hy4 平均效果得分 83.18 分，任务通过率 96.15%，12 个场景中 9 个排名国内第一。金融众测覆盖 213 位专家、579 个真实任务，Hy4 得分 3.04，Kimi K3.1 Pro 为 2.68、GLM-5.3 为 2.68、DeepSeek-V4.1-Flash-1017 为 2.97，Hy4 居开源模型第一。混元称 Hy4 幻觉率从 preview 版的 12.95% 降至 7.2%，猜测导致的错误率从 23.1% 降至 5.6%；GameDev 和 GameLogic 评测分别提升 19.1% 和 9.8%。目前 Hy4 已上线腾讯云 Tokenhub、WorkBuddy/CodeBuddy、元宝、企业微信智能助理大圆、ima 等产品，API 接入 OpenRouter、Hermes、OpenCode 等平台，Hy4 flash 将于近期上线。
模型发布
美团 LongCat-2.5：1.6 万亿参数、480 亿激活，输入 2 元/百万 token
美团发布 LongCat-2.5，总参数 1.6 万亿、推理激活 480 亿，上下文窗口 1M token，单次最多输出 128K。定价为每百万 token 输入 2 元、缓存命中 0.04 元、输出 8 元，本周可在 AGI Bar 免费使用，longcat.ai 也已开放对话入口。模型采用原生多模态训练，图片被切成离散 token，与文字 token 排进同一序列，图片编码可离线预计算并存储，训练计算图中去掉视觉编码器。长程能力提升明显：Terminal Bench v4.0 上一代 LongCat-2.0 仅 3.0 分，LongCat-2.5 达到 38.5 分。强化学习使用 GitHub 公开仓库和美团内部真实代码任务的 PR/issue，并通过 Trajectory2Task 把失败记录还原成可复现、可判分的题目。训练和推理全程跑在国产 AI 加速卡上，训练单卡吞吐比 DDP 基线高 86%，推理采用 W4A4，吞吐比 W8A8 高四成多。
深度原理开源 Hydrogen-1.0：7530 亿参数科研大模型
深度原理发布面向科研任务的 Hydrogen-1.0，并开放模型权重。该模型基于 GLM-5.3 进行全参数后训练，总参数量约 753B，训练数据覆盖化学、材料科学与生命科学，并加入实验室记录、多轮材料探索过程等自有科学数据和科研人员反馈。在 FSR 评测中，Hydrogen-1.0 解题成功率为 38.3%，GPT-6-Astra 为 33.3%，较基础模型 GLM-5.3 提高 13.9 个百分点。GPQA Diamond 上 Hydrogen-1.0 准确率 93.0%，Kimi-K3 为 93.5%。在金属配合物搜索任务中，各模型从同一批候选出发、每轮只推荐一个新候选，经过五轮探索，Hydrogen-1.0 找到的最佳 HOMO–LUMO 能隙平均值为 4.318 eV，GPT-6-Astra 与 Kimi-K3 分别为 3.689 eV 和 3.353 eV。模型权重已在魔搭 ModelScope 社区开放。
招商局狮子山实验室发布驭物 Lion-ER-35B-A3B 具身推理模型
招商局狮子山实验室发布具身推理模型「驭物™ Lion-ER-35B-A3B」。该模型总参数 35B，推理时仅激活 3B 参数，官方称其在十项基准测试中实现全线提升。发布信息强调“不靠堆砌数据”，目标是让机器人看懂真实物理世界。报道未披露十项基准的具体名称与得分，也未说明模型是否开源或开放 API。
来源：https://www.qbitai.com/2026/11/507586.html
开发生态
AVA 4.0 发布：面向 AI Agent 的开源数据分析与可视化框架
AVA 4.0 是一套面向 JavaScript 应用和 AI Agent 的开源数据分析与可视化框架。3.0 基于规则与统计方法，聚焦数据洞察与图表推荐；4.0 进一步打通数据接入、分析执行与可视化表达，Agent 可结合业务口径理解问题、调用 AVA 查询计算并用图表呈现结果。团队用 GLM-5.1 在 Spider2-Lite SQLite 子集上测试数据背景对 NL2SQL 的影响：仅提供表头和数据样例时正确率 25.9%，补充数据结构和统计画像后为 33.3%，再加入业务定义后达到 80.7%。AVA 通过统一接口接入 10+ 种数据源，文件分析使用 DuckDB 2.0，可支撑约 6 亿行数据查询；数据库分析在 ClickHouse、Supabase 侧完成计算；复杂变换交给 Python/pandas。可视化侧支持 26+ 图表类型，由 AntV GPT-Vis 渲染，开发者可通过 Skill、CLI 或 SDK 把能力接入现有 Agent。
高德 Data Agent 实践：L2 智能问数准确率 85%+，WAU 450 人
高德商业智能中心披露其 Data Agent 实践：团队规模 WAU 约 450 人，L2 智能问数准确率稳定在 85% 以上，目标继续向 L3、L4 推进。文章把一次分析拆成“降维”和“升维”两段翻译：前者把业务语言逐层翻译成查询语言，后者把数字回译成带判断的业务结论。团队提出六步链路，并为 Agent 补齐四类能力：补知识 Context、补能力 Function、卡校验 Harness、留兜底 Loop。文章给出可靠性连乘测算：每步 99% 准确率，10 步后只剩 90.44%，50 步后约 60%，100 步后仅三成多。团队判断 AI 变革数据分析范式仍需 2 到 3 年，当前重点是让每一步翻译做得准、做得稳。
产品应用
OpenAI 推出 LifeVal：用真实生活任务衡量 AGI
OpenAI 推出名为 LifeVal 的新评测，把 AGI 衡量从律师资格考试、奥数等考试型基准转向真实生活任务。报道给出的任务示例包括找靠谱保姆、处理退税、规划跨国搬家，指向用户日常真正需要 AI 代办的事项。OpenAI 官方称 ChatGPT 全球每周活跃用户已超过 10 亿；新智元在报道中称该标准价值 1.7 万亿美元、若全球每人用上将影响 80 亿人。同一时间，GPT-6.2 Astra 的实测信息在 X 上流传。奥特曼发推称，人们应永远掌控未来，不应把未来控制权拱手让给超级智能。
来源：https://mp.weixin.qq.com/s/hO2gD6RsPCiH0FBpVXxBog
百度 ApolloWorld：首个物理 AI 全模态世界模型，云端日行十万公里
百度 Apollo 发布 ApolloWorld，称其为首个面向物理 AI 的 Agent 驱动全模态世界模型。该系统把城市路网、多模态传感器和车流博弈搬上云端，支持毫秒级实时交互与连续几十分钟的完整接单推演，突破以往世界模型只能模拟几十秒孤立片段、单向“放录像”的限制。百度称无人车在云端平均可做到日行十万公里，1 天虚拟里程相当于 1 辆配安全员的真车连续测试约 3 年。萝卜快跑 L4 级全无人端到端大模型已正式上车，上百辆无安全员真车每天靠端到端模型上街跑单，百度称全球做到这一步的只有它和特斯拉两家。百度提出世界模型“2+3”标准：因果性、交互性，以及物理准确性、持久性、实时性；现场演示中暴雨模式使激光雷达点云减少一大半，安全决策周期被限定在 1/30 秒内。
小米 WorldCast 落地 REDMI K100：一张照片生成 3D 运镜视频
REDMI K100 于 10 月 27 日发布，影像功能新增 3D 运镜 AI 玩法：用户从相册选一张静态照片，AI 即可生成一段大角度 3D 运镜视频，镜头可环绕、推拉、倾斜，人物五官、发型、衣着保持一致。支撑该功能的是小米公开论文中的视觉生成框架 WorldCast，核心包括尺度对齐的几何引导、几何对齐的多视角记忆注意力 GAMA，以及角色中心的大角度相机轨迹数据集与基准 CLACT。CLACT 训练集包含 8 万条样本，其中 5 万条由 Unreal Engine 5 渲染、3 万条由 Blender 渲染并配多视角角色锚点；评测集覆盖 42 个合成与真实角色场景、6 大轨迹族。在 CLACT 上与 13 个方法对比，WorldCast 的相机控制与角色一致性指标均列第一：ATE 从此前最优的 0.098 降至 0.065，身份相似度较次优方法提升约 28%，画面质量 IQ 为 0.719。小米称从论文框架到一键出片还做了算法蒸馏加速和端云协同部署。
国行 Apple 智能实测：千问+百度双底座，iOS 27.3 开放
随着 iOS 27.3 开发者测试版更新，国行 Apple 智能向国内用户开放测试，系统更新包体达到 12GB。国行版由苹果自研模型与阿里千问共同支撑：照片消除、基础润色等能力在端侧运行，复杂任务通过 Siri、写作工具和视觉智能调用千问云端能力。新版 Siri 支持双击屏幕底部横条打字交互，但一句话塞两个任务或深层系统调度仍无法处理；遇到写旅游攻略等复杂需求时，Siri 会弹窗询问是否调用千问，同意后约 7 到 8 秒生成答案，内容信息密度偏低。照片消除对远景、轮廓清晰且背景干净的主体效果较好，单张照片体积约减少 0.2MB；涂抹大面积草地和鹅卵石路面时会留下低分辨率模糊色块。实时翻译延迟不到 1 秒，单个语言包约 2GB；视觉智能的“搜索”默认使用百度视觉模型，并可接入得物等第三方应用提供的搜索服务。
来源：https://www.ifanr.com/1687733?utm_source=rss&utm_medium=rss&utm_campaign=
技术与洞察
英伟达 Realtime-Bench：GPT-6-Astra 实时任务成功率仅 44%
英伟达和 UT-Austin 等机构的研究人员提出 Realtime-Bench，用来测试模型在环境实时推进时的观察、推理和行动能力，共评估 12 种前沿模型。基准包含 30 个网页任务和 20 个游戏任务，覆盖出行、电商、服务、安全、街机、解谜、策略和模拟等八类场景；抢票、实时拍卖、贪吃蛇和俄罗斯方块都要求模型在时间窗口内完成操作。表现最好的 GPT-6-Astra 也只有 44% 的任务成功率。基准将能力拆成三项：RT-Perceive 观察环境变化并判断信息是否过时，RT-Deliberate 根据剩余时间调整推理，RT-Act 判断等待还是立即执行。评测对比三种环境推进方式：Wall Clock 按真实推理耗时推进，Paused Clock 在推理期间冻结环境，Token Clock 按生成 token 数推进模拟时间。
来源：https://mp.weixin.qq.com/s/lJjAnRHHIw5LNiEs3IEsDg
Anthropic 开源 FlashProve：密码学验证指定 LLM 推理
Anthropic 开源 FlashProve，把“服务商是否真的调用了指定模型”变成可验证的密码学命题：输出是否由事先锁定的模型按规定计算得出，不要求服务商公开权重，也不要求用户重跑模型。流程分为离线和在线两步：离线阶段服务商为权重生成很短的隐藏承诺，客户端保存承诺而无需下载可达 TB 的权重；在线阶段服务商返回答案时附带证明，证明被检查的 token 来自承诺模型，且不暴露权重和中间计算轨迹。实验采用 Llama 4 Maverick，约 4000 亿参数、128 个专家，每个 token 在每个 MoE 层只激活一个路由专家和一个共享专家，实际动用约 170 亿参数。证明端使用单张 H100、24 个 CPU 核心，232GB 权重分批流入 80GB 显存；24 个请求组成一批时证明约需 223 秒，吞吐每秒 110 个 token；单请求约 58 秒，吞吐降至每秒 17.6 个 token。每份在线证明为 18.78MB，客户端无需 GPU，24 线程验证约需 17 秒；批处理模式下单个请求约等待五分钟，证明耗时约为普通 prefill 的 72 倍，对比最高负载约为 94 倍。
OpenAI 自主流水线发现 948 个 Linux 内核提权漏洞
OpenAI 构建了一条自主流水线，用于发现、验证并生成补丁，目标是 Linux 内核中的本地权限提升漏洞。OpenAI 称该流水线共找到并验证了 948 个此类漏洞，并为它们生成了补丁。摘要未披露漏洞的具体分布、补丁合并进度或流水线使用的模型。
来源：https://openai.com/index/a-thousand-fewer-paths-to-root
谷歌 PLE：工程 Agent 单项约束满足 91%，交付合格率仅 41.3%
Google 与 Mercor 发布 Physical-Engineering's Last Exam（PLE），用 85 项机械、电气、土木与结构工程任务衡量工程 Agent 的真实交付能力。85 项任务累计包含 5170 份文件，平均每项约 61 份，涉及 PDF、电子表格、邮件、CAD 和 BIM 模型，其中还混有已经作废的设计版本。在 56 项隐藏测试中，Claude Opus 5.5 搭配 Claude Code 得分 48.3%；在共同创作任务中，它平均满足 91% 的单项约束，但只有 41.3% 的交付设计项满足全部硬性安全与可行性要求。PLE 采用硬约束门控：40% 的评分空间取决于单项检查通过比例，60% 与成本或性能优化有关，但全部硬性安全与可行性约束必须通过，违反一项硬约束就无法获得成本优化分数。基准包含一项三维机电协调任务，要求为含 128 个设备机柜的机房布置电缆桥架、母线、冷冻水管和消防喷淋，并输出通过碰撞和净距检查的三维模型。
NVIDIA Foundation4D：一个模型统一深度、3D 检测与 Occupancy
NVIDIA 公布 Foundation4D，试图用同一套表征完成自动驾驶场景的感知与重建：输入六路环视视频，同时估计深度、自车运动、3D 检测、语义 Occupancy，并支持 3D Gaussian 重建和新视角渲染。模型共享 DINOv2 ViT-L/14 图像编码器，特征维度 1024，输入图像统一缩放至 1036×1036，对应 74×74 的 Patch 特征网格，进入时空聚合器前降采样到 37×37。时空聚合采用分解式注意力，交替进行图像内部注意力、同一时刻跨相机注意力和同一相机跨时间注意力，避免所有相机与所有时间点形成完整全连接注意力矩阵。单个视频窗口内由 Transformer 直接融合跨相机、跨时间信息；处理完整驾驶片段时，再通过窗口拼接或位姿图优化汇总轨迹，并用离线跟踪连接各窗口检测出的物体。
来源：https://mp.weixin.qq.com/s/N87UmYnX6tHEZa4Z0y_-4Q
Seq-Drifting：扩散语言模型一步生成，运行时加速 11.2 倍
香港城市大学、深圳大学、中国科学技术大学和牛津大学的研究团队提出 Seq-Drifting，将 drifting 生成建模引入文本序列，通过依赖当前生成上下文的漂移场，训练模型协调不同位置的词元选择，实现一步文本生成。在无条件的 128-token 生成中，Seq-Drifting 的生成困惑度（Gen-PPL）达到 36.01，相较四步蒸馏基线 FMLM 实现 11.2 倍的实际运行时间加速。方法的核心是上下文依赖的漂移场：训练时先并行生成一组连续词元表示，再根据当前上下文为每个位置构造候选词元集合，候选可由 n-gram 检索真实语料得到，也可由冻结的支持模型按当前前缀评分选出高概率词元。仅有吸引作用会导致重复生成，因此方法加入样本间排斥和序列内部排斥，分别帮助不同噪声输入产生不同输出、抑制同一段文本中的重复词元。研究还在条件续写、机器翻译、摘要生成及推理任务上验证了框架，代码和模型权重已公开。
来源：https://mp.weixin.qq.com/s/K3gFnZwQC3RcB1D6_RNuyA
行业动态
ChatGPT 周活 12 亿，搜索量达谷歌 1/5
OpenAI 公布的 ChatGPT 新数据显示，其周活跃用户已达 12 亿，过去两个月从 10 亿增长到 12 亿，前 30 天和后 30 天各增加约 1 亿。ChatGPT 上的搜索类查询量约为谷歌搜索量的五分之一，而 OpenAI 真正做搜索只有约一年半时间；只要用户提出问题并触发模型检索网页，就算作一次搜索。个人助手 Dots 于 9 月 29 日上线，月费 100 美元，上线一个月仍很吃算力，OpenAI 尚未在该产品上盈利；Dots 对权限开放采取谨慎策略，甚至不接受用户提交信用卡信息。约五分之一用户使用语音模式，OpenAI 称用户一旦用过基本会持续使用。ChatGPT 消费者产品负责人 Adam Fry 还表示，ChatGPT 很快会把 Chat 和 Work 合并，让用户不必再选择模式。
Fal 完成 13 亿美元融资，估值 160 亿美元
据彭博社报道，总部位于旧金山的 AI 推理初创公司 Fal 完成 13 亿美元融资，由 Bessemer Venture Partners 领投，英伟达、Sound Ventures 和普信集团参投。本轮融资后，Fal 估值达到 160 亿美元，较今年 4 月的 80 亿美元翻了一倍。Fal 同时宣布完成 E 轮和 F 轮融资，两轮累计募资 16.5 亿美元；较早完成的 E 轮由红杉资本领投，最新的 F 轮由 Bessemer 领投。Fal 成立于 2021 年，主要为 AI 视频、图像和音频模型提供托管与推理服务，帮助开发者通过 API 调用各类生成式 AI 模型。彭博社称，今年早些时候 Fal 的年化收入已突破 8 亿美元。Baseten、Fireworks AI 和 Modal 等推理服务商也在快速增长并以更高估值完成大额融资，但购买或租赁算力成本高昂，这类公司的毛利率仍相对较低。
OpenAI 收购 Pierre Computer，扩充 Codex 代码理解工具
OpenAI 宣布将收购 Pierre Computer Company, Inc.。OpenAI 表示，此次收购用于扩展 Codex 构建、理解和审查代码的工具能力。摘要未披露交易金额、交割时间以及 Pierre 团队的具体并入方式。
来源：https://openai.com/index/openai-to-acquire-pierre
ElevenLabs 考虑 2028 年启动 IPO，估值 220 亿美元
据彭博社报道，AI 语音初创公司 ElevenLabs 正考虑于 2028 年启动首次公开募股的筹备工作。公司首席执行官 Mati Staniszewski 在伦敦举行的彭博科技活动上表示，公司希望最终实现上市，并把 IPO 视为长期发展道路上的一个阶段。ElevenLabs 成立于 2022 年，主要开发 AI 语音及音频模型，应用场景包括销售和呼叫中心 AI Agent、有声读物配音，以及广告内容的多语言翻译。近期公司完成了一笔规模为 3 亿美元的员工股份出售交易，估值达到 220 亿美元，较今年 2 月翻了一倍。ElevenLabs 还推出合成语音检测产品，通过分析实时音频流特征判断通话另一端是真人还是 AI，目标客户包括公共机构。Staniszewski 预计，未来三到五年，商业通话中默认对方是 AI、除非有证据证明是真人，可能成为常态；语音生成领域公司还面临阿里通义千问和 Fish Audio 等产品的竞争。
暂无评论。