Claude Fable 5.2 发布：30 小时形式化费马大定理【AI 早报 2026-11-11】
Anthropic 一夜发布 Fable 5.2 与 Mythos 5.2 两款顶级模型，后者在预发布测试中 30 小时完成费马大定理形式化；同日百度 ERNIE Evolve 用 AI 自己改代码把昆仑芯 P800 推理速度提到基线 623.6%，DeepMind 则用 300 万行 Lean 证明验证了 Signal 的加密实现。
今日概览
模型发布
- Claude Fable 5.2 与 Mythos 5.2 双发：30 小时完成费马大定理形式化
- 753B 模型 Hydrogen-1.0 开源：FSR 通过率 38.3%，超 GPT-6 Astra
- MiniMax H3-Image 开源：10 秒生成 4096×4096 图像
- Seedream 5.5 实测：连改 18 轮不崩，支持原生透明图
行业动态
- Anthropic 启动 IPO 路演：发行价 70–78 美元，目标估值 1.02 万亿美元
开发生态
- DeepMind AlphaProof Code：300 万行 Lean 证明验证 Signal 加密实现
- VS 2026 18.12 换 Copilot 新引擎，157 项任务最多多解 21 项
- 英伟达把 OpenShell 捐给 CNCF，并发布 Kubernetes Engine 等 DSX 组件
- Qwen Code v0.27.2：Web Shell 可配置微信、QQ、邮件通道
产品应用
- Meta 上线 Your Algorithm：用自然语言直接改写 Facebook 推荐
- OpenAI 开放 Businesses in ChatGPT 测试：商家可认领主页并看数据
技术与洞察
- 李沐团队全双工模型：160 毫秒窗口，延迟降至 0.7 秒
- 蚂蚁灵波开源 LingBot-Touch：统一触觉 Token，26 项真机任务全线涨点
- Kimi K3 在图论构造题上把 629 条边纪录推到 630 条
- WorkflowArena：145 项长程任务，最强模型完全解决率仅 36.95%
- DGP 让每个 LLM 层直连全部 ViT 层，LLaVA-1.5 11 项指标全涨
- 清华 ATW：从视频重建物理世界，CLEVRER 准确率 80.82%
- ERNIE Evolve：AI 自主改代码，P800 生成速度达基线 623.6%
- 淘小蜜分流模型三年三版：从 7B SFT 到选择题式输出，对齐 Jev 思路
- Google 发布 Multimodal Knowledge Agent 基准
模型发布
Claude Fable 5.2 与 Mythos 5.2 双发：30 小时完成费马大定理形式化
Anthropic 一次性发布两款顶级模型 Claude Fable 5.2 与 Claude Mythos 5.2，二者使用同一底层模型，区别在安全边界：Fable 配备严格的网络安全与生物安全防护机制，向所有用户开放；希望把模型用于网络安全或生物医学研究的机构，需通过 Anthropic 生命科学计划与网络安全验证计划申请 Mythos 权限。 官方披露的预发布测试包括：帮助 Anthropic 工程师完成此前难以实现的软件迁移、从零设计三款可正常运行的电子设备、解决两个黑洞物理学领域未解问题、在机器人评测中取得重大进展，以及仅用 30 小时完成费马大定理的形式化证明。 基准成绩上，Fable 5.2 在 FrontierCode 2.0 拿下 49.1%、FrontierSWE v2 拿下 69.9%，分别超过 GPT-6 Astra 的 42.8% 与 65.5%；机器人操作评测 RoboDojo Sim 达到 64.9%，比上一代 Fable 5.1 的 27.6% 高出 37.3 个百分点，也高于 Opus 5.5 的 39.4% 和 Astra 的 29.8%。 OSWorld 2.1 电脑操作评测 89.3%、Humanity's Last Exam（带工具）74.2% 均为参评模型最高，仅知识工作评测 AA-Briefcase 的 Elo 以 1785 分略低于 Opus 5.5 的 1800 分。 价格同时下调：每百万输入 Token 8 美元、输出 40 美元，生成速度最高比 5.1 快 30%；可选 Fast Mode 把生成速度提到 2.5 倍，定价为每百万输入 16 美元、输出 80 美元。 在 FrontierCode 2.0 早期测试中，Fable 5.2 用 High 推理强度取得与 Opus 5.5 用 Max 强度相当的成绩，而单项任务成本约为后者一半；Xhigh 强度下成绩超过所有参测模型。 Claude Code 之父同时宣布引入 "Fable resets"：订阅时间越长，用户获得的重置次数越多。
来源：https://mp.weixin.qq.com/s/UF1J6k4MnKbQ3sMtDSuNfQ
753B 模型 Hydrogen-1.0 开源：FSR 通过率 38.3%，超 GPT-6 Astra
国内 AI for Science 团队深度原理 Deep Principle 开源 Hydrogen-1.0，采用 MoE 架构，总参数 753B，基于国产基座 GLM-5.3 深度后训练，支持最高 1M 上下文与 128K 最大输出，按 MIT 协议放出完整权重，并同步上线 AI Scientist 平台 Mira。 其训练数据的特殊性在于：除已发表论文外，还把实验室里通常不公开的电子实验记录、试错过程与失败实验纳入后训练。 在博士级科研基准 FrontierScience-Research（FSR）上，通过率从底座 GLM-5.3 的 24.4% 提升到 38.3%，高于 GPT-6 Astra；GPQA Diamond 准确率 93.0%，与 Kimi-K3 基本持平。 专项测试中，科学计算得分 76.9%（Astra 71.8%）、单步正向反应预测 90.5%（Astra 85.7%），NMR 核磁结构解析 26.7% 低于 Astra；API 推理开销与 GLM-5.3 处于同一水平。 在 Mira 的一次医学开题调研实测中，模型自建并执行 13 组复合检索式，从主文献库去重筛出 2996 篇文献，并检索 250 项在研临床试验，还对引用论文的实验设计局限逐条标注。
MiniMax H3-Image 开源：10 秒生成 4096×4096 图像
MiniMax 发布并开放权重 H3-Image，这是一款衍生自 H3 的图像生成模型，具备文生图、图像参考与图像编辑能力，可在 10 秒内生成一张 4096×4096、约 16MP 的高分辨率图像，官方称速度可达市面主流水平的 5 倍。 相比常见的一百万至四百万像素输出，16MP 在细节容量上有量级差异，MiniMax 称其目标是缩小 AI 生成图像与真实视觉世界的差距。 指令遵循方面，该模型最多支持 16 张参考图，官方称其为开源模型中最强；后训练环节在数据、强化学习、步数压缩、PE 与部署优化上做了组合改造。 服务侧，标准模式速度为市面主流工具的 1.5–2 倍，Highspeed 模式为 3–4 倍，价格仅为同档位主流工具的 50%–70%；发布首周对 16MP 及以上规格的生成请求给出官方价五折。 模型权重已在 Hugging Face 开放，同时通过 MiniMax 开放平台、MiniMax Code 与 MiniMax 海螺提供在线服务。
Seedream 5.5 实测：连改 18 轮不崩，支持原生透明图
字节发布生图模型 Seedream 5.5，本次更新集中在四处：局部编辑与多轮修改的一致性、原生透明与半透明素材、复杂场景中的文字与排版、人物与场景的真实质感。 入口已上线豆包、豆包工作与即梦，API 服务将于本周上线火山引擎；多参考图协同操作需切到即梦"画布"模式。 实测中，测试者以"只改蛋糕正面数字、固定猫咪花色与姿势"为规则连续修改 18 轮，数字全部正确，双爪、珍珠头饰与项链保持一致；官方演示的连续编辑轮数为 100 轮。作为对照，Image 2.6 跑到后半段出现猫脸、毛发与桌布的块状重绘，烛光场景整体变亮变暖。 第二组测试固定人物身份、身形、站姿与光影，每轮只改衣物颜色与款式，并同步替换左侧搭配卡小图，共 12 轮；测试同时以 Nano Banana 2 作为参照。
来源：https://mp.weixin.qq.com/s/GmoNPBe0uD72jSUWHZnFGg
行业动态
Anthropic 启动 IPO 路演：发行价 70–78 美元，目标估值 1.02 万亿美元
Anthropic 启动 IPO 路演，发行价区间定在每股 70 至 78 美元，目标估值最高 1.02 万亿美元。 公开募资规模最高 64.4 亿美元，同时通过私募配售再锁定 260 亿美元，Google、英伟达、微软等大型科技公司作为锚定投资者参与。 这一定价出现在投资者对 AI 投入回报的怀疑情绪上升的时点，募资结构与锚定投资者名单成为路演中的关键信息。
开发生态
DeepMind AlphaProof Code：300 万行 Lean 证明验证 Signal 加密实现
Google DeepMind 发布 AlphaProof Code，其智能体在 Lean 中编写了 300 万行形式化证明，用于验证加密通讯应用 Signal 的核心加密实现。 DeepMind 将这一成果描述为"深度验证复杂软件"方面的突破，即从验证短小定理扩展到对真实生产级密码学代码做端到端形式化核验。 该工作的核心变化是规模：以百万行计的形式化证明由智能体自动生成，而非由人类团队逐行撰写。
来源：https://deepmind.google/blog/introducing-alphaproof-code/
VS 2026 18.12 换 Copilot 新引擎，157 项任务最多多解 21 项
从 Visual Studio 2026 版本 18.12 起，Visual Studio 内的 Copilot Chat 换用由 GitHub 开发的 Microsoft Copilot SDK，与 GitHub Copilot CLI、GitHub Copilot 应用和 VS Code 使用同一套技术，且默认开启。 官方用 .NET 团队基于真实 C# 项目 issue 构建的基准做了 157 项任务测试，覆盖 .NET Framework 与 .NET Core、Azure 与 Aspire、WinForms 与桌面应用；任务只有在其失败测试通过且不破坏已通过测试时才算解决，新引擎在测试过的每个模型上都领先，最多多解决 21 项任务，并在 C++、Python 等语言上另做了验证。 官方给出的例子是：一个"Copilot 提问中较长选项被截断"的 bug，旧体验只返回手动复现步骤，新引擎意识到自己正运行在出问题的那个聊天窗口里，当场复现了问题。 交互层面，回答更短更聚焦，用户可在任务执行中途改变方向，并能看到每次请求的消耗。
来源：https://devblogs.microsoft.com/visualstudio/copilot-in-visual-studio-just-got-a-major-upgrade/
英伟达把 OpenShell 捐给 CNCF，并发布 Kubernetes Engine 等 DSX 组件
在 KubeCon + CloudNativeCon 上，英伟达宣布将用于保护与治理自主智能体的开源运行时 NVIDIA OpenShell 捐给 CNCF，作为 Sandbox 项目由将其集成进产品的组织共同治理。 OpenShell 对智能体行为施加确定性控制，团队可在智能体调用工具、访问推理服务、执行负载时强制执行策略，并可接入自有算力、推理供应商、凭证存储与监控工具。 英伟达同时向 Google 主导的开源框架 Agent Substrate 贡献代码，该框架用于在 Kubernetes 上规模化运行长期智能体负载，已被 CNCF Sandbox 接收。 DSX AI Factory 平台新增 NVIDIA Kubernetes Engine、Kubernetes Recipes 与 NVIDIA Snapshot 三个组件，用于在 Kubernetes 上部署、管理与扩展 GPU 基础设施。
来源：https://blogs.nvidia.com/blog/open-source-openshell-infrastructure/
Qwen Code v0.27.2：Web Shell 可配置微信、QQ、邮件通道
Qwen Code 发布 v0.27.2，Web Shell 新增微信、QQ 与邮件三类通道配置，支持扫码登录、扫码进度展示、身份显示，以及在支持的环境下登出。 该版本还允许 Mods 执行一次性命令，相关改动对应 PR #16736、#16724、#16746。
来源：https://github.com/QwenLM/qwen-code/releases/tag/v0.27.2
产品应用
Meta 上线 Your Algorithm：用自然语言直接改写 Facebook 推荐
Meta 推出 Your Algorithm，一套让 Facebook 推荐更透明、可操控的 AI 工具，提供单一的、可编辑的兴趣视图，同时作用于 Feed 与 Reels。 页面分三部分：顶部一句 "Lately Summary" 概括近期浏览行为；下方两个列表，"Interested In" 由历史行为推断预填，"Not Interested In" 收纳用户明确标记、点 X 或隐藏的主题；用户可用自然语言新增兴趣、在两个列表间移动或删除，每次改动即时作用于 Feed 与 Reels，并随用户对单条内容的反馈继续更新。 系统由三部分组成：Profile generation 构建初始兴趣画像；Preference management 校验每次改动、补齐排序所需信号并写入单一存储；Ranking 读取同一份 "Interested In"/"Not Interested In" 列表，确保页面上展示的偏好就是排序实际使用的偏好。 Meta 称传统推荐依赖隐式互动信号，可扩展性好但适配慢、颗粒度粗；新系统用一组 LLM 分别承担理解、存储与追踪用户明示偏好的任务。
OpenAI 开放 Businesses in ChatGPT 测试：商家可认领主页并看数据
OpenAI 宣布 Businesses in ChatGPT 进入 beta，商家可在 ChatGPT 内认领自己的商家条目、管理展示信息，并查看用户与其互动方式的数据。 配套的 Business Hub 面向已验证商家，集中处理认领与信息维护。
来源：https://www.youtube.com/watch?v=Z9k5oI3Paoc
技术与洞察
李沐团队全双工模型：160 毫秒窗口，延迟降至 0.7 秒
BosonAI 联合创始人李沐在 B 站讲解全双工（Full-Duplex）实时多模态交互，并提出"像人、有用、够便宜"三条标准：真人通常在对方说完 200 毫秒内接话，聊天往往为了办事，若每天与 AI 聊数小时，1 小时成本不应超过人工时薪的十分之一。 演示一是车内场景：用户先让 AI 查股价、看训练任务，再向快餐店员点餐，点单过程中 AI 保持静音，点完后才汇报股价与 GPU 训练进度；到取餐口用户问"我刚才点 animal-style 薯条了吗"，AI 依据听到的点单内容回答没有。 演示二是英语陪练：计时结束 AI 叫停并指出语法问题，发现用户把 "vest" 读成 "west" 时，会看着嘴型提示发音时上牙与下唇的接触方式。 架构上，团队砍掉 ASR 转文字这一中间环节，把 ASR 解码端、TTS 文字处理端与 LLM 主干合并，输入端只保留语音与视觉编码器，输出端只保留音频与视频解码器，延迟从传统级联方案的 1.5–2 秒降到 0.7–0.9 秒。 调度上不再按句子切轮次，而是把时间切成 160 毫秒窗口：模型在每个窗口接收新语音、画面或工具返回结果，同时预测下一窗口的输出，用户当前听到的音频其实是上一窗口提前生成的；不需要开口时输出静音，需要附和时输出"嗯哼"，用户插话则在新窗口立即调整。 思考 token 与工具调用也被拆进窗口：分段思考未完成的部分顺延到下一窗口，工具在后台异步执行、结果分批回填，模型可先说出已确认的前半句再组织后半段。
蚂蚁灵波开源 LingBot-Touch：统一触觉 Token，26 项真机任务全线涨点
蚂蚁灵波开源面向灵巧操作的触觉预训练基础模型 LingBot-Touch，可统一处理压阻式、视触觉、磁触觉等不同类型传感信号，编码为统一可复用的触觉 Token，供不同灵巧手与策略模型使用。 预训练使用 4983 小时真实触觉数据，涵盖约 46.4 万段交互记录、13.3 亿帧，覆盖抓握、旋转、装配等操作，来源包括人类佩戴触觉手套采集的磁触觉与压阻式数据，以及遥操作采集的视触觉数据；训练采用自监督方式，随机遮挡部分触觉信息，让模型据其他触点信号预测被遮挡区域特征，无需逐点标注。 真机测试在 Sharpa Wave 与 XHand1 两款灵巧手上开展 26 项任务，覆盖翻书、拧瓶盖、拉拉链、分拣、双手协同，并接入 Diffusion Policy、π0.5、LingBot-VLA、T-Rex 四种策略模型，设置"无触觉""输入原始触觉""接入 LingBot-Touch"三组对照。 Sharpa Wave 的 20 项任务中，LingBot-VLA 平均成功率从 45.60% 提升到 72.51%（+26.91 个百分点），π0.5 从 47.56% 提升到 68.58%（+21.02）；XHand1 的 6 项任务中，π0.5 从 49.71% 提升到 74.17%（+24.46）。 单项上，拧瓶盖任务中 T-Rex 无触觉成功率 56.25%，直接输入原始触觉为 62.50%，接入 LingBot-Touch 后升到 90%；拉拉链任务中 π0.5 无触觉为 39%，直接输入原始触觉反而降到 15%，接入预训练表征后回升。 该模型补齐了蚂蚁灵波具身原生机器人通用大脑在空间感知、动态环境交互、灵巧操作之外的触觉感知能力。
Kimi K3 在图论构造题上把 629 条边纪录推到 630 条
图灵奖得主、清华大学交叉信息研究院院长姚期智与月之暗面创始人杨植麟首次联合署名，研究方向是"AI 能否做数学研究而不只是做数学题"，并为此提出评测体系 TCSExam。 具体案例是：给 124 个点连线，不允许出现三角形与四边形，此前数学界参考纪录为 629 条边，Kimi K3 构造出 630 条边的图并通过程序验证。多出的 1 条边意味着在 124 个点之间重新完成一次全图结构重构，这是 AI 首次在"极值构造"类研究级任务上推进人类参考纪录。 TCSExam 包含 100 项理论计算机科学研究任务，分四条轨道：定理证明 20 项（要求提交 Lean 4 证明，覆盖 13 个理论计算机科学领域）、Solver 工程 30 项（在独立测试实例与统一资源限制下评测）、数学构造 20 项、开放猜想 30 项。 验证机制用 Lean 4、程序检查器与 Checkpoint 三层，分别核验数学证明、算法表现与中间推导；开发过程中超过 40 道候选定理因试运行阶段已被解决而退出题库。 实验中 GPT-6 Astra 完成 20 项研究级定理中的 14 项，并把一个有限域矩阵猜想在特定条件下的已知证明范围从 8 维推进到 9 维，该证明最终利用 143 条方程构造出可核验的矛盾证书。任务还设 Bare、Ladder、Guided 三档提示条件，用于区分模型是找不到证明路线，还是知道关键步骤后仍推不出来。
WorkflowArena：145 项长程任务，最强模型完全解决率仅 36.95%
Einsia AI 旗下 Navers Lab 发布 WorkflowArena，专门评测大模型的多智能体编排能力，包含 145 项长程任务，覆盖软件工程、企业运营、科学研究、数学推导、金融、法律、内容设计与 3D 制作 8 大领域、17 种任务形态，对 9 个前沿模型的 25 种推理配置做了评测。 题目均为真实专业交付：修改开源代码库、复现科学结果、完成 Lean 形式化证明、编制多主体合并报表、分析多被告案件、在 Blender 里搭出完整建筑群；评分采用严格的完全解决率，各部分做对但未整合好的提交判为失败。 评测中模型面对的是空白"指挥台"，是否分工、如何分工由模型自己决定，可通过 Workflow 工具同时调度多个子智能体并随时查看、终止、修改工作流；主智能体与所有子智能体共享推理预算，规划、调度、返工都计入成本，判题器与标准答案对模型不可见，但每次调度都被完整记录。 榜首为 Claude Opus 5.5（max），平均完全解决率 36.95%；领域差异悬殊——形式化数学已达 95.83%，软件工程最高仅 29.41%，金融最高 18.75%，法律最高 9.09%。 没有模型能通吃全部领域：Opus 5.5 领跑软件工程、科学与数学，Claude Sonnet 5.5 拿下法律与内容设计。
来源：https://mp.weixin.qq.com/s/h1sWVA9j9L7auQvjpX3H8w
DGP 让每个 LLM 层直连全部 ViT 层，LLaVA-1.5 11 项指标全涨
西北工业大学与香港科技大学团队提出 DGP（Dynamic Gated Pathways），把"用哪一层 ViT 特征"的问题改写为"哪一层视觉信息该连接到哪一层语言模型"，让每个 LLM 层都能访问全部 ViT 层，并根据当前图像—问题上下文与该语言层语义状态动态分配融合权重。 论文用一个菜单题说明动机：一张 Funghi 披萨 6.90 欧元、一张 Prosciutto 披萨 7.90 欧元，LLaVA-1.5 读错价格还凭空加入一份没点过的 calzone，给出 26.40 欧元；DGP 读出两个正确价格，算得 14.80 欧元。 在 LLaVA-1.5-7B 上，DGP 在论文报告的 11 项指标中全部超过基线：SQA-I 提升 4.2 分、MM-Vet 提升 3.3 分、VizWiz 与 LLaVA-Wild 各提升 3.1 分；在 Qwen3-VL-2B 与 LLaVA-NeXT 上取得一致增益。 消融实验显示，直接平均全部视觉层会明显掉点，收益主要来自学习到的动态权重；可视化表明路由随 LLM 深度、任务类型、具体样本乃至同一图像上的不同问题而变化。DGP 采用 Softmax 软加权，不是在视觉 token 之间建立两两连接，也不是只保留少数层的硬路由。
来源：https://mp.weixin.qq.com/s/WfKSGGMM_fpVxJCr-hBadg
清华 ATW：从视频重建物理世界，CLEVRER 准确率 80.82%
清华大学团队提出 Asking the World（ATW）框架，让 AI 根据视频自主构建可运行的物理仿真世界，再通过属性查询、运动仿真与条件干预获取证据，回答物理属性、运动预测与反事实推理问题。 以 Gemini-3-Flash 为基座，ATW 在 CLEVRER 与 ContPhy 两项物理推理基准上的整体准确率分别为 80.82% 和 70.56%，相比直接根据视频回答分别提升 46.50 与 28.10 个百分点；该方法无需额外训练或微调。 流程沿用团队前作 PhysMind 的思路：先从视频恢复几何、运动与物理参数，用连续时间解析方法估计摩擦、质量比例与碰撞恢复系数，完成"系统辨识"，同一段视频只需建模一次、后续问题复用。 ATW 在此基础上分"世界建模"与"世界探测"两阶段：建模阶段由智能体选择相关物体与物理模型、调用视觉工具、检查中间结果并修正（如台球案例中补检未被分割的黄色球）；探测阶段按问题类型查询参数、延长仿真或复制场景施加干预，证据不足则继续查询轨迹或设计新实验。 为覆盖更多材料，团队开发了基于 Warp 的 PolyWorld Engine，涵盖刚体、软体、布料、绳索、流体及其耦合交互，智能体通过统一接口建场景、读状态、推进仿真与施加干预。
来源：https://mp.weixin.qq.com/s/0JZfAlcVicOjxaG-ehdsMA
ERNIE Evolve：AI 自主改代码，P800 生成速度达基线 623.6%
百度发布自动研究系统 ERNIE Evolve，让 AI 自主选题、改代码、跑实验，采用双层循环：外层结合历史实验结果提出新方向并并行探索多条研究线，内层针对具体方向持续改代码、评测与沉淀经验。 系统内部分工为 Director 选方向、Selector 定每轮实验目标与代码起点、Executor 改代码产出新版本、Evaluator 独立评测、Reviewer 检查是否偏离目标或存在评测漏洞，只有通过评测与复核的改进才被保留。 在 NanoChat AutoResearch 与 NanoGPT Speedrun 两项任务的三个评测指标上，ERNIE Evolve 取得目前公开验证的 SOTA。 该系统的第一个真实落点是推理基础设施优化，已应用于即将发布的文心 5.5 Flash：昆仑芯 P800 低时延场景中，ERNIE Evolve 历时约 168 小时、经 4 轮方向探索，接入原生融合算子并启用投机解码，再优化主机调度与同步机制、通信路径，最优版本生成速度提升至基线的 623.6%。 确定性推理吞吐优化用 3 天探索 3 个方向，在严格保持确定性前提下把吞吐提升至基线 133.7%，平均每 token 生成时间缩短 26%，首 token 延迟降低 12%；极致解码速度优化累计探索 7 个方向，其中 3 个方向通过对 MoE 与 mHC 算子、矩阵乘与调度策略及草稿模型关键路径的优化带来提升，推理性能累计提升至基线 114.9%，精度与基线一致。上述改动均通过压测、正确性检查与生产级验证。
淘小蜜分流模型三年三版：从 7B SFT 到选择题式输出，对齐 Jev 思路
阿里技术团队复盘淘小蜜客服 Agent 分流模型的迭代，任务是把用户问题分为售前、售后、其他问题、意图不清四类并路由到对应 Agent，其中售前售后的划分标准来自各 Agent 的能力边界而非通用语义——例如因质量不符、少件等商家责任要求退差价属售后，无商家责任原因的退差价属售前。 第一阶段用通用 LLM 做 ICL few-shot 分类，开发快但调用成本高、响应慢、大促期稳定性存疑，且当业务规则与通用常识冲突时仅调 prompt 难以纠正。 第二阶段用约 2.1 万条数据对 7B 模型做 SFT，问题是标签直出导致模型记住捷径词汇（看到"红包"就判售前、看到"退差价"就判售后），且训练数据售前售后约 3:7 不均衡，输出分布直接反映样本先验。 第三阶段把分类改成选择题：每个标签分配选项字母，同一个标签在不同样本中随机映射到不同字母以平衡输出 token 分布，线上只做一次前向计算、读取候选字母 token 的 logits 取最大值，输出由候选表控制，不会返回候选表之外的标签；作者指出这解决的是输出越界而非选错候选项。 文中将这类任务对应到 TypeSafe 于 2026 年 9 月 15 日发布的 Jev——官方称其为首个 System One Model，接收文本或结构化状态、输出带类型的概率决策，公开信息包括新架构、并行 sampler 与 RLCD（Reinforcement Learning for Calibrated Decisions）训练方法，但未披露网络结构、参数量与训练数据。
Google 发布 Multimodal Knowledge Agent 基准
Google 推出 Multimodal Knowledge Agent 基准，用于评估智能体在视觉复杂度较高的多模态任务上的推理能力。 该基准关注的是智能体如何跨视觉信息进行推理，而非单一模态的识别或问答表现。
暂无评论。