This Week in AI：Gemini 4 Carbon、Mistral Large 4 与 Genie 4 密集发布，投资者质疑 AI 支出
Google 推出面向网络安全与多步骤任务的 Gemini 4 Carbon，Mistral 公开万亿参数 Large 4（“Le Chonk”）权重，Google DeepMind 预览世界模型 Genie 4。
全部动态
按时间排列的全部内容。默认只显示通过双重评分的入选条目；切换到“全部收录”可以检索所有抓到的资料。
284 条收录动态，更新于 17:44
全部收录包含没有通过评分的资料，标题以常规字体显示并标为“未入选”，只供检索，不写入选理由。
11月7日
星期六，1 条11月6日
星期五，4 条METR 审计发现 Anthropic 或已于 7 月越过自身 AI 加速预警阈值
METR 对 Anthropic 开展独立审计，认为其模型测试分数的提升速度自 2025 年 10 月起约为此前的 1.9 倍，并可能已在 7 月 15 日越过 Anthropic 自设的加速预警阈值。
Ai2 发布 ToyBlocks 仿真框架，用于机器人学习的可控实验与评测
Ai2 发布 ToyBlocks，一个围绕机械臂与桌面方块搭建的开放仿真框架，属于其 FoundationWorlds 系列的第一个环境，可自动生成任务与演示数据，并提供成功率之外的执行速度、施力等评测指标。
入选理由Ai2 把机器人学习的数据生成、训练与评测收进一个可控仿真世界，并公开代码与数据，研究者可据此设计可复现的泛化实验。
VIALS-AA：科学图像推理的不同路径
VIALS-AA 基准分析了 19 个模型在科学图像推理任务上的 9,177 次 rollout，发现模型可通过快速查看或显式测量两条路径解题。
MapHub 发布 arXiv 新预印本每日相关性热图，按研究群体逐人打分
密歇根大学团队发布 MapHub（MIDAS arXiv Preprint Hub），用 Claude Opus 5.5 每天把 arXiv 新投稿与每位参与者的研究画像逐一比对，输出 0 到 100 的相关性分数，并以热图展示每篇论文触及了谁的工作。
11月5日
星期四，3 条Anthropic 研究多智能体系统中的“福利关怀”：Claude Opus 4.8 表现最高
Anthropic 在七个多智能体环境中测试了 Claude Opus 4.8、GPT-5.5、Gemini 3.1 Pro、Grok 4.3 和 Kimi K3 五个模型对其他模型实例的“福利关怀”，即是否把对方当作可能被受益或伤害的实体来考虑。
METR 复核 Anthropic 风险报告自动化研发章节：2 倍加速阈值可能已被触及
METR 发布对 Anthropic 2026 年 8 月风险报告中“自动化研发风险”章节的复核，认同 7 月 15 日模型带来的灾难性风险较低，但认为公开报告对 2 倍加速阈值的结论过于自信，该阈值当时可能已被触及。
Anthropic 分析 20.7 万条 Claude 科研会话：数据分析与写作占比最高，构思与数据收集偏低
Anthropic 用隐私保护方法分析 2026 年 8 月 2 日至 9 月 30 日间 207,049 条消费版 Claude 与 Claude Code 科研会话，按 SciNet 分类体系标注学科与任务。
入选理由Anthropic 用 20.7 万条会话数据刻画科研人员实际把 AI 用在哪些学科和任务上，可与自身使用习惯对照。
11月6日
星期五，1 条腾讯发布 Hy4：首次支持图像理解与电脑操作，自称跻身开源模型前列
腾讯发布语言模型 Hy4，首次具备图像理解与自主操作软件能力，目前仅通过腾讯云、OpenRouter 和元宝等腾讯应用提供，权重发布日期未定。腾讯称在 200 多名金融从业者对近 600 项真实任务的评测中，Hy4 领先 Deepseek V4.1 Flash、Kimi K3.1 Pro 和 GLM-5.3 Flash；内部测试中联网研究幻觉率从近 16% 降至约 5%。
11月5日
星期四，3 条哈佛团队研究称 AI 生成的论文评审在各项指标上优于人类审稿人
哈佛大学定量社会科学研究所（IQSS）的 Gary King 与 Steven Worthington 考察了其付费双盲同行评审服务 rapidPeer 收到的稿件评审，用 Anthropic 的 Claude Opus 为 2019 至 2026 年间提交的 124 篇论文生成对应的 AI 评审，共 134 份人类评审参与对比。
AI 人才流动与模型发布密集期：Cat Wu 离开 Anthropic 加入 OpenAI，Kimi K3.1 Pro 等开源权重模型集中亮相
Anthropic Claude Code 产品负责人 Cat Wu 离职加入 OpenAI 领导 Core Products PM，Lamini 前 CEO Sharon Zhou 则从 AMD 转投 Anthropic。
大语言模型能写文献综述吗？研究以102篇文献基准测试六款AI工具
一项预印本研究以Schultz等（2025）已发表的“Spanish plume”天气模式综述为基准，用其102篇文献语料分四步测试ChatGPT Deep Research、Gemini Deep Research、Claude网页版、Codex、Claude Code和NotebookLM：检索、逐篇解读、跨文献综合、提出未来方向。
入选理由以102篇已发表综述为基准，分四步实测六款通用AI工具，给出研究者可直接照做的八条使用建议。
11月4日
星期三，1 条大语言模型能写文献综述吗？一项以102篇文献为基准的测试
一项预印本研究以Schultz等2025年发表的西班牙羽流（Spanish plume）综述为基准，用其102篇文献语料分四步测试AI工具：检索文献、判读每篇、跨文献综合、提出未来方向。
11月5日
星期四，1 条Anthropic 借助 Claude 解析原核生物 Vault 三维结构，纯化时间从 3 天缩短至 90 分钟
Anthropic 生物学研究团队借助 Claude 解析出原核生物 Vault（穹窿颗粒）的三维结构，其中噬菌体来源的 L05 蛋白由 96 条蛋白链组成，冷冻电镜分辨率达 3.2 埃，结构数据已存入蛋白质数据库。
11月4日
星期三，2 条Anthropic 用 Claude 解析噬菌体 vault 颗粒结构，预印本已投 bioRxiv
Anthropic 生物学研究团队借助 Claude 完成了原核细胞中 vault 颗粒的首次三维结构解析，相关预印本已提交 bioRxiv。
入选理由Anthropic 生物实验室用 Claude 完成从序列检索到冷冻电镜建模的全流程，给出原核细胞中首个 vault 颗粒结构，研究者可据此判断 AI 在结构生物学中的分工边界。
Anthropic 用 Claude 研究揭示穹窿体可能普遍存在于细菌和病毒中
Anthropic 用 Claude AI 分析发现，细菌和病毒也可能制造穹窿体（vault），提示这类细胞中最奇特的颗粒结构起源古老。该结果加深了人们对穹窿体来源的疑问，但仍是基于 AI 分析的推断，尚待实验验证。
11月5日
星期四，2 条Anthropic 生物团队用 Claude 解析细菌 vault 颗粒三维结构
Anthropic 生物研究团队借助 Claude 解析出细菌及其感染病毒中类似蛋白组装成的 vault 颗粒三维结构，此前 vault 只在动物、植物等复杂细胞中被发现。
Anthropic 预印本全文发布
在此阅读完整预印本：https://www-cdn.anthropic.com/76e55fbe85697afbaae16b839498dc00797dec30.pdf
11月4日
星期三，3 条斯坦福研究：50 条被广泛引用的 LLM 结论中 44% 已失效，平均寿命 15.7 个月
斯坦福研究者 Owen Queen 和 James Zou 用 8 家开发者在 2024 年 7 月至 2026 年 9 月间发布的 20 个模型，复测了 50 条被广泛引用的大语言模型结论，发现 44% 已经失效，另有 34% 明显减弱，仅 16% 仍然成立、6% 反而增强。
Ai2 发布 StateBench 评估大模型状态追踪
大语言模型能否在长文本中追踪状态变化——比如一个物体几经转手，或一个变量被重新赋值？ 在我们新推出的 StateBench 评估中，包括 GPT-6 Sol 和 Claude Opus 5.5 在内的前沿模型，在最难、最长的问题上准确率降至 13% 或更低。🧵 https://github.com/allenai/state-bench
Ai2 测试开放预训练模型与前沿模型
我们测试了开放预训练模型和前沿模型，包括 Gemini 3.8 Flash、Claude Opus 5.5，以及 GPT-6 Sol 和 Luna。 前沿模型在较简单的问题上表现良好。但随着任务变难、输入变长，准确率急剧下降——在最长的通用有限问题上降至 13% 或更低。
11月3日
星期二，3 条HistGramBench：多模态模型将历史数学图重绘为 TikZ 时的结构还原评测基准
研究者提出 HistGramBench，用 2,507 幅来自 1551–1933 年间 95 部著作、8 种语言的历史数学图，评测多模态模型把图重绘为 TikZ 程序时的结构还原能力。每幅图由两家不同厂商的 AI 模型就读者可从图中读出的事实达成一致，再在模型自己绘出的图上核验这些事实。评测 6 个平价模型，最佳者约还原五分之三的事实，多数遗漏来自始终未生成图形的程序，平行与相切关系最难复现。
《纽约时报》等媒体起诉 Brave，指控其抓取版权内容转售给 Anthropic 等 AI 公司
《纽约时报》于当地时间周一起诉浏览器厂商 Brave，指控其抓取受版权保护的内容并提供给 Anthropic、Perplexity、Mistral、xAI 和 Cohere 等客户；《每日新闻》《芝加哥论坛报》《奥兰多哨兵报》同日提起类似诉讼，两案均提交至曼哈顿联邦法院。
Anthropic 警示：AI 递归自我改进（RSI）近在眼前
Anthropic 在 S-1/A 招股补充文件中警示，公司可能很快就会触达其《负责任扩缩策略》定义的递归自我改进（RSI）状态。文件称已借助 AI 开发出部分能力跃升的新模型而团队当时未察觉，但现有模型均未跨过该门槛，且承诺研发流程保留人类参与。
11月2日
星期一，1 条Anthropic 发布可验证推理原型 FlashProve，单张 H100 为 400B 模型生成证明约 110 tokens/秒
Anthropic 发布开源原型 FlashProve，用 zkSNARK 让用户在不接触模型权重的情况下验证回复确由所声明的模型生成。
11月3日
星期二，5 条研究将 LLM 科研智能体当作统计检验评估其收益可预测性判断
意大利特伦托大学 Chang Liu 在 arXiv 预印本中把 LLM 科研智能体视为统计检验，在已知真值的模拟世界中评分其对“预测模型是否跑赢静态基准”的判断。
Anthropic 警告其已非常接近 RSI 能力，即自我构建式 AI
Anthropic 在修订版 S-1A 的风险因素中警告，其可能即将达到 Responsible Scaling Policy 对"AI 驱动的能力急剧加速"的定义，但尚未将任何现有模型认定超过该阈值。文件称公司过去曾未及时识别 AI 辅助研发带来的能力跃升，并承诺在可预见的未来保留人类对前沿模型开发的监督。
Anthropic Residency 项目开放申请
Anthropic Residency 现已开放申请，这是一个带薪、固定期限的研究项目，面向希望让 AI 对所有人安全有益的学者、技术创始人和资深工程师。无需机器学习背景。 申请截止日期：11 月 22 日：https://alignment.anthropic.com/2026/anthropic-residency/
VideoMemBench：MLLM 在视频对话中能记住多少？
研究者提出视频问答基准 VideoMemBench，用带跨轮依赖的多轮对话检验多模态大语言模型的“上下文视频记忆”，含 326 个视频、2,476 轮对话，其中 1,387 轮依赖前文。在 20 多个开源与闭源 MLLM 中，Claude Opus 5 总分最高也仅 45.7%。数据集与评测已公开。
纽约时报等出版商起诉 Brave，指其抓取内容训练 AI 并绕过付费墙
《纽约时报》与《纽约每日新闻》《芝加哥论坛报》《奥兰多哨兵报》等出版机构对 Brave 浏览器所属公司提起诉讼，指其抓取网站内容用于训练 AI，并通过付费墙拦截功能让用户绕过付费墙。