每日科技/AI 摘要 2026-10-31

今日共采集 84 条，新增 49 条，科技/AI 相关 35 条，深挖 8 篇。

最强模型准确率仅39%！当Deep Search真正进入复杂的真实互联网

来源：机器之心Pro · 一句话：真实网络深度搜索基准，最强模型也只对 39%

• 要点：
  • 新基准 OpenDS-World：200 道真实网页任务、8 个领域、4 种模态、42 种资源格式、7 类证据访问方式，考察 agent 在开放网络上"检索-访问-整合"多模态证据的完整链路（GitHub 仓库与 arXiv 编号已核实）
  • 12 个前沿模型实测最高仅 39.0%（GPT-6 Astra），人类单次尝试准确率 21.1%——开放互联网上的多模态证据整合对所有模型都是硬骨头；GPT-6 Astra、Claude Opus 5.5、Gemini 3.8 Flash、Qwen3.8 Max、GLM-5.3 Flash 等均在受测之列
  • 官方仓库 Apache-2.0 开源，提供默认 harness、opends-world 命令行与 ops/judge_predictions.py 评判脚本，论文图 1 结果可复现
• 扩展资料：
  • 论文《Deep Search in Real-World Web Environments》arXiv:2610.30181 — 原始论文全文
  • GitHub: Yu-xm/OpenDS — 官方评测代码，已核实存在（25 star）
  • HF 数据集 OpenDS-World — 200 行问答 CSV+对应视频，hf download 即取即评

奥特曼自曝OpenAI新模型：让我兴奋到两晚没睡

来源：36氪 · 一句话：奥特曼播客爆料内部新模型测试，称兴奋到失眠

• 要点：
  • 奥特曼在与 Stripe CEO Patrick Collison 的播客对谈中自曝：OpenAI 内部一款最新模型在代号为「Hold-my-beer」的内部测试周末中表现惊人，他称自己"兴奋到两晚没睡"（36氪转述播客内容，发布于 10月30日）
  • 具体型号、基准数据、发布时间均未获官方确认（信源等级：主流科技媒体转述播客访谈；OpenAI 官网本次采集时 403，未能独立核实，细节待官方公告）
  • 若确为下一代旗舰，将直接影响 API 定价与 coding agent 工具链格局；可对照今日 Deep Search 基准中 GPT-6 Astra 的现有水位观察增量（本条为趋势观察）
• 扩展资料：
  • OpenAI 官方新闻页 — 官方渠道（采集时拒绝访问，发布信息待官方公告核实）

AI零帧起手写算子，反超DeepSeek人类手写巅峰：快了9.8%！

来源：量子位 · 一句话：无人参与 Agent 把 DeepSeek 核心算子写快 9.8%

• 要点：
  • 量子位今早报道：名为 ForgeKernel 的无人参与 Agent，在无需参考 DeepSeek 原始实现的情况下"没有源码，没有论文，直接从零开始"，写出比 DeepSeek 最新核心算子快 9.8% 的实现
  • 报道称整个过程当着全网公开进行；算子名称、目标硬件、复现方式等细节以原文为准（信源等级：量子位单一信源，本报仅获取到正文开头，未拿到可独立核实的官方仓库或论文链接——未核实）
  • 若属实的意义：“AI 写底层算子"从演示走向可用工程环节，模型自动优化推理内核的成本曲线会被显著压低（本条为趋势判断，标注：基于单一信源的推测）
• 扩展资料：
  • （暂无可核实的外部资料：正文截断，未获官方仓库/论文链接，待后续跟进核实）

谷歌开源 Harness² 与 DeepSeek 开源的 Harness 插件系统何区别？

来源：人工智能研究所 · 一句话：模型不动改外围，Harness 工程成新战场

• 要点：
  • 谷歌开源 Harness²，与 DeepSeek 开源的 Harness 插件系统同场竞技；行业焦点正从"谁训练出更强的模型"转向"模型本身不变，能否通过改造它周围的系统继续提升任务完成度”
  • 同题多篇可并读：InfoQ《同一个模型从 30 分到 95 分》论证拉开差距的是 Harness；VibeCoder《模型正在吃掉哪一部分 Agent Harness》反向追问哪些环节会被模型原生能力吸收
  • 实践启示：同样的模型订阅，上下文管理、任务编排、验收循环的工程差异决定产出质量——与今日 OpenCode /goal 条目互为印证（多源观点综合）
• 扩展资料：
  • InfoQ：同一个模型从 30 分到 95 分，是 Harness — 实证角度的同题分析
  • VibeCoder：模型正在吃掉哪一部分 Agent Harness — 边界视角：哪些环节会被模型原生能力吸收

连拿四个第一，力压Genie 4和Atlas！中国团队造出真物理世界模型

来源：新智元 · 一句话：国产物理世界模型四榜第一，对线 Genie 4

• 要点：
  • 谷歌 DeepMind 前一日发布新一代实时世界模型 Genie 4：每秒 24 帧实时生成、单帧延迟低至 40ms、约 2 分钟连贯记忆，世界模型赛道两日密集爆发
  • 新智元报道：中国团队发布的物理世界模型连拿四个榜单第一，力压 Genie 4 与 Atlas；团队与模型名称、榜单成绩未独立核实（本报仅获取到正文开头，信源：新智元单一信源）
  • 意义：物理世界模型是机器人/具身智能的"预训练场"，若开源可用将直接改变机器人 RL 的数据成本结构（趋势判断）
• 扩展资料：
  • （暂无可核实的外部资料：项目主页未能获取，榜单成绩仅有新智元单一信源，待后续跟进核实）

月烧 1.5 万亿 token，年烧 1.32 亿美元？Cursor 工程师的账单，凡人只能仰望

来源：InfoQ · 一句话：顶级 Cursor 用户月耗 1.5 万亿 token 的账单

• 要点：
  • Cursor 工程师 Lauren Tan 的个人主页显示过去 30 天用了 1.5 万亿 token；社区按 $8/M token 估算：约 $38.4 万/天、年化 $1.32 亿——为推算口径而非实际账单
  • 结构性原因：agentic 工作流把"读代码+试错"循环的 token 消耗放大数个量级，重度 agentic 用户成为平台成本结构中的极端样本
  • 团队启示：coding agent 的 ROI 要按"每任务/每 PR 成本"核算，裸 token 单价已失去意义（编者综合观察；英文原帖未直接打开，信源为 InfoQ 中文站）
• 扩展资料：
  • InfoQ 原文（含估算口径与讨论链） — 信源为 InfoQ 中文站转述

让编码助手把任务做完：OpenCode 加入目标验收循环

来源：编程充电站 · 一句话：/goal 让编码助手自己跑到验收通过

• 要点：
  • OpenCode v2.2.1（10月29日）引入 /goal <objective>：会话持续推进直到 reviewer 确认目标达成，支持 pause/resume/clear 子命令（已核实官方 release changelog）
  • 配套 experimental.idle Session 钩子让插件在会话空闲前继续推进；TUI 在提示符下常驻 goal 状态，Desktop 以 composer pill 呈现
  • 发布节奏极快：v2.2.0（10月27日）到 v2.2.4（10月30日）五连发；“目标验收循环"正是 harness 工程的关键拼图，与今日 Harness² 条目呼应
• 扩展资料：
  • OpenCode Releases — 官方 changelog（已核实 /goal 与 idle 钩子条目）

腾讯阿里，下周决战

来源：36氪 · 一句话：Qwen4 与混元 Hy4 首次同窗口正面对决

• 要点：
  • 腾讯刚宣布 Hy4 正式版即将发布，阿里在欧洲放出消息 Qwen4 下周登场——Qwen 与 Hy 两大模型系首次同代际、同发布窗口正面对决（36氪报道）
  • 此前两家长期错位发布：报道回顾 2025年9月 阿里上线 Qwen3-Max 正式版后，腾讯 Hy2 直到当年 12月5日 才发布
  • 两边新架构与能力细节以官方公告为准（本报仅获取到正文开头，型号能力细节未核实；发布窗口信息为 36氪单一信源）
• 扩展资料：
  • （暂无可核实的外部资料：两家均未发布官方公告，待发布会后跟进）

今日一句话

• 即日起，ChatGPT Pro使用额度翻倍 — Pro/Business 用量即刻翻倍，接续 9 月底新订减半风波（机器之心；爱范儿同题并读）
• DeepSeek的尽头，居然是一条会喊你爸爸的蓝色大肥鱼。 — 卡兹克实测 DeepSeek 语音交互玩法的现象级传播
• 微信小微升级，开始Personal Agent化 — 微信语音助手向个人 Agent 形态演进
• Anthropic招股书里没说的那些话，全在这场采访里了 — IPO 前的深度访谈（刘润商学转述）
• 榜一，拿来吧你！智元这波双模型杀穿多榜榜单 — 智元双模型登顶多榜（量子位报道，未独立核实）
• TRAE 终于下决心转型，推出最容易上手的个人开发助理 — 字节 TRAE 转向个人开发助手赛道
• 豆包终于学会了腾讯WorkBuddy的杀手锏？ — 豆包补上同类 agent 能力（产品观察）
• 我让Marvis 管了我一周电脑，它干掉了 80% 的"找文件"时间 — computer-use agent 一周实测
• AI写代码，我找了6个开源指挥台 — 多 agent 编排开源工具盘点（Claude/Codex 并行指挥）
• RSI用于多模态文档OCR进展：OXR的设计思路及几点思考 — RSI 方法在多模态 OCR 上的新实践
• 以电商客服为例，看 AgentKit 技能评测如何让 Skill 敢上生产！ — 字节开源 Skill 评测方法论与电商客服案例
• MobileAI×WorkBuddy，一场算力与应用的"双向奔赴” — 端侧算力与 agent 应用互相成就（软文嫌疑，仅供参考）
• 搭配5个系统化的UI设计Skill，从规划、生成到视觉走查设计评审 — UI 设计 Skill 工作流模板
• Vibe Compiler: 人-Agent协同的空间数据流架构AI编译器实践 — 人-Agent 协同编译器实践（前天）
• Mac 终端怎么选：系统终端、iTerm2、Ghostty、Warp 的区别与上手方法 — 主流终端横向对比
• React 19.3 新增 browser() API，使"仅客户端渲染"成为一等公民 — 前端框架更新（前天）
• 挖到个宝藏27B开源Code2Video模型！可本地安装 — 传有 27B 开源 Code2Video 模型可本地装、HeyGen 榜前八全闭源（GitHub 链接 404、搜索无此仓库，未核实，降级收录）
• Google 母集团市值蒸发 5000 亿美元创纪录…｜极客早知道 — 行业快讯合集
• 存储三巨头业绩爆表、股价暴跌！ — AI 存储周期下的市场定价逻辑