主题：一天之内，模型的边界同时被推、被公开、被反向利用。 Anthropic 连夜放出 Fable 5.2 与 Mythos 5.2：1000 多个子 Agent 连轴转 8 天，从空文件夹写出一个能开机的操作系统；它内部核心代码库超过 90% 的合并改动也已由 Claude 完成。同一天英伟达把 GR00T 2 的模型、数据、仿真环境陆续开源，10 万小时人类数据已经开放；蚂蚁灵波开源触觉基础模型，把「手感」做成可跨硬件复用的统一表征。而另一头，一个中山大学本科生写出了让 AI 逆向工具 Token 账单暴涨 300 倍的反制工具——能力越强，反制它的方式也越具体。
🔥 1. Claude Fable 5.2 / Mythos 5.2 发布：1000 个 Agent 连转 8 天，写出能开机的操作系统 — 1000 pts
训练阶段被主动锁死 RSI 能力，自我改进只放到 Opus 5.5 的水平。
Anthropic 发布 Fable 5.2 与 Mythos 5.2，实为同一底层模型的两条产品线：Fable 带完整网络与生物防护、向所有用户开放；Mythos 卸掉部分限制，只通过验证计划提供给防御性安全与生物医学研究机构。定价输入 8 美元、输出 40 美元每百万 token，比 5.1 便宜约两成，输出速度最高快 30%，另可选 fast 模式再快 2.5 倍（价格翻倍到 16／80 美元）。官方最扎眼的实验是：一位工程师让模型从空文件夹开始写操作系统，它协调超过 1000 个子 Agent 连续工作八天，交付了能在笔记本上启动的系统——自带内核、磁盘键盘网卡驱动、持久化文件存储、窗口系统、登录界面与安装程序。另一个数字是 Anthropic 内部核心代码库中 超过 90% 的合并改动已由 Claude 完成。基准上，FrontierCode 2.0 的 Xhigh 档拿 49.1%；双臂机器人仿真 RoboDojo 拿 64.9%，是 GPT-6 Astra（29.8%）与 Fable 5.1（27.6%）的两倍多，而它并未专门接受过机器人训练。
→ https://www.qbitai.com/2026/11/508771.html
→ https://www.oschina.net/news/503499/claude-fable-and-mythos-5-2
🔥 2. 英伟达 GR00T 2 开源：人类示范可直接迁移给没练过这项任务的机器人 — 960 pts
同一个技能，不必在每一种机器人上重新示范一遍。
英伟达在 CoRL 大会发布新一代世界动作模型 GR00T 2，官方称模型、数据、仿真环境与采集硬件将陆续开源，10 万小时人类数据已率先开放。核心是 X-Adapt 跨本体适配，三条路径：研究人员佩戴动捕设备示范放滤纸，双五指手 Dexter 在 20 次试验中成功率 65%，全程未采集该任务的机器人遥操作数据；用手持 UMI 夹爪示范组装玩具卡车，迁移到形态不同的 YAM 机械臂后能端到端完成最长约四分钟的组装、成功率 60%；戴 DexUMI 外骨骼示范做早餐，灵巧手直接接手。预训练数据是座金字塔：402,730 小时人类第一视角视频、10,184 小时 UMI 演示（覆盖 2,897 项任务）、23,500 小时机器人遥操作。规模实验显示，人类视频从零加到全部，72 项 Dexter 任务的平均进度从 50% 升到 70%。少量示范也有效：零样本 40%，一次示范 71%，五次（合计不足三分钟）达 95%。
→ https://www.qbitai.com/2026/11/509032.html
🔥 3. 蚂蚁灵波开源 LingBot-Touch：把「手感」做成跨硬件的统一触觉表征 — 910 pts
拧瓶盖时画面看不出是「已松动」还是「指腹在打滑」，只有触觉能判断。
蚂蚁灵波科技开源触觉基础模型 LingBot-Touch，基于近 5000 小时真实触觉数据预训练，覆盖磁触觉、视触觉与压阻式三类传感原理，把不同信号转成同一套触觉表征，供不同灵巧手与动作模型使用。痛点很具体：深度信息能帮手指对准瓶盖，但转动后「盖子松动」与「指腹打滑」在画面里几乎一样，需要指尖接触位置与受力变化。做法是按传感原理分别设编码入口，再把不同布局的触点映射到统一的指尖坐标空间，输出统一的触觉 Token，因此人戴手套采集的数据与遥操作灵巧手的数据可以共同训练。实测在 Sharpa Wave 与 XHand1 两款灵巧手上做 26 项真机测试，接入后四种动作模型的平均任务成功率提高约 14 至 26 个百分点；T-Rex 控制 Sharpa Wave 拧瓶盖从 56.25%、62.5% 提升到 90%。轻量版仅约 530 万参数。
→ https://www.qbitai.com/2026/11/508996.html
🔥 4. 中山大学本科生做了个反 AI 逆向工具：让攻击者的 Token 账单涨 300 倍 — 880 pts
抛出一个只有 607 字节的包，加固后变成 16.93MiB，分析器直接报错。
AI 逆向项目 REA 登上 GitHub 一周就刷下 10 万星，被称作「最危险开源项目」之一。中山大学软件工程大三学生 Timo Zhang 写了反制工具 BLA，思路是三步「挖坑」：投毒——在文件里放入格式逼真的假凭据、假 Source Map、假诊断信息，让 Agent 把 Token 浪费在不存在的调用链上；耗尽预算——精确触发分析器内部硬编码的配额上限，例如往 Electron 的 .asar 包里塞约 4000 条路径极长的诱饵文件，把 607 字节的包撑到 16.93MiB，包头超过 REA 默认上限、读取直接报错；诱导误判——构造看起来像授权逻辑的代码分支。成本效果方面，作者称加固后逆向 AI 的 Token 消耗约为原来的 300 至 2800 倍；用仓库 14 个示例估算，总 Token 消耗约 639.5 倍、总费用约 304.4 倍。BLA 目前 3900+ 星、476 forks。作者还有另一个基于树莓派的小模型项目，专门用来减少 Coding Agent 的 Token 消耗。
→ https://www.qbitai.com/2026/11/508787.html
🔥 5. Fable 5.2 首批实测：有人烧 4000 亿 Token，有人用 2.5 万 Agent 造出 450 个 3D 世界 — 850 pts
软件工程测试 69.9%，比上一代猛涨 13.6 个百分点。
Fable 5.2 发布当天就被用户压出了各种极限用法。有用户一口气烧掉约 4000 亿 Token，做出一整桌游戏、视频与交互世界，其中包括一个可交互的赛博版《哈利波特》；沃顿教授 Ethan Mollick 调动约 2.5 万个 Agent，靠代码实时生成 450 多个 3D 世界；还有人把五百年前的达·芬奇手稿喂进去，纸上的机械发明当场被「复活」成可操作 3D 模型。游戏场景最能看出长程能力：一位网友让它连续工作 8 小时、全程零人工反馈，从 3D 建模、贴图到声音素材一次做完，交出可实际游玩的赛博版《使命召唤》；另一个「大鱼吃小鱼」从开工到交付只用 76 分钟、花费约 280 元。基准层面，编程测试超过 Opus 5.5 的 45.5%，软件工程测试达到 69.9%，支持 100 万 Token 上下文、最高 12.8 万 Token 输出，输出速度最高快 30%，价格反降 20%。这些案例均来自用户自述与视频，本报未复现。
→ https://www.qbitai.com/2026/11/508912.html
🔥 6. openJiuwen 提出 TTSE 双轨自演进：把「环境事实」和「条件式技巧」分开记 — 820 pts
一次失败，究竟该改方法，还是该纠正对环境的认识？
openJiuwen 在 RSI 方向提出 TTSE（Two-Track Self-Evolution，双轨自演进）。切入点是 Agent 持续改进中一个被忽略的问题：模型提供推理能力、Harness 组织流程，但 Agent 还要判断「这里的环境是什么样的、过去的经验还适不适用」——文件位置变了、数据格式混杂、模板约束更新，都可能让原本有效的方法失效。框架借鉴认知科学对两类知识的区分（Anderson 在 ACT-R 中讨论的陈述性知识与程序性知识），把经验分成两条轨道：FACT（环境事实）持续核对和更新「这个环境是什么样的」，强调可直接验证与跨任务稳定性；TIP（条件式技巧）持续改进「在这些条件下应该怎么做」。两类知识分别维护独立编号、呈现方式与证据追踪，每条经验都能被单独引用与更新；分类不明确的内容默认归入 TIP，以降低把未充分验证的操作当成环境事实的风险。
→ https://www.qbitai.com/2026/11/508998.html
🔥 7. TensorWorld 物原科技成立四个月融资过亿美元：押的是「物理真实」而非画面真实 — 790 pts
斯坦福 HAI 的数据很刺眼：仿真里 89.4% 的任务成功率，真实家庭里只有 12.4%。
成立四个月的物原科技（TensorWorld）一个月内拿到过亿美元融资，押的是与主流不同的路线。业内世界模型大致分两类：主流是视觉驱动——以视频生成为代表，目标是「看起来真实」，优化帧间像素合理性；另一类是物理驱动，目标是「推演更真实」，强调可验证、可测量、能支撑规划。传统工业仿真如 MuJoCo、Isaac Sim 属于后者「手工派」，物理定律靠工程师逐条手写，预测精确但昂贵，面对柔性体与流体时投入极高。物原科技走物理基础模型路线，提出「在张量世界中构建物理真实」，目标是让模型从数据中学习演化规律并举一反三。它列出的难点：一个工业级空气动力学仿真样本往往需要数万 CPU 小时；100 个场景采集的数据很难泛化到 10000 个未知场景。
→ https://www.qbitai.com/2026/11/508991.html
🔥 8. 字节 Seedream 5.5：连续 100 轮图像编辑不崩，单张成本不到 5.0 Pro 一半 — 760 pts
每一轮的输入只是上一轮输出，模型看不到原图——一步错就步步错。
量子位用「连续编辑 100 轮」测了两个模型：每轮只让手表时间增加一秒，并把上一轮生成图作为下一轮输入。GPT-Image 2.6 在第 10 轮左右就开始畸变、越往后失真越重；字节的 Seedream 5.5 虽然后期也有畸变，但整体保真度明显更好。这类任务考的是「记忆力」——模型看不到原图，误差会累积。本轮更新还包括：真实感提升、小字与多语言渲染（海报、标签、信息图里的字基本不写错）、透明图生成与编辑（可直出透明底 PNG，也能把成图拆回图层单独改文案、出不同语言版本）、生成速度提升。价格也降了：延续「输入图 + 输出图」两段计费，文本 Token 不计费，以 2K 方图编辑为例单张成本约 0.28 元，不到 Seedream 5.0 Pro 的一半。评测为量子位实测，本报未复现其对比条件。
→ https://www.qbitai.com/2026/11/508828.html
🔥 9. qOntology 开源版 v1.1.0：让 AI 把业务材料变成「可审核的候选模型」 — 730 pts
它明确写着：AI 提供的是候选内容，不代替业务判断。
本体工程平台 qOntology 开源版发布 v1.1.0，重点增强 AI 辅助建模与知识图谱多视图，并补充项目版本管理与约束规则配置。它面向的角色叫「企业本体 FDE」（前线部署工程师）：这些人面对的往往不是整理好的模型，而是分散在采购申请、订单、入库记录、供应商说明等材料里的业务知识，需识别概念、梳理属性与关系，再与业务专家反复核对。新版让业务材料真正进入建模过程：上传文件后生成候选内容，按对象类型、属性、关系分类呈现，可逐项审核、修改、采纳。值得肯定的是它的边界表述——AI 辅助建模提供的是候选内容与初步整理结果，不代替业务判断，候选仍需人工审核后才纳入模型。这种「把 AI 定位成讨论起点而非结论」的设计，在国内本体工具里并不常见。
→ https://www.oschina.net/news/503498
🔥 10. agent-skills 冲到 ★114,845：技能仓库已经成为 GitHub 上最重的一类资产 — 700 pts
官方仓库、个人仓库、压缩插件——同一天三条线都在增长。
今日 GitHub 榜单继续被技能与上下文工具占据。addyosmani/agent-skills（MIT，JavaScript，★114,845，今年 2 月建仓，今日 +465）自称「面向 AI 编码 Agent 的生产级工程技能」，是 Addy Osmani 个人的技能集合，星数已超过多数整框架项目；anthropics/skills（★191,870，今日 +1,676）从本报 11 月 7 日记录的 188,369 继续上行；mattpocock/skills（★31 万级，今日 +1,223）仍在榜。另一条线是上下文压缩：ranxianglei/billion-context（TypeScript，★6,032，今日 +374）自称是「为长达一个月的单会话（数十亿 Token）、小上下文窗口准备的上下文压缩插件」——它直接对着「Agent 长期在线」这个本周反复出现的问题给工程解法。合起来看，今天这三条线（官方技能出口、个人技能集、上下文压缩）其实在补同一件事：让 Agent 在长周期任务里既知道怎么做，又不被上下文撑爆。
→ https://github.com/addyosmani/agent-skills
→ https://github.com/ranxianglei/billion-context
📌 今日趋势总览
本文原创作者：易君召，详见：https://www.yijunzhao.cn/authors/yijunzhao，转载请注明出处。
原文链接
欢迎访问 小易撩挨踢