Mistral Large 4 开源万亿 MoE，编程 Token 省 47%【AI 早报 2026-10-31】

Mistral 开放 1 万亿参数 MoE 权重，编程任务 Token 消耗比 GLM-5.3 少 47%；AI 用 24 天形式化 15000 页有限单群分类定理，产出 4310 万行 Lean 代码。

今日概览

模型发布

1. Mistral Large 4 开源万亿参数 MoE：激活 52B，编程 Token 消耗降 47%
2. 启元 PrimeSim 世界模型登顶 EWMBench，综合得分 6.09
3. 大晓机器人发布 Mundo：把房间写成可交互物理代码

开发生态

1. Amazon Bedrock AgentCore 支持编码智能体实时预览 Web 应用
2. Qwen3.5-4B 权重内置 NES 模拟器，可直接运行任天堂 ROM

产品应用

1. 国行 Apple 智能 11 月 4 日开测，千问接入 Siri
2. Anthropic 上线 Claude 自我评估，后台审查仅增 2% 算力
3. 新芯航途发布 X7 Ultra：700 TOPS，内存带宽消耗降 80%
4. 破壳机器人发布 RoboAPI：一句 prompt 零样本控制机械臂
5. Claude 智能体自主选择基因疗法并完成小鼠脑部手术

技术与洞察

1. AI 24 天形式化 15000 页证明，产出 4310 万行 Lean 代码
2. 清华等提出 CEL：96 台机器人共享经验，成功率升至 98.3%
3. VaM 给机器人加任务进度记忆，连续运行 4 小时成功率超 95%
4. OpenDS 评测 12 个前沿模型，最高准确率仅 39%
5. 阿里 WMT26 双系统：14B 翻译模型与 Wayfinder 智能体协同
6. CMU 等提出 Lafa 流式语言模型，吞吐达自回归 2.54 倍

行业动态

1. Spotify 月合并代码变更翻倍至 1.7 万，AI 智能体参与维护
2. Wabi 融资 5500 万美元，估值 12.5 亿美元做群聊 AI 助手

模型发布

Mistral Large 4 开源万亿参数 MoE：激活 52B，编程 Token 消耗降 47%

介绍：Mistral 将旗舰模型 Mistral Large 4（Le Chonk）的改进版开放权重，模型为 1 万亿参数原生多模态 MoE，激活参数 52B，统一指令遵循、推理与智能体能力，原生支持 160 多种语言。团队在公开预览版基础上追加三周强化学习，重点提升编程、防御性网络安全和企业工作流。Artificial Analysis 编程智能体评测中，其得分与 GLM-5.3 基本持平，但每项任务平均 Token 消耗减少 47%。在 FrontierCode 2.0 上得分 19.7%，Terminal-Bench 4.0 得分 41%，比预览版提高 13 个百分点，输出 Token 减少 30%。防御性网络安全方面，Artificial Analysis Cyber Index 得分 51%，对恶意网络请求平均拒绝率 96.6%。金融任务 FinWorkBench 得分 73.3%，BrowseComp 84.5%，B3 智能体安全基准攻击抵抗率 97.1%。模型支持 Transformers、SGLang 和 vLLM，提供 FP8 与 NVFP4 权重，官方示例为单机 8×B300 部署。 来源：https://mp.weixin.qq.com/s?__biz=Mzk3NTc1NTU0Mw==&mid=2247515185&idx=1&sn=4250de4785687f0d0a817eb9ee0de5e8

启元 PrimeSim 世界模型登顶 EWMBench，综合得分 6.09

介绍：启元具身研究中心发布 PrimeSim，一款面向机器人操纵任务的世界模型仿真器，基于预训练视频生成模型，经中训练与后训练改造成可交互推演的仿真底座。它在 EWMBench 上以 6.09 的综合得分位列第一，在 WorldSimProbe 五项评测中拿下三项第一。训练使用 30110 小时精选机器人演示数据，覆盖人形、双臂、单臂、手持 UMI 等 22 种异构平台，其中人形样本占 54.8%，真实世界数据占 84%。模型用统一动作表征、帧对齐双路径条件注入和视角感知交错注意力，保证动作服从、多视角一致与长时序连贯。后训练采用分块因果适配、四步一致性蒸馏、Self-Rollout 和分层时序记忆，最长支持两分钟以上连续 rollout。在单张 A100 上，50 步去噪基线为 1.12 FPS、PSNR 26.15；四步蒸馏提升到 10.04 FPS、PSNR 24.40，叠加 DMD 后 PSNR 24.87、LPIPS 0.176，整体提速约 9 倍。 来源：https://mp.weixin.qq.com/s/p2rXJwJyITkyM0101fwpWw

大晓机器人发布 Mundo：把房间写成可交互物理代码

介绍：大晓机器人联合南洋理工大学 S-Lab 发布世界模型 Mundo，目标不是只生成逼真画面，而是构建可探索、可交互、带物理属性的具体环境。它把 3D 场景重建、物理仿真与视频生成合在一起，用场景代码记录每件物体的重量、质心和摩擦力，再交给物理引擎计算运动与碰撞，最后按现场照片渲染画面。团队演示了用 9 张办公桌、转椅和抽屉柜照片重建办公室，生成的空间可用 Python 代码操控，也能承受外力推拉和撞击。系统还结合 Astra 提供空间理解能力，官方称该模型在四项评测中排名第一，超过 Genie 4 与 Atlas。 来源：https://mp.weixin.qq.com/s/nfgx6WhrFosbmuNivDQR5g

开发生态

Amazon Bedrock AgentCore 支持编码智能体实时预览 Web 应用

介绍：Amazon Bedrock AgentCore 的 runtime 为每个智能体会话分配独立 microVM，新增的 Session endpoints 让开发者从本地浏览器直接打开会话内运行的 Web 应用。每个会话获得一个带认证的 URL，转发 HTTP 方法、路径、查询串、请求体以及 WebSocket 连接，但只开放 allowedPorts 中声明的端口。allowedPorts 支持 1 至 5 个条目，端口范围为 8000 至 12000，并排除平台保留端口；应用必须监听 0.0.0.0。InvokeAgentRuntime 响应通过 X-Amzn-Bedrock-AgentCore-Runtime-Session-Endpoint-Url 返回地址，SDK 暴露为 sessionEndpointUrl，每个请求都带 SigV4 签名。示例中编码智能体在会话里运行 Vite 网站，左侧聊天、右侧实时预览，要求切换暗色主题后页面无需刷新即可更新。 来源：https://aws.amazon.com/blogs/machine-learning/preview-web-apps-live-as-your-coding-agent-builds-them-with-amazon-bedrock-agentcore-runtime/

Qwen3.5-4B 权重内置 NES 模拟器，可直接运行任天堂 ROM

介绍：开发者 Drew Breunig 受 Divyansh Agrawal 的 qwenputer 启发，把一套可运行的任天堂 NES 6502 CPU 模拟器写入 Qwen3.5-4B 的模型权重。该模型现在可以直接运行 NES ROM，意味着模拟器逻辑被编码进参数而非外挂传统程序。Simon Willison 在博客中记录了这项实验，并展示了可玩的演示。 来源：https://simonwillison.net/2026/Oct/30/nesformer/

产品应用

国行 Apple 智能 11 月 4 日开测，千问接入 Siri

介绍：苹果宣布 Apple 智能面向中国大陆用户推出首批功能，11 月 4 日随 iOS 开发者 Beta 开放测试，12 月随 iOS 27.3 正式版上线。首发仅限 iPhone，覆盖 iPhone 15 Pro 系列、iPhone 16 及后续机型、iPhone Air 和 iPhone Duo，支持简体中文与英文，iPad 和 Mac 需等待审批。首批功能包括系统级写作工具、照片自然语言搜索与消除工具、智绘表情、信息/电话/FaceTime/AirPods 实时翻译、通知摘要、视觉智能和 Siri 基础交互升级。照片消除工具由三套端侧模型分别做物体识别、边缘判断和背景填补，实时翻译也在设备端完成。复杂任务会调用阿里巴巴通义千问，为 Siri、写作工具和视觉智能扩展能力，调用前征得用户同意，结果直接呈现在当前界面。苹果自研模型负责基础功能与个人信息处理，千问处理的请求数据不用于模型训练、广告营销或行为追踪；可理解个人上下文并跨应用操作的新一代 Siri 仍未包含在内。 来源：https://www.ifanr.com/1686969?utm_source=rss&utm_medium=rss&utm_campaign=

Anthropic 上线 Claude 自我评估，后台审查仅增 2% 算力

介绍：Anthropic 公布生产环境中的“自我评估”安全机制：每轮对话结束后，系统向 Claude 注入隐藏指令，让它审查刚才的请求与回答，并输出危害类型、人工审核优先级、是否拒绝以及判断理由。这套流程在后台静默运行，隐藏交互不进入后续上下文；由于回答刚生成完，对话仍在 KV 缓存中，系统只需让模型多输出约 10 个 Token，实测只增加不到 2% 的计算量。效果上，Claude Fable 5 在 1% 误报率下抓出 78% 的潜在违规对话，高优先级严重违规抓取率 94%；最大模型在同样误报率下达到 96%，最小模型召回率约 16%。训练分两步：先用 Claude Mythos Preview 生成审查范例做监督微调，只对审查输出计算损失；再用强化学习按格式、违规标注、分类、拒绝状态和风险优先级六项指标打分。Anthropic 没有把它当实时防火墙，因为实时拦截只能把攻击成功率从 79% 降到 54%，而是放在离线旁路监控，夜间按企业账户聚类高危标记。上线后，该系统从单一 API 客户抓到超过 10 万次涉及虐待儿童的严重违规并向美国国家失踪与受虐儿童中心提交证据，9 月还识别出利用 Claude Code 编写自动化脚本的杀猪盘团伙。局限是它完全学自更强的老师模型，老师存在盲区时学生也看不出，且未来模型若学会欺骗，也可能在自我报告中继续撒谎。 来源：https://mp.weixin.qq.com/s?__biz=Mzg3MTkxMjYzOA==&mid=2247519916&idx=1&sn=d9ae91359f01e7a0e0fbd50feea03a37

新芯航途发布 X7 Ultra：700 TOPS，内存带宽消耗降 80%

介绍：新芯航途（XHEART）发布新一代大模型芯片 X7 Ultra，面向十亿参数级智驾大模型，算力 700 TOPS。官方称在模型表现相当的前提下，X7 Ultra 对标行业旗舰芯片，内存带宽消耗降低 80%。公司把路线概括为“让大模型定义芯片”，重点解决纸面算力受数据搬运限制、芯片迭代周期跟不上模型半年一个大版本、以及车载散热与功耗硬约束三道问题。XHEART CEO 李宗霖称过去智驾是小模型流水线，由工程师写规则，端到端 Transformer 大模型改变了芯片需求。兄弟公司 Momenta 同台分享 R7 Ultra 世界模型进展，XHEART 成立不到三年。 来源：https://mp.weixin.qq.com/s/qttn6SWc_WfdOihdB6O2VQ

破壳机器人发布 RoboAPI：一句 prompt 零样本控制机械臂

介绍：今年 4 月成立的破壳机器人（PokeBot）发布 RoboAPI，一个可公开访问、开箱即用的具身 API，同时首次亮相信任世界-动作模型 Poke-Aurora。开发者在适配机械臂上接入 RoboAPI 后，无需采集数据或训练模型，用一句 prompt 即可在陌生环境执行未专门训练过的任务，验证零样本泛化。该 API 目前面向非商业化应用免费开放，不向盈利性第三方提供产品或服务。Poke-Aurora 采用“调制残差耦合”机制，让视频预测与动作预测共享可学习交互；自建评测覆盖近 1000 个物体、近 1 万条指令，三类任务成功率分别为 86.0%、54.1% 和 87.7%，均高于 GPT-6 Astra 和两款开源具身模型，后两者三类成功率均不到 35%。硬件构型受 UMI 启发，采用腕部鱼眼相机加末端位姿控制，降低搭建成本，已在美国、新加坡等多所高校实验室内测。 来源：https://mp.weixin.qq.com/s/5vLUYBXxK2IxWjyGPZQq3A

Claude 智能体自主选择基因疗法并完成小鼠脑部手术

介绍：一个 AI 智能体对癫痫小鼠完成了脑部手术，自主选择基因疗法、脑内靶点和注射坐标，全程没有人类做决定。领衔研究者 Ocana-Santero 称，这是 AI 智能体首次自主选择治疗方案并将其递送到活体哺乳动物。手术中途出现校准错误时，智能体拒绝继续操作，研究人员也无法说服它继续。该实验把药物选择、靶点定位和注射执行交给同一个智能体，而非由人类分步下指令。 来源：https://the-decoder.com/a-claude-model-autonomously-chose-a-gene-therapy-and-operated-on-a-mouse-brain-with-no-human-decision-making/

技术与洞察

AI 24 天形式化 15000 页证明，产出 4310 万行 Lean 代码

介绍：Axiom 团队用多智能体系统 AxiomProver 在 24 天内把有限单群分类定理（CFSG）完整形式化为 Lean 代码，这项证明由约 100 位数学家历经半个多世纪、在 500 多篇论文中写成，长达 15000 页。最终产出 4310 万行 Lean 代码，按代码行数计算已成为史上最大开源软件项目，规模超过 Linux 内核、Chromium、Firefox、LLVM、GCC 和 FFmpeg。项目 10 月 1 日启动，人类工程师与数学家把“巨型定理”拆成 108 个里程碑和约 380 个小任务，10 月 2 日 AI 蜂群上线，10 月 10 日证明魔群是单群。逐行检验中，AI 记录数百处异常，其中 34 处是重大逻辑偏差，最核心的一处出在不平衡群定理（UGT）；AI 还构造新证明修补了人类证明中的漏洞。由于 AI 写代码速度过快，Lean 重查依赖项出现算力瓶颈，团队临时开发分布式缓存系统才跟上产出。 来源：https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652739321&idx=2&sn=89a62a3f6714857e4b2a03813f317395

清华等提出 CEL：96 台机器人共享经验，成功率升至 98.3%

介绍：清华大学、智元与无问芯穹联合提出群体经验学习（CEL）范式，并在 96 台机器人上完成原型验证，核心是让机器人从同伴的成功与失败经验中学习，把人类角色从持续示范动作转为判定结果。在手机包装这类多阶段、长流程工业场景中，训练后的策略在两台未参与训练的同型号机器人上完成 120 次测试，成功率从 79.2% 提升到 98.3%，失败次数从 25 次降到 2 次，减少 92%。规模收益同样明显：相同物理训练时间内，参与学习的机器人从 16 台增至 96 台，测试成功率从 86.7% 提高到 98.3%。为处理一次任务 3 分多钟、4000 多步却只有 0/1 反馈的问题，团队提出失败引导的经验检索微调算法 FERT：成功轨迹进入共享经验池，失败轨迹用于定位易错片段，并优先采样与失败场景匹配的成功经验。策略在各机器人上异步执行，更新后下发回群体，形成持续积累经验的闭环。 来源：https://mp.weixin.qq.com/s/E51sqcVsTzvtXjGtB-xurw

VaM 给机器人加任务进度记忆，连续运行 4 小时成功率超 95%

介绍：上海交大与上海创智学院等提出 Value as Memory（VaM），把价值模型近期的预测序列作为“任务进度记忆”输入动作策略，帮助机器人判断任务是推进、停滞还是回退。实现上，VaM 基于 π0.5 构建动作专家，用门控循环单元编码历史价值与本体状态，再结合视觉信息生成动作；价值预测与动作生成异步运行，策略直接读取已计算完成的历史价值。训练分四阶段：离线示范初始化、离线强化学习预热、Online DAgger、以及不再采集人类纠正的 Learn from Experience。在纸盒装配任务中，VaM 连续自主运行 4 小时，任务成功率达到 95% 以上，展示长时间运行稳定性。该方法针对的是部分可观测性和部署经验反馈不及时：相似画面可能对应不同任务状态，而新经验若不能在线回流，策略迭代就会变慢。 来源：https://mp.weixin.qq.com/s/AXDhedrQtUu_VDdUGgPpvA

OpenDS 评测 12 个前沿模型，最高准确率仅 39%

介绍：香港科技大学（广州）、复旦大学、华盛顿大学、帝国理工、斯坦福等团队提出 OpenDS（Open-Web Deep Search）任务与 OpenDS-World 基准，评测智能体在真实开放网络中自主发现信息、处理多模态资源并串联证据的能力。基准包含 200 道任务，覆盖 4 种模态、42 种资源格式和 7 类证据访问需求，给 GPT-6 Astra、Claude Opus 5.5、Gemini 3.8 Flash、Qwen3.8 Max、GLM-5.3 Flash、DeepSeek V4.1-Flash、Kimi K3 等 12 个前沿模型同一套搜索、浏览器和视频工具。每题限制 1 小时搜索时间、100 次工具调用，模型自行决定搜索路径并给出答案。结果最好的 GPT-6 Astra 准确率只有 39%，Claude Opus 5.5 为 38.0%，Gemini 3.8 Flash 为 36.5%，其他模型不足 35%。平均每题人工标注来源仅 3.94 条，模型一次搜索却包含几十甚至接近 100 次工具调用；GPT-6 Astra 的失败调用只占 6.34%，却消耗 42.57% 的工具执行时间。 来源：https://mp.weixin.qq.com/s/sNOWSMdiOLDu8nvQAR1s-g

阿里 WMT26 双系统：14B 翻译模型与 Wayfinder 智能体协同

介绍：阿里 ATH MaaS 联合 Qwen 团队为 WMT26 通用机器翻译任务构建两套系统：受限赛道用 14B 的 Qwen-MT-Lumen，非受限赛道用多模型协同的 Wayfinder。Qwen-MT-Lumen 以 Qwen3-14B 为基础，通过多语言持续预训练、翻译专项指令训练、Online M²PO 和 OPD 提升翻译质量与指令遵循，并用结构感知推理与选择性修复保障输出完整性。Wayfinder 聚合多个模型的文档级候选译文，经匿名化选择或受约束改写，再做异常检测与修复，整合不同模型在语言表达、领域适配和约束遵循上的优势，取得整体最佳表现。WMT26 采用完整文档级输入，把自然语言指令纳入翻译上下文，覆盖新闻、社交、语音、软件、教育和事实核查 6 类领域、23 个翻译方向，并以人工评价为核心。相关技术已用于阿里云百炼上的 Qwen-MT 系列，覆盖文本、图像、文档及实时语音翻译，并进入电商出海、漫剧出海等场景。 来源：https://mp.weixin.qq.com/s?__biz=Mzg4NTczNzg2OA==&mid=2247512313&idx=1&sn=d8564332f58af0201a766cc017da8529

CMU 等提出 Lafa 流式语言模型，吞吐达自回归 2.54 倍

介绍：UC Berkeley、Amazon 与 CMU 提出 Lafa，一种可直接改造预训练自回归模型的大型流式语言模型，用不到 30B tokens 把规模训到 8B，在质量持平前提下把吞吐提升到自回归的 2.02 至 2.54 倍。Lafa 的结构是“块间自回归、块内双向异步去噪”：文本按块切分，块间保持因果并复用前缀 KV 缓存，块内每个 token 有独立时间进度，靠左位置先去噪。同一网络同时做干净前缀的 AR 预测和加噪块的去噪，支持多步流解码、flow map 单步生成，以及用模型自带 AR 头验证流草稿的自投机解码。7B 模型在块大小 16 时，单张 H100 吞吐达到 AR SFT 的 2.54 倍，平均准确率基本持平；自投机解码每次前向平均提交 2.5 至 5 个 token。消融显示，块双向注意力比全因果高 5.3 个点，异步时间优于同步时间，AR 交叉熵、去噪交叉熵和嵌入均方误差三项损失缺一不可。 来源：https://mp.weixin.qq.com/s?__biz=Mzk0MTYzMzMxMA==&mid=2247513129&idx=2&sn=e69fe9310f3f8fa409209a72051003f4

行业动态

Spotify 月合并代码变更翻倍至 1.7 万，AI 智能体参与维护

介绍：Spotify 扩大 AI 辅助开发范围后，8 月合并变更量从去年同期的约 8100 个增至 17000 个，同比翻倍以上。公司运营近 3000 个生产服务，支撑 7.77 亿月活用户、约 1 亿并发客户端，每秒处理 1100 万至 1200 万次后端请求，变更激增给测试、评审和可观测性带来压力。其集群管理系统已合并超过 250 万个自动化维护拉取请求，后台编码智能体 Honk 在 Kubernetes Pod 中通过 Agent SDK 运行 Claude，Fleetshift 负责目标选择、调度和进度跟踪，CI 完成验证；一次后端 Java 迁移耗时三天。质量和优化工作占合并变更比例从 27% 升至 31%，维护和配置工作从 31% 降至 25%，返工量未随之增长，但拉取请求体量与代码复杂度在上升。6 月 24 日内容处理流水线因定时批处理与新节目抢占资源、调度错误导致吞吐量下降约 10%，原本几分钟上线的节目延迟数小时，Spotify 随后补充端到端监控、修复调度器并调整批处理优先级。公司称 AI 编写代码未造成实质性直接影响，但变更数量已超过部分验证机制的处理能力。 来源：https://mp.weixin.qq.com/s?__biz=MjM5MDE0Mjc4MA==&mid=2651296220&idx=3&sn=d78b314c0364ecb8bb65f5ccb76f4914

Wabi 融资 5500 万美元，估值 12.5 亿美元做群聊 AI 助手

介绍：AI 助手初创公司 Wabi 完成 5500 万美元融资，估值达到 12.5 亿美元，本轮由 IVP 领投，Andreessen Horowitz、亚马逊 Alexa Fund 和 Forerunner Ventures 参投。Wabi 的产品是可加入群聊的 AI 助手，能把对话转成共享旅行行程、日历和投票，也能执行预约、购物退货等任务，并追踪提醒、整理邮件、协调家庭日历和管理预算。该产品可访问银行账户及其他账户登录信息，公司称敏感凭证保存在虚拟保险库中；下周将更新直接拨打电话与智能体语音交流、实时播报进度的能力。Wabi 于 10 月 19 日推出最新版本，所在赛道已有 OpenAI 的 Dots 和 Meta 的 Muse 等消费级 AI 助手。 来源：https://mp.weixin.qq.com/s?__biz=MzI4NTgxMDk1NA==&mid=2247519100&idx=2&sn=ea8d416420b89d3e9317fd6983e2b5c2