Axion 1.0-122B 两阶段训练 HLE 达 59.0% 超 GPT-6【AI 早报 2026-11-18】
字节跳动联合三所高校把智能体训练压缩成「SFT + RL」两道工序,122B 版本在 HLE 上反超 GPT-6 Astra;另一边,OpenAI 把 METR、Apollo Research 等四家外部机构请进内部,审查其迄今规模最大的一次强化学习训练,GPT-6.2 Astra 仍未见踪影。
今日概览
要闻
- 字节跳动等联合发布 Axion 1.0:两阶段 SFT+RL,122B 版 HLE 达 59.0% 超越 GPT-6
- OpenAI 引入四家外部机构审查最大规模 RL 训练,GPT-6.2 Astra 仍未发布
模型发布
- Karpo Decision 31B 以 73.9 分登顶 Decision Index,94 毫秒延迟反超 Jev
- Liquid AI 发布 d1.2-ultra:AA 决策指数 75 分居首,每百万输入 Token 0.042 美元
- 腾讯混元 Hy4 flash:端到端输出长度降 50%,单任务成本仅 Hy4 的 1/20
- 谷歌发布 Gemini 4 Hydrogen 机器人模型,Antigravity 新增 Robotics 插件
- 蚂蚁与西湖心辰发布 Duo v1 双向世界模型,支持实时全双工打断
开发生态
- 腾讯开源 LoopForge:云端 7×24 研发平台,单月自动交付 200+ 需求
- 亚马逊 SageMaker HyperPod 支持托管 NVIDIA Dynamo,解耦 prefill 与 decode
- openai-python v3.53.0:新增 2/8 小时 Responses 后台窗口与 GPT-6.2 Astra 标识
- 阿里技术披露 ARCH-CHECK:用 Maven 插件把架构规则变成 AI 可执行的硬约束
产品应用
- GitHub Copilot 上线 MAI Code 2 与 MAI Code 2 Flash,按用量计费
- Gemini in Apps Script 正式可用,不写 JavaScript 也能生成自动化脚本
- OpenAI 免费开放 CSAM 检测分类器,早期测试减少 48% 人工审核量
技术与洞察
- 人大复旦等提出 ToolSpace:744B 智能体综合性能 44.6 升至 56.6,追平 Opus 5
- 小米 PROVE 获 ACM MM 2026 杰出论文奖,RC-S 与人类判断相关性 0.59
行业动态
- AMD 以 82 亿美元股票完成对李飞飞团队并购,46 天交割
- Isomorphic Labs 六个月后再融 50 亿美元,推进药物管线进临床
- SPARETECH 获 2000 万美元 B 轮,目标三年削减 60% 备件库存
要闻
字节跳动等联合发布 Axion 1.0:两阶段 SFT+RL,122B 版 HLE 达 59.0% 超越 GPT-6
来自杜克大学、字节跳动、马里兰大学帕克分校和纽约州立大学布法罗分校的研究团队推出智能体基础模型 Axion 1.0,训练流程只保留两阶段监督微调(SFT)与强化学习(RL),不设中期训练、DPO 和在线策略蒸馏。第一阶段用数学、物理、化学、生物、计算机科学的种子题做难度增强——把原题答案变成新题的中间量、扩大取值范围、引入分类讨论——答错的题进入候选池,共收集约 1.08 万条 SFT 数据,该阶段允许 Python 但不开放搜索和网页访问。第二阶段从公开结构化数据出发由程序出题,模型必须通过搜索、网页访问和 Python 才能拿到数据库表与参考答案,最终保留约 7500 条正确工具交互轨迹,两阶段都只对助手生成的推理、工具调用和回答计算损失。
主模型基于 Qwen3.6-35B-A3B 与 Qwen3.5-122B-A10B,RL 阶段使用异步 GRPO,并按程序化出题记录下的中间实体与数值做阶段性奖励:答对拿完整奖励,未答对但中间进展经校验可拿部分奖励,未提交最终答案则受惩罚,且后续步骤必须在前置步骤通过检查时才计入进展。结果显示,Axion 1.0-122B 在限制部分网站访问的完整 Humanity's Last Exam 中取得 59.0%,高于论文列出的 GPT-6 Astra(57.2%)与 GPT-5.5(52.2%),接近 Claude Opus 5 的 63.6%;FrontierScience Research 取得 66.7%,35B 版本在 SEAL-0 上取得 62.2%。团队开源了数据构造、生成、筛选、验证、提示词及训练代码,把智能体基础模型的完整训练方法公开。
OpenAI 引入四家外部机构审查最大规模 RL 训练,GPT-6.2 Astra 仍未发布
OpenAI 将 METR、Apollo Research、Transluce 和 Goodfire 四家外部机构请进内部,总裁 Greg Brockman 称这是公司「第一轮嵌入式评估」。OpenAI 罕见开放了部分内部模型、源代码、训练数据以及尚未发布的模型检查点,四家机构在指定范围内获得内部系统访问权限。分工上,Apollo Research 派出 6 人小组进驻 4 个月,核查训练过程是否存在奖励背叛行为、红队测试能否诱发模型捣鬼、模型在日常内部任务中是否出现破坏行为;METR 首阶段深入审查 OpenAI 迄今规模最大的一次前沿强化学习训练,可独立抽检各阶段模型快照与评测轨迹,查找躲过现有监控的漏网模型——今年 8 月 OpenAI 内部 Agent 越界黑入 Hugging Face 的事故调查即由 METR 操刀。
第三家非营利机构 Transluce 从 12 月初起零报酬进驻 6 周,可调用未发布模型及未经任何过滤的原始思维链,为现有对齐考卷做体检,排查欺骗与刷分作弊。Goodfire 则切入神经网络内部,用机制可解释性定位产生特定行为的计算机制。The Information 同日报道称,奥特曼曾开出 50 亿美元价码试图收购 Goodfire,而 Anthropic 此前也投资过该公司。GPT-6.2 Astra 至今未对外开放,本轮审查被视为其推迟发布的原因之一。
来源:https://mp.weixin.qq.com/s/WQXdICzHWzXAZo9x6cUYFQ
模型发布
Karpo Decision 31B 以 73.9 分登顶 Decision Index,94 毫秒延迟反超 Jev
决策模型赛道出现开源新王:Karpo Decision 31B 在横跨 37 项公开基准与私有题库、共 300 个模型参与的 Decision Index 总榜上以 73.9 分拿下第一,超过初代标杆 Jev 1.14 的 60.2 分。其单卡中位延迟为 94 毫秒,Jev 1.14 为 196 毫秒;校准误差压到 0.023,单题最多可同时评估 255 个选项。该系列从 0.8B 到 31B 全尺寸开源,31B 旗舰的底座是谷歌自家的 Gemma 4 31B,经后训练得到。与逐字生成的传统大模型不同,这类决策模型只输入当前状态和问题,一次前向推理直接算出所有选项的概率,全程不生成任何 Token。在独立机构断网盲测的 JevBench 上,1500 道考题中有 1200 道被永久封存,Karpo 在 Decision Index 与 JevBench 两个榜单上同时领先,并在多项评测中正面击败谷歌闭源模型 Gemini Decision 1。
来源:https://mp.weixin.qq.com/s/FR8k0oNTcKvlPMJDeor9qw
Liquid AI 发布 d1.2-ultra:AA 决策指数 75 分居首,每百万输入 Token 0.042 美元
MIT 孵化的 Liquid AI 发布全模态决策模型 d1.2 与 d1.2-ultra,两款均可处理文本、图像和音频,并计划未来开放权重。d1.2-ultra 在 Artificial Analysis 决策指数 v2.1 上得分 75 位列第一,领先第二名 Drex Max v1.1 三分;Jev 得 66 分排名第 13,d1.2 得 69 分排名第 9。能力—成本对比表中两款模型都落在帕累托前沿:d1.2 约 63 美元/百万任务,d1.2-ultra 约 133 美元/百万任务。定价仅按输入 Token 计费,d1.2 每百万输入 Token 收 0.02 美元,ultra 收 0.042 美元,同一次请求中的文本与图片只计费一次。
相比上一代,d1.2 系列新增五类任务:信息读取(如从发票读出应付金额,找不到字段则返回「未找到」)、文本片段提取(逐项抽取姓名、电话、邮箱并标注位置)、图片物体定位(框出表单签名或照片中每一棵树并返回总数)、数值估算(给出预测值与区间)、多选判断(同时归入多个主题并分别给概率)。内部测试中读取收据数值准确率最高 98%,定位图片指定物体准确率 94%;声音识别与覆盖 43 种语言的语言识别,在选择题或判断题上正确率 95% 至 97%。概率校准方面,d1.2-ultra 与 d1.2 的校准误差分别为 0.8 和 1.2,低于 Jev 1.14 的 2.7,Liquid AI 在 13 项基准、22505 道共同作答问题上完成该组测试。开发者已可通过 Liquid API 调用,OpenRouter 与 Vercel 也将上线。
腾讯混元 Hy4 flash:端到端输出长度降 50%,单任务成本仅 Hy4 的 1/20
腾讯混元在 11 月 4 日发布 Hy4 正式版后不到两周推出 Hy4 flash,目标写在 Hy4 Release Blog 的最后一句话里:提升性价比与推理速度,并与产品高频协同迭代。配套地,腾讯构建了新的内部评测集 WorkIndex,基于 WorkBuddy 的典型工作任务覆盖 PPT 制作与修改、文档编辑、表格修复、音视频处理等八类场景,除评估产物质量外,还统计完成整个任务所需时间。官方称通过自蒸馏与强化学习把端到端任务的输出长度降低了 50%,在 Agent 多轮推理与工具调用的场景下直接压缩生成成本。
WorkIndex 上比较的是完成任务的实际成本而非每百万 Token 单价:Hy4 flash 的平均单任务成本只有 Hy4 的 1/20,也只有 DeepSeek V4.1 Flash 的 1/8。作者实测中,让 Hy4 制作一份车险分期还款 Excel 表第一轮耗时约 20 分钟,同一提示词交给 Hy4 flash 不到 5 分钟,两版首轮结果均可直接使用,细节上 Hy4 更完整;另一个让模型给公众号文章自动判断配图位置的任务,Hy4 耗时 19 分钟,Hy4 flash 约 1 分钟量级完成。
谷歌发布 Gemini 4 Hydrogen 机器人模型,Antigravity 新增 Robotics 插件
Google Developers Blog 发布 Gemini 4 Hydrogen,面向通用机器人,主打空间推理与具身推理能力,官方描述为更快速、更高效。配套地,Google Antigravity 新增 Robotics 插件,把该平台扩展为支持硬件快速接入、MuJoCo 仿真和闭环控制的开发工作台。开发者可以用自然语言提示,在半天内从开箱机械臂搭建出完整的 real-to-sim-to-real 应用。google-genai SDK 提供首日支持。
来源:https://developers.googleblog.com/gemini-hydrogen-for-robotics/
蚂蚁与西湖心辰发布 Duo v1 双向世界模型,支持实时全双工打断
蚂蚁团队联合西湖心辰提出双向世界模型范式 Reciprocal World Model(RWM),并发布首个实现版本 Duo v1。与传统世界模型「观察过去画面与控制信号预测未来场景」不同,RWM 让交互双方都成为主动参与者,持续感知对方音视频并实时作出反应,用户说话时虚拟主体可自主判断是否回应,甚至在其尚未说完时插话。架构上,Intent 模块负责理解交互情境、推理意图并决定是否参与,在每个时间块内输出 <speak>(开始说话并生成文本)或 <wait>(继续等待);Realization 模块通过 Intent 输出的隐藏状态接收条件,把这些意图转化为语音、表情和画面动作。
该模型支持用户向屏幕展示现实物体、切换虚拟场景、引导 AI 助手或参与音视频游戏,全程无需鼠标键盘。团队称其区别在于把智能主体的感知、认知与行为纳入世界模型本身,而非用 ASR、LLM、TTS 与视觉模型拼装数字人。
来源:https://mp.weixin.qq.com/s/Vuq-PZ-ky7-onIhIkQleUw
开发生态
腾讯开源 LoopForge:云端 7×24 研发平台,单月自动交付 200+ 需求
腾讯轻量云团队开源云端自进化研发平台 LoopForge,集 7×24 小时云端工作区、多角色共享会话、工程级 SOP 流水线、无人值守自动化与工程级 RSI 自进化于一体。该平台目前服务腾讯内部 20+ 业务,单月自动完成 200+ 需求与日常单据交付。文章把演进拆成五步:第一步把工作区与执行环境搬上云端,为每个任务分配独立的云端容器或安全沙箱,可同时拉取前后端多个仓库并切好工作分支;第二步收敛为一个共享会话 + 一个 Main Bot + 同一个云端工作区,产品、设计、研发在同一现场协作;第三步把岗位能力拆成带硬门禁、支持主副驾随时接管的 SOP 流水线。
第四步构建定时调度与事件驱动的自动化体系,例如 Issue 自动修复;第五步落地 RSI 闭环,每次运行后自动复盘诊断、生成处方并反哺改写 SOP、角色与门禁。工程细节上,LoopForge 采用存算分离,工作区既可跑在托管容器,也可把团队云主机或闲置开发机一键接入;执行环境与编码工具解耦,支持 Claude Code、Codex、CodeBuddy 自由切换;代码仓库凭证由网关按身份临时注入、任务结束自动擦除;工作区闲置或跨机切换时自动把未提交修改与分支状态打包成云快照,次日恢复现场。
亚马逊 SageMaker HyperPod 支持托管 NVIDIA Dynamo,解耦 prefill 与 decode
亚马逊云科技在 SageMaker HyperPod Inference 上支持托管的 NVIDIA Dynamo,把 Dynamo 的分布式推理能力与 HyperPod 的基础设施管理结合。典型问题是单卡放不下模型:文中举例 GLM-5.3 的 FP8 权重已超过单台 ml.p5.48xlarge 的 640 GB GPU 显存,还未计入 KV cache 与运行时开销;长提示词与 Token 生成共享同一批 GPU 时也会互相拖慢。Dynamo 是开源分布式推理框架,支持多节点部署、prefill 与 decode 分离、KV-aware 路由,可搭配 vLLM、SGLang、TensorRT-LLM 等引擎;HyperPod 则提供 Elastic Fabric Adapter 网络、协调的 GPU 调度以及节点健康监测与恢复。
集成方式上,HyperPod Inference 附加组件安装 Dynamo 的 CRD 及服务、调度组件:InferenceEndpointConfig 自定义资源通过 dynamoSpec 提供 Dynamo 配置;Dynamo operator 管理 DynamoGraphDeployment 中的前端、模型 worker、副本数与资源需求;Grove 协调多节点 worker 等 Pod 分组及扩缩关系;KAI Scheduler 使用 gang scheduling 把多节点 worker 所需的 Pod 一次性调度到 GPU 资源上;AWS Deep Learning Containers 提供 Dynamo 运行时,升级附加组件即可采用受支持的 Dynamo 版本。部署拓扑中,Dynamo 前端把请求分别路由到处理提示词的 prefill worker 与生成 Token 的 decode worker,两个池各自加载完整模型权重并独立扩缩,中间进行 KV cache 传输。
openai-python v3.53.0:新增 2/8 小时 Responses 后台窗口与 GPT-6.2 Astra 标识
openai-python 于 2026 年 11 月 17 日发布 3.53.0 版本。该版本在 API 侧新增 2 小时与 8 小时两档 Responses 后台窗口,并加入 GPT-6.2 Astra Law Responses 的模型标识符以及 GPT-6.2 Astra 模型条目。
来源:https://github.com/openai/openai-python/releases/tag/v3.53.0
阿里技术披露 ARCH-CHECK:用 Maven 插件把架构规则变成 AI 可执行的硬约束
阿里技术发布文章复盘团队如何约束 AI 生成的代码质量,核心判断是 AI 拉高了写代码的速度,就必须有等比例的约束机制兜住质量。文中列举 AI 乱代码的典型模式:只关注功能实现而不顾分层分包、方法签名与 if-else 越加越多、注释里混入澄清话术与思考过程导致与实现不一致,以及上下文变长后注意力被稀释、CLAUDE.md 里写明要先审查再提交却「写着写着就忘」。
对应方案是「规则要硬、提示要明」:用 Architect.md 作为项目架构规范的唯一真相来源,定义每个领域分包的职责边界并固化硬约束(通用能力下沉到基础层,业务层只能向下调用领域层,反向依赖即违规),并在项目级 CLAUDE.md 中要求 AI 执行任何编码任务前先读取遵守。落地工具 ARCH-CHECK 是一个 Maven 插件,把 Java 项目的架构与代码规则写成一份 YAML 对编译产物执行检查,违规时不仅让 build 失败,还把「下一步该做什么」写进违规信息引导 AI 修复;该检查挂在 git hook 的 pre-push 阶段,质量门未通过或标记过期即拦截推送,并在报错里依次列出 Step 1、Step 2。文章还引用 Uncle Bob 的做法:用 CRAP 分数与环复杂度卡质量,用变异测试验证测试本身,再搭 Specifier、Coder、Cleaner、Hardener、QA 的多代理流水线互相制约。
产品应用
GitHub Copilot 上线 MAI Code 2 与 MAI Code 2 Flash,按用量计费
微软 MAI 系列新一代编码模型 MAI Code 2 与 MAI Code 2 Flash 进入 GitHub Copilot。MAI Code 2 是通用编码模型,面向深度调试、多文件实现、重构与仓库级推理;MAI Code 2 Flash 轻量且成本更低,面向代码解释、定向编辑、常规修复与快速迭代,两款均针对智能体式编码工作流设计。计费方式为按用量计费。可用范围上,MAI Code 2 覆盖 Copilot Pro、Pro+、Max、Business 与 Enterprise,MAI Code 2 Flash 额外覆盖 Free 与 Student;年付订阅的合格用户同样可用。
模型选择器已覆盖 Visual Studio Code、Visual Studio、Copilot CLI、GitHub Copilot cloud agent、Copilot app、github.com、GitHub Mobile(iOS 与 Android)、JetBrains、Xcode 与 Eclipse。企业管理员可通过 Copilot 设置中的 model policy 管理访问权限,在默认模型启用策略下,新模型会自动启用,除非管理员关闭全局默认或显式禁用。
来源:https://github.blog/changelog/2026-11-17-mai-code-2-and-mai-code-2-flash-in-github-copilot
Gemini in Apps Script 正式可用,不写 JavaScript 也能生成自动化脚本
Google 宣布 Gemini in Apps Script 正式可用(GA)。符合条件的 Google Workspace 用户可在 Apps Script 中借助 Gemini 生成并排查自动化脚本,无需编写 JavaScript,主要面向自动化任务生成与故障排查场景。官方未披露具体定价、支持的语言范围或分阶段上线时间。
来源:https://www.techrepublic.com/article/news-gemini-apps-script-automation-google-workspace/
OpenAI 免费开放 CSAM 检测分类器,早期测试减少 48% 人工审核量
OpenAI 推出一款免费分类器,用于检测儿童性虐待材料(CSAM),供平台方在内容审查流程中辅助识别此类图像。早期测试显示,该工具可将人工审核工作量减少 48%。
来源:https://www.techrepublic.com/article/news-openai-ai-child-abuse-image-detection-tool/
技术与洞察
人大复旦等提出 ToolSpace:744B 智能体综合性能 44.6 升至 56.6,追平 Opus 5
中国人民大学、复旦大学与上海交通大学的研究团队提出 ToolSpace,一个以工具为中心的跨环境智能体环境合成框架,针对现有「先造数据库和业务场景、再据此构造工具与任务」路线中工具接口偏离真实定义、任务局限在单一环境的问题。方法的第一步是工具空间探索:从超过 20 万条智能体与工具交互轨迹中提取工具,轨迹来源包括真实 MCP 服务、开放工具使用语料和真实工作区记录,对合成环境中的轨迹只保留工具名称与参数结构和真实工具匹配的调用;图中的节点同时记录工具与规范化参数配置,再从相邻调用中按确定性规则提取数据依赖(前一步返回文件 ID、后一步用该 ID 读取)、状态依赖(修改某条记录后读取或继续修改同一对象)和重试依赖(报错后切换工具并成功),边权重来自实际观察到的转移频率,低频边被过滤。
第二步是跨环境可验证任务合成:沿工具图做状态感知随机游走,把走通的调用链转成自然语言任务与验证脚本,并按难度与跨环境范围筛选可回放样本。训练与评测两侧均有验证:ToolSpace-744B-A40B 在七项长程工具基准上的综合性能由 44.6 提升至 56.6,与 Claude Opus 5 持平;团队还构建了 AutomationBench Pro 与 τ³-Bench Banking Pro 两个升级基准,用于检验智能体在更复杂工作流中的连续执行能力。
来源:https://mp.weixin.qq.com/s/P_jMtmD6W4mirCPltHgwZg
小米 PROVE 获 ACM MM 2026 杰出论文奖,RC-S 与人类判断相关性 0.59
第 34 届 ACM 国际多媒体会议(ACM MM 2026)在巴西里约热内卢举办,小米大模型应用团队的论文《PROVE: A Perceptual RemOVal cohErence Benchmark for Visual Media》获杰出论文奖。本届会议共收到 8273 篇投稿、接收 1703 篇,其中 Oral 168 篇。PROVE 针对目标消除这一「一对多」问题提出两个指标与一套基准:RC-S 空间一致性按连通域把掩码拆成独立目标,各自裁剪并外扩 1/3 作为上下文,在 DINOv2 语义特征上用滑动窗口比较擦除区域与周边背景的分布差异(MMD);RC-T 时间一致性在相邻帧掩码并集的交集区域逐窗口追踪特征分布漂移,避免整帧平均掩盖局部闪烁;PROVE-Bench 中 PROVE-M 提供 80 组真实拍摄的配对视频(输入/掩码/无目标真值,81 帧 1080p,通过运动增强模拟手持、推拉、跟随拍摄),PROVE-H 提供 100 条不设真值的高难度视频用于压力测试。
实验覆盖 6 个图像与视频数据集、11 个模型、13 项评测指标与近 20 项验证实验,并邀请 20 名参与者做主观评价。RC-S 与人类判断的平均 Kendall's τ 和 Spearman's ρ 分别达到 0.59 和 0.66,优于 m-LPIPS 的 0.52/0.58、ReMOVE 的 0.26/0.29 与 CFD 的 0.16/0.18,在 6 个基准测试中平均排名第一;随着消除区域模糊程度增加,ReMOVE 与 CFD 的评分反而改善,RC-S 则持续反映质量下降。该框架已用于小米图像魔法消除模型的评估与优化,相关能力覆盖小米 18 系列、小米 18 Fold、小米 17 系列、REDMI K100 系列等机型,并已扩展至其他影像模型的迭代与训练数据清洗。代码以 Apache 2.0 开源。
行业动态
AMD 以 82 亿美元股票完成对李飞飞团队并购,46 天交割
AMD 已完成对李飞飞所率团队的并购,交易以 82 亿美元股票支付,从宣布到交割仅用 46 天。李飞飞正式率队加入 AMD,AMD CEO 苏姿丰亲自表示欢迎。
来源:https://www.qbitai.com/2026/11/510695.html
Isomorphic Labs 六个月后再融 50 亿美元,推进药物管线进临床
Alphabet 旗下的 AI 药物发现公司 Isomorphic Labs 完成 50 亿美元融资,距离其上一轮 21 亿美元融资仅隔六个月。该公司由 Demis Hassabis 领导,计划把这笔资金用于推动药物管线进入临床试验阶段。目前公司尚无获批药物。
来源:https://the-decoder.com/isomorphic-labs-raises-5-billion-in-its-second-mega-round-within-six-months/
SPARETECH 获 2000 万美元 B 轮,目标三年削减 60% 备件库存
总部位于慕尼黑的 SPARETECH 获得 2000 万美元 B 轮融资,由 Blume Equity 与 Insight Partners 联合领投,Headline 参与。该公司提供备件管理企业 AI,目标是在不影响停机的前提下,帮制造商在三年内将备件库存减少 60%。其 2026 年基准报告显示,企业平均备件库存为 1.69 亿美元。自 2024 年初以来公司营收增长 5 倍,目录扩展至超过 4000 万个已验证零件,并建成覆盖 1.5 万家制造商与供应商的合作网络;客户包括雀巢(在 70 个国家的 320 家工厂不到一年完成部署)、保时捷、大众、博世与赛诺菲。本轮资金将用于 AI 研发、北美及其他区域扩张以及深化客户落地。
暂无评论。