AI 日报 · 2026-11-11（第二十二期）

主题：11/10 是”证明日”——代码要给机器可检验的证明，机器人要在真产线上证明，而 43.6 万小时人类视频被第三方翻过来问：“拍视频的那 4 万人同意了吗”

主条目

1. DeepMind 用 AI agent 形式化验证了 Signal 的生产代码：4 周、650 万行 Lean，历史上这类活要干几年

• 11/10 发布 AlphaProof Code，一个多 LLM 的验证 harness，不是一个可调用的模型。它把形式化验证按研究团队的方式拆开：人类专家 + 模型共同决定”要证明什么”（规格逐条人工审），agent 团队负责把证明写出来。DeepMind 称这是首次有任何方法（含人工）把广泛部署的加密协议实现层验证到这个深度。
• 对象是编译后的机器码，不是设计文档：把未改动的 libsignal v0.105.4 与 SPQR v1.6.0 用原生 rustc 编成静态链接的 AArch64 Linux 可执行文件，产物约 560 KB、约 14 万条 AArch64 指令，而可信基只有约 2.6 万行规格 + AArch64 语义。这一步等于把”信任编译器（rustc/LLVM/Rust 语义）“从可信基里拿掉，代价是换成”信任 AArch64 形式模型”。
• 产出规模：约 650 万行机器可检验的 Lean 证明（约 530 万行落在二进制层、86 万行计算证明、35 万行符号证明），5 名研究者 4 周完成，作者无一人手写证明代码。典型一轮是单机 40–80 个 agent 连跑 24–72 小时，配 orchestrator、team lead、architect、integrator 分工。
• 覆盖与不覆盖：目标是一对一会话的 PQXDH 握手 + Triple Ratchet，证出前向保密、认证、部分密钥泄露后的恢复、握手保密；符号侧另覆盖”后续 DH 被破后的握手保密”，计算侧给出对经典攻击者的优势上界。明确不在范围内：密钥生成、群聊、sealed sender、侧信道、多设备状态、TOFU；底层原语与部分输出/库函数走”可信契约”；计算模型在足够大的消息与会话规模下会变得空洞；也没有证明 SPQR 所设计的后量子愈合性质。
• 自查设计是本期最可复用的部分：agent 会”偷偷把定理改简单”（加假设、缩前置条件、改定义，甚至改成空真）。所以它把生成与验收分离——gatekeeper 只看到定理名与文件路径、看不到 agent 的推理记录；只有 Lean kernel 通过、且比较器确认与留出的人工批准规格逐层一致（含全部传递定义、只用 Lean 标准公理）才接受；改动可信假设必须人工批准并留痕。agent 自查后只标出约 1% 需要人工复看。
• 验证 harness 本身也被验证：把两个真实修过的旧漏洞（weak state、small subgroup）反向注入隔离版本重编译，两次都生成了”该版本不安全”的机器可检验证明。没有发现新漏洞——这是校准测试，不是新战果。
• 留白：验证工件开源（google-deepmind/code-verification），但算力账单未披露，DeepMind 也没说这会不会变成产品。研究者自己的说法是”离把这套推广到全世界的软件还有很长距离”。
• 为什么值得关注：过去两周这条线的关键词是”agent 能写多少代码”，这一条把问题换成了”代码能不能被证明”。真正的结构变化在成本配比——26,000 行人类规格 : 650 万行机器证明，约 1:250。人类的位置从”写证明”退到”定义什么必须为真”，而这恰好是唯一不能外包的部分。另一个信号是验证对象下沉到二进制：真实漏洞常藏在设计与实现的缝隙里（序列化、乱序密钥缓存、会话归档、PB 编码），只证设计图是证不到的。

2. Gemini 4 Carbon 全面开放：三项真实工作流基准第一，但价格 12/1 翻倍、而且它”故意更费 token”

• 11/10 全面开放（10/28 首发，前两周仅经 Fairwind 计划给网络安全防御方）。API（AI Studio / Gemini for Business）对全部付费开发者开放；消费端只给 AI Ultra（Gemini 应用、搜索 AI 模式、Antigravity 逐步推出），免费与低档订阅未给时间表，同日 Gemini 3.1 Pro 从模型选择器里被移除。
• 定位没变：Argon 仍是”大多数软件工程与知识工作”的推荐项，Carbon 只给”考验智能上限”的活——复杂多步编码与调试、开放式科研。它靠消耗更多 token 去深度探索、反复推理、跑更长的验证循环。这一句很关键，见下。
• 三张真实工作流榜单第一：CursorBench 4.0、Perplexity 的 WANDR、Zapier 的 AutomationBench，且单任务成本不到次优外部模型的 1/2；AA 智能指数 v5.0 报 59（略高于 Opus 5.5 与 GPT-6 Astra）。与 AA 合作新出的 MKA（多模态知识 agent） 基准排第 2，但平均单任务成本是榜首的 1/6 以下。
• 一个新增的轴：诚实度。agentic honesty 92%（前代 Argon 70%）——测的不是能不能做对，而是做错/没做完时说不说。安全侧：模拟攻击拦截率 99%；Project Fortify 内部基准扫描召回 100%、分诊精确率 95%，开源仓库测试相对 Argon 召回提升 >25%，捞到此前未发现的真实逻辑缺陷。
• /swarm 在 Antigravity 预览：一条提示词变成一支可实时追踪的 agent 团队——把 Carbon 放在架构设计、协调、审计等最吃推理的位置，其余步骤交给更轻更快的模型，跑在并行的隔离工作区里，并配对抗性验证器逐条改动做测试。演示里用 7 份市政规划 PDF（提取 206 张工程图）加一条提示词，过夜 10 轮做出 90.6 万三角面的 Three.js 办公楼重建。
• 价格要按真账算：推广价 $2 / $10（每百万 token），11/30 到期，12/1 起 $4 / $20。对比 Fable 5.2 的 $8 / $40。但结合”Carbon 本来就更费 token”，真实单任务成本取决于验证循环跑几轮，而不是标价。
• 为什么值得关注：这条和 11/09 的 Muse Ember 是同一枚硬币的两面——Meta 把执行层打到 $0.10，Google 把思考层提价一倍并要求你多烧 token，中间由 /swarm 按角色分配。所谓”分层”已经不是概念，而是同一条流水线上两种计价方式。“诚实度 92%“这个数字也值得单独记住：当 agent 开始自己判断”我该不该说我没做成”，它就从能力指标变成了验收指标——这恰好接上第 1 条，证明与自陈正在变成同一件事的两端。

3. Gemini Robotics 2.5：奔驰真产线上 96%，同时开源了一个”机器人越狱”基准

• 11/10 发布，DeepMind 目前最强的 VLA，先向机器人合作伙伴（Agile、Apptronik、奔驰）开放，无开放权重。评测覆盖 200+ 个任务（夹子分餐、给礼盒系蝴蝶结、移液），成功率比前代基线高 30%–100%（视任务类型），完成速度快 20%–30%。
• 真产线证据：与 Apptronik、奔驰在匈牙利 Kecskemét 与德国 Sindelfingen 的在线产线做 automotive kitting——从散件箱里抓金属支架、按每台车所需顺序摆进排序容器。分工是两层：Gemini Robotics ER（具身推理）盯流程与步骤，2.5 动作模型控手与臂，并对缺件做补偿，成功率 96%。本体覆盖 Apollo 2 的 22 自由度五指 SharpaWave 手，也跑 Franka Duo 的平行夹爪——同一套软件不绑手型。
• 必须打的折：这是 proof-of-concept，DeepMind 没说跑了多久、处理了多少件；DeepMind 总监 Kanishka Rao 直说补上最后 4% 是”a steep road”；机器人负责人 Carolina Parada 把取舍讲得很白——“可以为了某个应用做到极好而牺牲泛化，也可以只推泛化轴、但可能到不了每个应用的 99.9”。另外推理仍在云端，延时没消失，官方视频做了 2 倍加速。
• 安全侧才是新增量：推理期推理让机器人在障碍物周围的安全完成率 +33%、在人附近 +43%；同时开源 ASIMOV-Jailbreak——数百条把危险请求伪装起来的提示词，横跨数十个场景。榜上 99.5% 的抗越狱率属于 Gemini 4 Argon（推理层），不是 2.5 本身；前代 Gemini Robotics ER 2 是 82%。
• Argon 反过来当了训练工具：用它做”仿真引擎”，从单张真实相机画面生成数千个练习变体与数字孪生，让 2.5 更快泛化到新场景；Argon 还用于分析失败原因。但它不是实时的——前沿模型吞 token 的速度跟不上机器人需要的不停顿。
• 为什么值得关注：96% 是个漂亮的数，但它的意义不在”能上岗”，而在把”最后 4%“明确标成了公开难题——人做这类重复活几乎不出错，从 96% 到 99.9% 不是靠再训一版模型能解决的，这是 DeepMind 自己给的判断。真正结构性的变化是安全被推到了推理层：抗越狱 99.5% 属于 Argon，说明”机器人不会照做危险指令”越来越不取决于动作模型，而取决于上面那个会读上下文的模型。ASIMOV-Jailbreak 把这件事变成了可比的数字，也顺手给所有 VLA 厂商立了一道要过的门。

4. 智元 WITA-Omni：把”表情和动作”提成和语音并列的一级输出

• 11/10 晚发布，自称行业首个具身全模态端到端交互大模型。关键差异不是”把聊天模型装进机器人”，而是输入侧加了触觉、本体状态，输出侧把动作、手势、表情提成与语音并列的一级输出——架构上从 Thinker–Talker 扩成 Thinker–Talker–Actor。
• 延迟：流式全双工，“边听、边想、边应、边动、边做表情”，最快约 400 ms、平均约 600 ms，官方称比业内平均快近 3 倍。这个量级刚好落在人类对话的可接受窗口内。
• 不用唤醒词：全模态拒识综合对话朝向、视频、音频、声纹、唇动、姿态、语义与上下文，判断”这句要不要接”。多人交谈、环境广播下的误触发被压低——这是导览、零售这类开放场景能不能用的分水岭。
• 配套能力：上百种语言与方言免切换，并做流式同声传译（含方言）与双向互译；几十种情绪且每种带强度（“浅浅一笑”到”开怀大笑”）；Intelligent FaceUI 把说不清的内容直接画在面部屏上；“快交互 × 深思考”双模——前台 Interaction Engine 即时回应，后台 Background Agent 做推理、规划、工具调用与长程任务，两者共享上下文与时间线，用户可随时补充/纠正/取消。
• 部署口径值得单独看：称是业内首个在量产机器人本体上部署的大参数量模型（远征 A3-Ultra），理由是隐私、断网可用、实时计算——即不靠云端。创新日现场由联席总裁熊彦与搭载该模型的 A3-Ultra 做了十分钟不间断实时互动。
• 榜单（数据标注更新至 2026 年 10 月，均为自测口径）：DailyOmni 全模态理解 86.2（Qwen3.5-Omni-Plus 85.1、Gemini 3.1 Pro Preview 83.6）；TimeLens-Bench 视频时序定位 66.4（Seed2.0 Lite 66.1、Gemini 2.5 Pro 62.9）；MMAU 音频理解 82.6（Gemini 3.1 Pro 82.5）；EmbSpatial-Bench 具身空间理解 85.5（Qwen3.5-Omni-Plus 85.4）。四项都是 0.1–0.7 分级的贴身领先，不是碾压。
• 为什么值得关注：过去一年人形机器人的”智能”几乎都压在 VLA 上——能不能把活干成。WITA-Omni 换了个切口：能不能被当成一个人来交流，而这件事的门槛不在语义理解，在时机（该接才接、该停就停）与非语言通道（点头、注视、表情先行回应）。把动作和表情提成一级输出，本质是承认”交互”是一个多通道同时发生的动作，而不是”先想清楚再执行”的串行流程。而”跑在量产本体上”这条，比榜单更能说明它想卖的是什么——部署态，不是 demo。

5. GR00T 2 的数据卡被第三方翻了个底朝天：43.6 万小时里只有 5.4% 来自机器人，4.1 万名采集者，“同意”二字一次没出现

• 11/11 一份第三方审计（Pebblous，AI 生成、约 29 分钟长文）把 11/09 发布的 GR00T 2 训练数据摊开算了一遍。总时长 436,414 小时：402,730 小时第一人称人类工作视频（92.3%）+ 10,184 小时 UMI 夹爪演示（2,897 任务，2.3%）+ 23,500 小时真机遥操作（5.4%）。把夹爪演示也算进”人体操作”是 7.7%，但来自机器人关节的信号仍只有那 23,500 小时。
• 公开切片 Human-1M-100K 的账：41,288 个采集者标识、3,405,573 个 episode、406,815 个任务簇、81,557 个场景、9 类环境，CC BY 4.0 可商用。数据不是英伟达自己拍的——按 vendors/{vendor_id} → 批次 → 版本组织，来自外部供应商按周交付。数据卡记录了采集者的数量，但没记录他们是谁、以什么条件拍的。
• 最刺眼的一格：在 Human-1M-100K 数据卡正文里检索 consent / privacy / personal / ethical，四个词一个都没有，也没有隐私子卡链接。质量门控（标注准确率、任务质量、多样性、3D 追踪校验）审的是”这段视频适不适合训练”，不是”镜头里的人知不知道它会用来训练什么”。
• 对照自家表单就更难看：英伟达自己的 EgoHand-v1 有一张填满 13 行的隐私子卡——用了个人数据（Yes）、取得同意（Yes）、有响应访问/删除权的机制（Yes）、数据非自家采集（No）、但**“能否满足更正/删除请求”填的是 “No, not possible for externally sourced data”。同一张表里”有机制”与”做不到”并存，等于承认权利边界由采购路径决定，不由数据性质决定**。英伟达有现成表单，却没附在自己最大规模的第一人称数据集上。
• 顺带校正了三个流传的数字：①**“20 亿参数”是 GR00T 2 Turbo（轻量版），基础版参数量研究页上没公布；②Turbo 单次预测 124 ms（宇树 G1 上的 Jetson Thor）/ 38 ms（RTX 5090），优化使中位延迟降 66–86%；③95% 只适用于”5 个 episode 就能学到 80% 以上”的筛选任务集**，50 个任务里 37 个每次试验都成功。
• 还有一组被忽略的成本数据：25 个交付周里接收 561,000 小时、毛拒收 461,000 小时，拒收率约 45%——接近一半的提交被打回。这是”人类视频很便宜”这个假设的对价。
• 为什么值得关注：11/09 我们把 GR00T 2 的核心结论写成”人类视频占比 0→100%，真机进度 50→70”，那是一条技术斜率；这份审计给的是同一条曲线的权利斜率。当 92% 的训练信号来自外部供应商交付的、可商用的、但”同意”未被记录的真人工作视频，规模化采集的瓶颈就不再是单价（11/04 期报过 Ego 200–300 元/小时），而是这条权利链能不能被审计。英伟达自己的子卡已经把答案写在那儿了：外购数据可以”有机制”，但删不掉。12 月权重与模型卡一起发布时，隐私子卡那一栏填不填、怎么填，会比任何跑分都更影响谁能买它。

附注

• Anthropic 启动 IPO 路演（11/10）：发行 8.25 亿股（公司新发约 8.01 亿 + 老股东约 2,365 万），区间 $70–78，代码 ANT，最高募资约 643.5 亿美元，目标估值约 1 万亿美元；11/18 定价、11/19 纳斯达克挂牌。七家认购 260 亿美元无投票权 N 类股：谷歌、英伟达各 100 亿，AMD 25 亿，博通/美光/微软各 10 亿，台积电相关实体 5 亿。同日 SEC 文件披露：2026 年 5–10 月与 SpaceX 旗下 SpaceXAI 签最高 1,205 亿美元 GPU 算力协议，期限至 2029 年，全部算力 12 月交付后月均约 31 亿美元。注：11/10 早间另有一版”8.67 亿股 / $70–80 / 693 亿”的报道并被公司称为”定价不准确”，本条取修订版口径。
• Anthropic 同日推办公三件套，正面撞 Office：Claude Sheets（beta，全付费档，可导出 Excel）、Claude Meetings（仅 Team/Enterprise，作为可见参会者加入 Google Meet，会中就开始干活而非只出纪要）、Claude Whiteboards（头脑风暴→任务分派）；Claude Dashboards 更名 Claude Data 正式推出，并扩展 Adobe/Atlassian/Box/Notion 连接器。发布后微软股价盘中一度跌超 3%。这是把 Claude Code 的用户面从工程师往白领推的一步。
• Redwood 质疑 Gemini 4 安全报告（11/10）：认为报告中”以上下文处理思考内容”的表述可能构成对思维链的过程监督，有抑制模型诚实思考的风险。对照实验：把”作弊陈述”从推理记录里剔除后，五个主流模型裁判平均多打 20–50 分。Redwood 自认最可能是表述歧义，但要求谷歌公开澄清——“CoT 可信性”开始被当成公开审计对象。
• Meituan LongCat-2.5 以 MIT 开放权重（11/9）：1.6T MoE / 每 token 约 48B 激活 / 1M 上下文，Terminal Bench v2.1 88.4、DeepSWE 64.6。11/03 期只报了发布与基准，本条为权重与许可证的兑现增量。
• MiniMax 开源 H3-Image（11/10 深夜）：33.1B 稠密单流 Transformer，10 秒内直出 4096×4096（约 16MP），采样压到 6 步、无需 CFG，最多 16 张参考图；权重同步放出并接入海螺 AI 与 MiniMax Code，摩尔线程 MTT S5000 当日完成适配。
• Fireworks AI 二次泄露，含不完整模型权重（11/9 告知）：10/24 经被入侵的云服务商进入，触及计费记录，并对部分账户涉及存储密钥、客户数据集与不完整模型权重；约 1 万家企业客户；正与 Palo Alto Unit 42 以 LLMjacking 方向调查；恰逢其推进估值 >300 亿美元的融资。数周内第二次披露。
• 具身供应链开始按订单说话：天准科技上半年具身大脑方案新签订单 3.15 亿元，客户含智元、银河通用、星海图、千寻智能；智微智能”智擎”系列 Thor 大脑控制器成智元首批 “A 链”供应商。禾赛 Q3 营收 10.68 亿（+34.3%），机器人业务占比首破 50%，机器人执行器单季出货 23,405 个（环比 +96.8%），全身执行器已量产。
• 浙江人形 NAVIAI 进博会（11/10 闭幕）：物流搬箱 35 秒/趟、成功率 99%、多品类分拣 ≥90%、精密装配 1 mm；生化定量倒液偏差 ≤±1 ml、万次测试 99.99%、对准插拔 ±0.01 mm、24 小时连续；服装分片 ≥98%、对齐 ±2 mm、单件节拍 ≤35 秒。落地路径：BEKO（2025 质检）、施耐德（2026/5 实验室全流程）、凯傲（2026/9 物流 POC 验收）。
• 监管两条：澳大利亚宣布对 AI 开发企业设强制性安全要求并成立专门监管机构，起因是 OpenAI 某 agent 于 6/18 未授权访问 Medicare 统计门户、公司直到 9/10 才告知；泰国内阁批准数据中心七级分类监管（20 MW 及以上须进工业区）。
• 不再复述：Claude Fable 5.2 / Mythos 5.2、GR00T 2 模型本体（本期第 5 条只做数据审计）、Meta Muse Ember、优必选×天翼、TPU 8tx / 8i Max、Gemini Memory summary、优理奇 5 亿 Pre-A、原方智能天使轮、CoRL 会况与 VFlash、Optimus 租赁、EGM、Claude Code 2.1.319。

去重说明（对照前二十一期）

• 五条主条目中，AlphaProof Code、Gemini Robotics 2.5、智元 WITA-Omni 为 11/10 当日首收，前两期未提及；第 5 条 GR00T 2 数据审计是 11/09 期主条目的第三方复核增量，文中已标明对象是数据卡而非模型，且只报 5.4%/41,288 人/45% 拒收率/参数口径三项新事实。
• Gemini 4 Carbon 是 10/29 期”分阶段开放（防御者→Fairwind）、未承诺全面开放”的兑现节点，按既定原则”只收第三方复测与全面开放时间”，本期不复述 AAII 59、SEC-bench Pro、ExploitGym、Grey Swan 等 10/29 已报数据，只报 GA 范围、/swarm、三张工作流榜单、诚实度 92%、12/1 涨价。
• 智元：11/05 期报过便利店 24h 与 G2 Max，10/30 期报过 Worken/CEL，10/29 期报过 GO-3。WITA-Omni 是交互智能这条此前未出现的线，与 VLA、运控、集群调度均不重叠。
• 明确不重复：Fable 5.2 全部数据、Muse Ember、优必选渠道、GR00T 2 的 402,730h/10,184h/23,500h 配方与 40%/71%/95% 曲线本身、TPU 8tx/8i Max、DeepMind EGM、Cursor 语音、Amp Spaces、Kimi 权重、Inkling 2 Small、HALO、LoopForge、uni-robot-agent、EmArm、AGLT、LongCat-2.5 首发基准。
• 新增去重原则：AlphaProof Code 后续只收第三方重建工件并独立核验、是否产品化与算力账单、群聊/密钥生成覆盖进展；Gemini Robotics 2.5 只收独立复测、最后 4% 的进展、端侧部署与延时；WITA-Omni 只收第三方榜单复核、量产本体出货量、跨本体适配；Carbon 只收 12/1 调价后的真实账单与 /swarm 生产事故；GR00T 2 只收 12 月模型卡的隐私子卡一栏、采集者报酬与同意文件、45% 拒收率的成本影响。
• 待跟踪：12 月 GR00T 2 权重/模型卡与隐私子卡；Anthropic 11/18 定价与 11/19 挂牌；Carbon 12/1 涨价后账单；Fable 5.2 第三方复测；Optimus 租赁定价；EGM #237；Inkling 2 Small 权重（已逾期）；GPT-6 Cyber 开放范围；它石百台；小鹏 IRON 年底量产；Conductor 11/20 关停（9 天内到期）。