article

AI 日报 · 2026-11-20(周五)

25 min read

覆盖窗口:2026-11-19 06:00 — 2026-11-20 06:30(北京时间) 侧重:AI Coding × 具身智能 本期主线:今天所有进展都在回答同一个问题——把 agent 放上生产,谁按最后那一个按钮。 OpenAI 的答案很朴素:工程师按 merge(Codex 已经能查到 70% 的因,但改动仍要人批);Anthropic 的答案是把定价权交给公开市场(首日 +17%,但当天大盘跌 2%);Google 的答案是把调度权交给模型、把成本交给账单(Neon 单价降 25%,单任务只降 17%);具身侧则更直接——数据可以开源 500 万条,但模型还是读不出”盒子在桌沿内还是外”。


一、Anthropic 首日:一级市场定价成功,二级市场没给面子

事件(11/19 美东,纳斯达克全球精选市场,代码 ANT) 发行价 $83(区间上限 +6.4%),开盘首笔 $111.50(+34.3%),盘中最高 $115.10(+38.7%),收盘 $97.17(+17.1%),较当日高点回落约 13 个百分点。按财联社口径市值 1.27 万亿美元(约 130.7 亿股),按全面摊薄 180.7 亿股计约 1.5 万亿。

发行结构比首日涨幅更值得记:

为什么值得关注 这是第一次能用连续竞价的公开市场价格,去检验”前沿实验室”的估值。更关键的是同一天的反向信号:道指 -2.19%(6 月以来首次收于 5 万点下方)、标普 -2.02%、纳指 -2.25%、费半 -2.41%,VIX 冲至近 29(3 月以来日内新高),AMD 因 Hunterbrook 空头报告跌近 8%,英伟达连续第 6 天下跌。Anthropic 开盘的那一刻,正是各大指数砸出日内低点的时刻。这不是”AI 行情被 IPO 带起来”,而是”IPO 成了这轮行情的兑现出口”。Amodei 在敲钟现场的表态也值得记:会根据对安全的信心调整训练与发布节奏,“不会屈服于商业或政治压力”——这句话在上市公司语境下的可执行性,未来每个季度都会被追问。

要打折看的地方


二、OpenAI 把 Codex 装进了生产流程:查得出 70% 的因,但 merge 还得人按

事件(11/19 08:00 UTC 官方博客,Performance Factory) OpenAI 披露内部已运行三个多月的 “Performance Factory”:以 Codex 为核心的自动化系统,把”性能回退”从告警到恢复做成流水线。

跑出来的数:处理 1700+ 起性能回退调查,其中 600+ 起定位到根因(约三分之一强),平均每天 17 起;人工复核 100 条根因建议,70 条判为准确。

流水线怎么搭的(这才是可复制的部分)

  1. 告警触发即建任务,agent 先确定”指标真正开始漂移的时刻”(常比告警早几个小时)、受影响请求、对齐到哪次部署或 feature flag,再读代码找因;
  2. 另一个 Codex 会话专门负责”证伪”——例如检查”同样没被覆盖的类似请求是否仍健康”、“回滚后指标是否恢复”。早期 agent 会在第一个看似合理的解释上停下,这个对抗评审就是为此加的;
  3. 修由 agent 写、开 PR,工程师 review 并 merge;部署后再由另一个 agent 核对是否回到基线,只恢复一部分就关旧任务、开新任务;
  4. 工程约束:任务状态与结论存在 task 对象上、不放在 agent 的上下文里(因此能跨 agent、跨人、跨部署交接);agent 靠订阅事件(review 评论、CI 失败)被唤醒,不空转轮询;每个 agent 跑在独立服务身份 + 最小权限下,动作可追溯。工程师把排障经验沉淀成一个叫 perf-forensics 的技能,agent 复用同一套 playbook。

为什么值得关注 这是目前实验室公开过的最完整的一份”agent 工作流生产模板”——不是更强的模型,而是状态机 + 一个专职说”你错了”的 agent + 判断成本最高处留给人的闸门。它同时回答了过去两周反复出现的两个痛点:验证环节是瓶颈(对抗评审)、以及 agent 的”成功”不可信。OpenAI 自承当前瓶颈是”等工程师 merge”,并正在评估让 agent 独立上线低风险修——那一天就是 merge 按钮移动的那天,也是这套东西从”有工头的工厂”变成”无人车间”的那天。

要打折看的地方 70% 是 100 条小样本人工评级,非独立复测;修复比定位难得多(提案偏复杂、会引入新 bug),所以”600 起定位到根因”不等于”600 起被修好”;这套结论高度依赖 OpenAI 自己的代码库与可观测性栈,换到缺少完整指标/部署元数据的团队,第一步就做不了。


三、Gemini 4 Neon:单价降 25%,单任务只降 17%

事件(Google DeepMind 博客 11/18 美东,北京时间 11/19 凌晨开放) Gemini 4 家族第四款模型,定位在 Carbon(最难长程)与 Hydrogen(最快日常)之间。$3 / 百万输入、$0.15 缓存输入(95% 折扣)、$15 / 百万输出,100 万上下文,Low/medium/high/xhigh 四档。已进 Gemini API、AI Studio、Gemini for Business、Antigravity,Gemini 应用里对 Pro/Ultra 开放。

成绩(厂商口径):AA 智能指数 xhigh 档 61 分(全球第三);AA 编程 Agent 指数 58.6 分(第一);Terminal-Bench 4.1 65.2%;FrontierCode 2.0 默认高档 46.2%;SWE-sweep 在 mini-SWE harness 仅 12.8%,换到 Antigravity harness 后 39.0%(三倍);Vals Index 70.9%(第二);Agent Arena 1336(第二,4200+ 真实会话);HLE-Diamond 71.3%;Terminal-Bench Science 70.5%;RiemannBench 84.0%。 编排是重点:在 Antigravity 里可当”调度员”,指挥并行的 Hydrogen 子 agent,减少重复读文件、做上下文压缩。安全侧另有 Neon for cyber:AutoBaxBench 困难档 76%、WebExploitBench v1.2 51.26%、SEC-bench Pro 90.5%、CWE-bench v2 70.7%(比 Carbon +3.4pp),经 Fairwind 计划定向发放;Gray Swan 提示注入基准在 xhigh 档 0% 攻击成功率。

为什么值得关注 真正的信号不是名次,而是同一个模型既当执行者又当指挥者。过去多 agent 编排要靠外部框架手写调度逻辑,现在调度被内建进模型层,再用四档推理做成本分层——竞争从”单模型多强”推进到”谁来做总指挥、谁来付账”。

要打折看的地方(本期最该记住的一条)


四、浙大 × 宇树开源 Movens-5M:500 万条动作,把”人类视频”变成机器人教材

事件(11/18 开源发布,论文 arXiv 2610.41877 于 10/30 挂出) 浙江大学与宇树具身智能联合实验室等团队开源预训练数据集 Movens-5M:500 万条经宇树 G1 仿真执行验证的机器人动作 + 1500 万条人体动作,总时长 超 1 万小时,覆盖家务、健身、户外休闲等 16 类场景、297 种细粒度动作。

做法:五阶段自动化管线——片段生成 → 质量过滤 → 语义标注 → 动作恢复 → 物理精修;把文本、视频、语音、音乐与机器人动作做多模态对齐。训出的 Movens-Zero 可接受文字 / 视频示范 / 语音 / 音乐四种输入,生成 G1 全身动作并实时闭环执行,已在真机验证。

规模曲线(最有说服力的部分):训练数据从 1% 扩到 100% 时,文本-动作匹配 R@3 12.72% → 62.57%;视频动作误差 MPJPE 132.82mm → 40.90mm(-69.2%);语音匹配 13.98% → 74.30%;跟踪分 0.21 → 0.72;动作专家从 64.2M 扩到 910.5M。权重与数据在 HF(wendell0218/Movens-5M)。

为什么值得关注 具身智能最短的那块板一直是数据:互联网视频海量但用不了,真机采集又慢又贵。Movens-5M 的价值是把”看视频学动作”这条廉价路径做成可验证、可真机跑的供给——仿真执行验证 + 物理精修用来填 sim-to-real 的沟。对中小团队,这是省掉几个月采集成本的基础设施;对行业,数据层竞争的关键从”谁有真机”转向”谁会处理视频”。

要打折看的地方 500 万条是规模不是质量;复杂家庭场景泛化、长程稳定性、训练数据的版权与隐私都还在;62.57% 的匹配率不等于”能上岗”。开源也会加速同质化,差异化会更快转移到硬件成本与场景渠道。


五、FlipTest:11 个视频世界模型,答得比瞎猜还差

事件(arXiv 2611.19822,11/15 提交、11/17 批次公示、11/19 中文详解) Google DeepMind(13 位作者中 11 位)+ UT Austin + UC Berkeley,提出《The Flip Test: Video World Models Fail to Learn the World State》。

怎么测的:不看”生成的视频像不像”,而是构造视觉”最小对”——盒子停在桌沿内几毫米 vs 探出几毫米,一个不掉、一个掉。共 1680 个起始帧(10 个仿真 + 15 个真实任务)。如果模型真读出了世界状态,初始画面跨过临界点时,它的预测必须跟着翻转。

结果:11 个模型全部不及格。平均配对准确率 18.3%,低于二选一瞎猜的 25%;真实场景最好的一个 31.3%,仿真场景无一超过 5.3%。规模帮不上忙:物理 AI 专用模型 Cosmos3-Super 13.7%,与通用模型 Wan2.2 的 14.0% 基本持平。 最锋利的一个对照:允许模型用代码去测量画面而不是”用眼睛估计”时,跨边界步骤的准确率从 31.3% 跃升到 93.3%。

为什么值得关注 这是对上一条的冷静反面。数据在狂奔(500 万条、1 万小时),但世界模型对物理状态的读取仍停在原地——看起来合理的像素,不等于被正确持有的状态。一个对桌沿内外预测出相同未来的模型,不能用来做基于规则的决策。而”用代码测就准”这个对照把瓶颈精确定位在状态读取、不是数据量,等于把”工具调用 + 精确感知”这套工程手段重新推回中心——这恰好和本期 Performance Factory 的”用工具验证而非靠感觉”是同一条思路。

要打折看的地方 预印本 v1,评分依赖裁判模型,作者自己标注代码与数据”expected Dec 2026”、尚未放出,所以以上数字暂不可复现;“仿真无一超过 5.3%“与”真实最高 31.3%“的落差可能与两类任务的临界粒度设计有关,需等代码才能判断。


附注(简讯,含已报条目的口径修正)


待跟踪

时间事项
11/20–12/11Anthropic 指数快速纳入窗口,被动买盘约 181–209 亿美元
11/25 14:00小鹏「Origin 原点」科技日(IRON 量产与交付节奏)
11/30华为云 CloudRobo-WM1.2 权重与推理/后训练代码是否真上线
12/1Gemini 4 Carbon/Argon 促销价到期,涨至 $4/$20——Neon 的真实性价比到这天才能算
12/1–2Humanoids Summit(Optimus 是静态还是动态、是否开放预订)
12/11人形机器人信息安全强制国标征求意见截止
12/15Anthropic 第二批 3 亿股解禁
12 月FlipTest 代码与数据放出(作者标注 expected Dec 2026)
待定OpenAI 是否放开 agent 独立上线低风险修(merge 按钮是否移动)

本期口径提醒:① Anthropic 市值有两个股本口径(1.27 万亿 / 1.5 万亿),华泰的解禁与被动资金金额均按 74 美元中值测算,非最终 83 美元定价;② Gemini 4 Neon 的”省 32%“是官方 high 档口径,“省 17%“是第三方按 AA 单任务折算,差异来自思考档位;③ Movens-5M 论文 10/30 挂 arXiv、11/18 才是开源发布节点;FlipTest 11/15 提交、11/17 公示、11/19 中文详解,代码未放出。