晨报归档

AI 晨报 · 2026-11-10 期

模型不够用?Anthropic 自己说,换模型排在最后

本期导读 展开 / 收起
  1. 新模型发布当天,官方建议先别急着换
  2. 一千个智能体合作证明费马大定理,协作只靠五张数据库表
  3. 一家银行公布了智能体的验收数字,要看它是怎么量的
  4. 也值得一看
  5. 来源与说明

新模型发布当天,官方建议先别急着换

Anthropic 11 月 9 日发布 Claude Fable 5.2 和 Mythos 5.2。两者是同一个底层模型:Fable 带网络安全和生物方面的防护,所有人可用;Mythos 去掉其中一部分防护,只开放给通过验证的安全机构和生命科学机构[1]。Fable 5.2 的价格是每百万 token 输入 8 美元、输出 40 美元,正好是 Opus 5.5 的两倍[2]。

比发布本身更有用的,是同一天更新的选型指南[2]。它开头就给了结论:多数工作从 Opus 5.5 的默认档开始。Fable 留给大型重构、深度研究这类最难的开放任务,或者 Opus 开到高档仍然不够、需要长时间无人值守运行的时候。

指南还写了模型不够用时该按什么顺序处理,这是全文最值得抄走的部分:

  1. 先给模型一个检查自己结果的办法,比如一个测试、一段校验脚本。
  2. 还不行,把思考档位调高一级。
  3. 最后才换更大的模型,换上去之后从较低的档位开始。

背后的道理是,调高档位只能让模型想得更久、多查几遍,补不了它本来没有的能力。而一个能自动检查结果的任务,可以先全部用低档跑,只把没通过的重跑一遍高档。官方在一组编程题上的数字是:这样做通过约 97%,每题约 0.17 美元;全部用高档跑通过 95.3%,每题 0.29 美元[2]。

对自己搭工具的人,这意味着在换更贵的模型之前,还有两件更便宜的事可以先试。合同审查、表格核对这类工作大多写得出机器可查的校验:金额能不能勾稽,引用的条款编号是否存在,摘出来的原文是否真的在文件里。要提醒的是,上面的数字都是 Anthropic 自己测的,测的也是编程任务,搬到别的场景需要自己量一遍。

一千个智能体合作证明费马大定理,协作只靠五张数据库表

Anthropic 同一天公布了一个实验[3]:1000 个智能体(1 个负责人加 999 个助手)在 Lean 里完成费马大定理的形式化证明。实验没有给它们专门的协作平台,没有消息工具,也没有研究员中途指导。每个智能体只有一个断网的沙箱、自己的 Git 分支,以及一个大家共用的数据库。

负责人在前 10 分钟建了五张表:公告(给全队的指令)、分派(谁做什么)、笔记(认领工作和汇报进度)、子任务(谁先认领归谁)、已完成(成果记录)。此后的协作全靠这五张表和 Git。最终定理在第 28.7 小时证完,输出的 token 约为 9 月那次的三分之一;那一次用了专用平台和研究员指导,耗时 11 天。

有两个细节比结论更有参考价值。

第一,智能体普遍低估自己。开局不久,助手们把 60 条待证命题里的 47 条判为“预算内做不完”,负责人据此把它们搁置,后来其中大部分都证出来了。最难的那一条,负责它的组长最初估计按时完成的概率不到 1%。作者的结论是,智能体容易在难题上过早放弃,人在这种时刻的一句鼓励仍然有用。

第二,过程并不顺利。运行到大约第 18 小时停过一次,从存档恢复、追加 12 小时后才完成。作者自己把它叫作“玩具实验”,也说明专用工具仍然有价值。

这五张表可以当作一份现成的分工模板。里面没有复杂的调度逻辑,靠的是三条规则:任务公开,先认领的人负责,完成要留记录。想让几个智能体并行处理一批文件,可以先从一张认领表试起,再决定要不要上编排框架。

一家银行公布了智能体的验收数字,要看它是怎么量的

北方信托银行(Northern Trust)和微软 11 月 9 日宣布,一个处理机构客户入驻的智能体已经投入使用[4]。它做的事很具体:把新客户多年的投资和交易记录转换成银行的标准格式。这一步以前要准备约两周半,现在约 3 天。

公告里有一个 96.5%,很容易被读成“96.5% 的数据一次通过”。原文写的是 F1 分数,一个同时衡量“有没有漏”和“有没有错”的综合指标,而且只来自 7 个测试案例:拿脱敏后的历史客户表格让智能体处理,再和分析师早先做好的结果比对,这份标准答案在智能体干活时是看不到的。“3 天”则来自真实的入驻案例,算进了分析师复核和处理异常的时间,但公告没有说统计了多少个案例。

值得学的是验收办法和使用位置。验收用“真实的历史材料加上对 AI 保密的人工答案”,任何专业场景都能照做:手里有审完的旧合同、结完的旧项目,就有现成的考卷。使用位置选在客户正式上线之前,分析师逐份复核、处理异常并反馈意见,出了错来得及改。上线之后的错误率和成本,公告没有披露。

也值得一看

  • Meta 发布小模型 Muse Ember,定位是替智能体做重复性的执行工作:调用工具、信息抽取、路由、解析长文档。价格是每百万 token 输入 0.10 美元、输出 0.50 美元,官方称它以约三分之一的成本追平 Claude Haiku 5.5 的最好成绩[5]。和第一条放在一起看,Anthropic 和 Meta 都在推同一种配法:大模型做判断,小模型做执行。
  • 编程智能体在真实改需求上的成绩:阿里巴巴与几所高校的研究者用真实用户的修改请求出题,成绩最好的模型平均能完成约 70% 的要求,但整道题完全做对的只有 26.4%[6]。多数时候它做完大半,留下至少一处要人收尾。

来源与说明

  1. Anthropic,Claude Fable 5.2 and Mythos 5.2,2026-11-09
  2. Anthropic 开发者博客,Which Claude model should you build with?,2026-11-09
  3. Anthropic 开发者博客,Safely scaling multi-agent teams with Claude Fable 5.2,2026-11-09
  4. Microsoft News,Northern Trust and Microsoft Frontier Company collaborate to transform client onboarding through AI,2026-11-09
  5. Meta AI Research,Our Smallest, Most Efficient Model: Muse Ember,2026-11-09
  6. The Decoder,AI coding agents still need human cleanup on nearly three out of four tasks in a real-world test,2026-11-08。这一条是媒体报道,论文原文(arXiv:2610.35138)本期未读。

本期由 AI 检索并起草。第 1 至 5 条的事实和数字均回到所列原文核对过。

← 晨报归档