FlashProve：用密码学证明回答出自哪个模型

概览

本期共 9 条，前 3 条为今日重点；正文按板块展开。

热门模型动态

1. 重点 · FlashProve：Anthropic 用密码学证明回答出自哪个模型
2. 重点 · Kimi K3 在 Amazon Bedrock 开放印度境内推理
3. 重点 · OpenAI：ChatGPT 与 Codex 用于 CAD、PCB 设计和仿真
4. Altman：印度已超过美国，成为 OpenAI 最大市场
5. Kimi 推出游戏开发方案：K3.1 智能体直接改 Unity、Unreal 和 Blender 工程

全球 AI 资讯

6. 英伟达三项优化叠加，DGX Spark 上 Ling-3.0-flash 解码吞吐提高 42.5%
7. 斯坦福研究：50 条常被引用的 LLM 结论，44% 已经「过期」

区域与早期信号

8. 百度发布世界模型 Apollo World，已用于萝卜快跑测试
9. 极智嘉公布「24/7 自主智能仓计划」，人形机器人试点拣选效率达人工 2 倍

九凤根据本期已引用来源整理。

热门模型动态

Anthropic 正在开发开源系统 FlashProve，让任何人都能核验一条回答是否真的来自它声称的模型。

据 Anthropic 周二发布的研究文章，FlashProve 要实现的是「可证明推理」（provable inference）：给一条输出附上密码学证明，也就是一种数学保证，证明它来自某个特定模型。按 TechCrunch 的转述，即使冒充者就是训练和运营该模型的实验室本身，这套机制也应当成立。

研究人员举了两个场景：防止 AI 公司为省钱偷偷换上更便宜的模型，或者为抬高评测成绩换上更贵的模型。系统计划以开源形式提供。

局限：报道用的说法是「正在开发」「将能」，FlashProve 还不是已上线的功能。原文没有给出生成证明带来的延迟和算力开销，也没说明支持哪些模型、什么时候可用。

来源：有原始出处 Anthropic · TechCrunch

Kimi K3 的推理现在可以全程留在孟买和海得拉巴两个区域，满足印度的数据驻留要求。

AWS 宣布，Kimi K3 在 Amazon Bedrock 上原本支持全球推理和美国境内推理，现在增加了印度境内推理，处理过程只在 Mumbai 与 Hyderabad 区域内进行。AWS 介绍 Kimi K3 是 Moonshot AI 的多模态开放权重基础模型。

• 客户案例：Ultrahuman 称，Bedrock 上的 Kimi K3 让他们通过现有 API 多接入了一个开放权重模型；其应用内健康助手 Jade 每天处理超过 14,000 次对话
• 客户自报效果：开启提示缓存后 LLM 成本降低 80%，多轮对话速度提高 85%
• 示例代码：AWS 在 GitHub 公开了印度语种文档 OCR 示例

局限：「前沿级编码与智能体能力」是 Moonshot AI 发布时的说法，AWS 只是转述；80% 和 85% 这两个数字来自单一客户的引述，不代表普遍效果。

来源：有原始出处 AWS Machine Learning Blog · GitHub 示例

OpenAI 称 ChatGPT 和 Codex 已用于机械设计、电子工程和仿真，合作方包括 Chip Ganassi Racing 和 Mazda。

OpenAI 11 月 3 日发布研究文章，列出了模型参与的工作：CAD 修改、印制电路板（PCB）设计、制造图纸和设计评审。RuntimeWire 认为，这意味着 ChatGPT 和 Codex 从软件生产延伸到了一旦出错就会带来制造成本的领域。

局限：据 RuntimeWire 报道，OpenAI 自己做的原型在公差和装配上仍需人工修正，公司也明确要求人工审核。原文没有给出效率或错误率之类的量化数据。

来源：有原始出处 OpenAI · RuntimeWire

Sam Altman 在访谈中确认，印度的 OpenAI 用户数已超过美国，而且仍在快速增长。

Altman 在 11 月 3 日接受 Raj Shamani 访谈，被问到印度是否已超过美国时，他回答「Yeah」。他的解释是：经济增长更快、未被满足的需求更多的国家，比发达经济体更愿意接受 AI，所以他在印度遇到的人比在美国遇到的人对 AI 更乐观。

局限：这只是访谈里的一句口头确认。报道没有给出具体用户数，也没说明「最大市场」是按用户数、活跃度还是收入算的。

来源：单一报道 RuntimeWire

Kimi 把 K3.1 模型和 Kimi Code、Kimi Work 两个智能体组合起来，直接修改游戏引擎和 3D 工具里的工程，其中一次无人值守运行持续了 20 小时。

据 Pandaily 报道，这套游戏开发与创意方案由 K3.1 系列模型驱动，Kimi Code 和 Kimi Work 智能体可以直接编辑 Unity、Unreal Engine 和 Blender 项目。报道提到了一次持续 20 小时的无人值守运行。

局限：目前只有这一篇报道。原文没有给出价格、开放范围和支持的引擎版本，也没说明那次 20 小时运行的产出质量如何。

来源：单一报道 Pandaily

全球 AI 资讯

英伟达在一台桌面级 DGX Spark 上跑 124B 的 MoE 模型，叠加三项优化后解码吞吐提高 42.5%，没有测出准确率变化。

英伟达技术博客用蚂蚁 inclusionAI 的 Ling-3.0-flash 做测试，叠加了三项优化：新的 MoE 内核后端、FP8 输出层和内置的投机解码。在全部 1,319 道 GSM8K 题上，解码吞吐提高 42.5%，准确率的变化在统计上检测不到。

• 规模：总参数 124B，每个 token 激活 5.1B
• 上下文：原生 256K
• 层结构：共 42 层，其中 35 层 KDA 线性注意力层、7 层 MLA 层
• 测试版本：Ling-3.0-flash-fp4

局限：结果只针对单用户请求，准确率也只在 GSM8K 一个基准上核对过。DGX Spark 是桌面设备，不是数据中心节点，结论不能直接套用到批量服务场景。

来源：有原始出处 NVIDIA Developer Blog · Hugging Face 模型页 · MarkTechPost

关于大模型「做不到什么」的结论过期最快；在能估算过期时间的结论里，平均只撑了 15.7 个月。

斯坦福的 Owen Queen 与 James Zou 用 20 个模型重新检验了 50 条被广泛引用的 LLM 结论。这些模型来自 8 家开发者，发布于 2024 年 7 月至 2026 年 9 月之间。

在能估算过期时间的 22 条结论里，平均寿命为 15.7 个月。发表一年后有 16% 过期，两年后升到 39%。推理类的 9 条结论中有 5 条已经过期，没有一条仍成立或增强，其中包括数「strawberry」里有几个字母这类老问题。

局限：研究只覆盖了 50 条结论和 20 个模型。作者建议论文写明所用的模型、版本和测试日期，并公开提示词和分析代码，方便以后在新模型上复测。

来源：单一报道 The Decoder

九凤根据本期已引用来源整理。

区域与早期信号

百度 Apollo 披露了面向物理 AI 的全模态世界模型 Apollo World，它把虚拟交通参与者都建模成智能体，用来验证无人驾驶系统。

百度在 11 月 3 日深圳 AI Day·Apollo 专场上首次披露 Apollo World，同时提出了世界模型的「2+3」判断标准。「2」是两项基础门槛：因果性和交互性；「3」是三项增益指标，包括物理准确性和持久性等。该模型已用于萝卜快跑的全球化测试与验证，萝卜快跑端到端全无人运营里程已超过百万公里。百度称，无人驾驶的安全决策周期要严格控制在 1/30 秒以内。

局限：目前只有中文媒体报道，没有论文或开源发布。「日行十万公里」是行业人士的分析，不是百度公布的实测数据。

来源：单一报道 雷锋网

极智嘉要让 AI 接管整座仓库的调度和运营，并公布了在施耐德上海物流中心的试点数据。

极智嘉（Geek+）发布《24/7 自主智能仓计划》，分三步推进全仓自主化。技术底座是自研的 Gravity 统一具身智能框架和 Gravity 4D 具身世界模型。在施耐德电气上海物流中心的试点中，人形机器人 Gino 1 与移动机器人协同完成拣选，效率达到人工的 2 倍，准确率超过 99.99%。

局限：数据由厂商提供，报道带有推广性质，没有说明试点的规模和时长，也没有第三方核验。

来源：单一报道 量子位