AI 热点资讯

Claude Fable 5.2 发布,降价并提速最高 30%

核心速览
  • •Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2,输入价每百万 token 8 美元,并已上架 Bedrock
  • •Meta 推出小模型 Muse Ember,输入价 0.1 美元
  • •Nemotron 3.5 Super VL 上架 SageMaker
  • •另有 OpenAI dots 多机调度、HOPE 专家剪枝等。
2026年11月10日
14 分钟阅读
本文目录

概览

本期共 8 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 · Claude Fable 5.2 与 Mythos 5.2 发布:输入每百万 token 8 美元,比 5.1 最高快 30%
  2. 重点 · Meta 发布 Muse Ember:输入每百万 token 0.1 美元,承接智能体的大批量工作

全球 AI 资讯

  1. 重点 · OpenAI dots 可以把任务分到多台本地电脑上跑
  2. Bedrock 托管知识库新增单次 RAG 和纯检索模式
  3. 亚马逊开源 MoE 专家剪枝方法 HOPE,不需要重新训练
  4. 主导加州 AI 法案的 Scott Wiener 拿下佩洛西的众议院席位

区域与早期信号

  1. 腾讯首席 AI 科学家姚顺雨:开源与闭源应该混合,生物风险更难防
  2. Elith 与英伟达发布日本金融合成人设数据集 Nemotron-Personas-Finance-Japan
2026-11-10 AI 热点信号地图

九凤根据本期已引用来源整理。

热门模型动态

01/08

Claude Fable 5.2 与 Mythos 5.2 发布:输入每百万 token 8 美元,比 5.1 最高快 30%

新模型 · 发布榜 →

持续追踪:Claude 动态 →

Anthropic 推出 Claude Fable 5.2 和 Claude Mythos 5.2,称多数测试超过 Opus 5.5,价格低于上一代,AWS 当天上架。

Anthropic 11 月 9 日宣布 Claude Fable 5.2 和 Claude Mythos 5.2 即日可用,定位是编程、推理和视觉方面的高难度技术工作。据 RuntimeWire 报道,Anthropic 称新模型在多数测试中超过 Opus 5.5,比 5.1 系列最高快 30%。

档位输入(美元/每百万 token)输出(美元/每百万 token)
标准模式840
快速模式1680
  • 长任务:AWS 介绍称 Fable 5.2 会自己检查输出,可以无人值守连续运行数小时到数天
  • 对齐测试:Anthropic 的测试显示,Mythos 5.2 的幻觉比 Opus 5.5、Sonnet 5.5、Mythos 5.1 少,汇报问题也更如实;Anthropic 预计 Fable 5.2 表现接近
  • 可用性:两款模型已上线 Amazon Bedrock 和 Claude Platform on AWS;Mythos 5.2 只通过 Anthropic 的验证计划开放,限网络安全和生命科学方向的授权工作

局限:性能和速度数据都来自 Anthropic 自己的测试,目前还没有第三方复测。Fable 5.2 的对齐表现是 Anthropic 根据 Mythos 5.2 的结果做的推断,不是单独测出来的。

Claude Fable 5.2 与 Mythos 5.2 发布:输入每百万 token 8 美元,比 5.1 最高快 30%:输入(美元/每百万 token)、输出(美元/每百万 token)

九凤根据本期已引用来源整理。

来源:有原始出处 Anthropic · AWS Machine Learning Blog · AWS 入门 notebook · RuntimeWire

02/08

Meta 发布 Muse Ember:输入每百万 token 0.1 美元,承接智能体的大批量工作

新模型 · 发布榜 →

Meta 推出 Muse Ember,输入价每百万 token 0.10 美元,主打智能体里重复、量大的调用。

据 RuntimeWire 报道,Meta 把 Muse Ember 定位为智能体批量任务的执行模型:Muse Wonder 负责规划,Ember 承接大量重复执行。扎克伯格在 X 上发布了这款模型。

报道援引 Artificial Analysis 的数据称,按单任务成本计算,Ember 比 Haiku 和 Luna 更便宜,也更聪明。

局限:「更便宜也更聪明」是 Meta 的定位说法,报道以 Artificial Analysis 的单任务成本数据作支撑。按单位成本比较占优,不等于每类任务的绝对表现都更强。

来源:有原始出处 Mark Zuckerberg on X · RuntimeWire

全球 AI 资讯

03/08

OpenAI dots 可以把任务分到多台本地电脑上跑

持续追踪:OpenAI 动态 →

同一个 dot 现在可以连接多台本地电脑,并按任务选择用哪台机器执行。

OpenAI 开发者账号 11 月 9 日在 X 上宣布了这项变化,官方文档也同步更新。dots 是 OpenAI 的常驻智能体。官方举的例子是:开发者继续在笔记本上写代码,dot 在另一台专用机器上构建和测试应用。

据 RuntimeWire 报道,这样一来,依赖特定本地工具链的工作也能交给 dot,比如 Xcode 构建和旧版 SDK 测试。

局限:报道没有说明一个 dot 最多能连几台电脑,也没提这项功能对哪些套餐开放、有没有额外费用。

来源:有原始出处 OpenAI Developers on X · RuntimeWire

04/08

Bedrock 托管知识库新增单次 RAG 和纯检索模式

Amazon Bedrock Managed Knowledge Base 的 AgenticRetrieveStream 接口新增单次 RAG 和纯检索两种模式,与原有的智能体式检索并存。

单次 RAG 模式只检索一次知识库,再由基础模型根据检索到的段落生成回答。纯检索模式只返回匹配的段落、不生成回答,原文交给应用或用户直接处理。

AWS 的思路是:同一个助手里,简单问题走便宜快速的单次检索,跨多份文档的复杂问题走多轮智能体检索,不用分别搭两套系统。文章还介绍了 maxAgentIteration 参数怎么用。

局限:AWS 的文章以银行业务场景举例,没有公开各模式在延迟和成本上的量化对比。

来源:有原始出处 AWS Machine Learning Blog

05/08

亚马逊开源 MoE 专家剪枝方法 HOPE,不需要重新训练

HOPE(Higher-Order Pruning of Experts)直接删掉 MoE 模型里作用最小的专家,降低推理时的显存占用。

亚马逊研究者在 Hugging Face 博客上举例:Qwen3.5-122B 的 48 个 MoE 层每层有 256 个专家,约 250 GB 参数内存里 95% 是专家 MLP,但每个 token 每层只用到 8 个专家。

和动态加载、卸载专家相比,剪枝没有额外延迟问题,也不需要训练。代码已经以 Python 包的形式发布在 GitHub。

局限:剪枝是永久删除专家。不同剪枝比例下的精度损失要看原文和代码仓库里的实验,本文没有转述。

来源:有原始出处 Hugging Face Blog · GitHub: awslabs/HOPE

06/08

主导加州 AI 法案的 Scott Wiener 拿下佩洛西的众议院席位

曾在加州参议院起草前沿 AI 风险法案的 Scott Wiener,赢下旧金山的国会选举,可能参与制定联邦 AI 政策。

据 MIT Technology Review 报道,Wiener 以微弱优势赢得前众议院议长南希·佩洛西空出的旧金山席位。他当选几小时后接受了采访,20 分钟里多次提到「递归自我改进」。

他提到 METR 前一天发布的报告。这份报告被普遍解读为 Anthropic 已经实现递归自我改进的证据,Wiener 称这「非常令人担忧」。他说原本希望国会在今年底前果断立法,但现在看来不会。

局限:以上来自单篇采访报道,是 Wiener 当选后的个人表态。

来源:单一报道 MIT Technology Review

区域与早期信号

07/08

腾讯首席 AI 科学家姚顺雨:开源与闭源应该混合,生物风险更难防

姚顺雨认为,AI 很快就有能力协助开发生物武器,但只靠完全开源或完全闭源都解决不了这个问题。

据 The Decoder 转述《南华早报》的报道,曾在 OpenAI 工作的腾讯首席 AI 科学家姚顺雨主张开源和闭源模型并存,让各方都能把技术用在防御上。他认为在生物领域,攻击和防御能力比在网络安全领域更难分开。他还认为中美模型差距不大,整个行业都应该谨慎推进。

他举了 Hugging Face 一次安全事件的例子:Claude 等闭源模型出于安全过滤,拒绝分析攻击命令,Hugging Face 改用 GLM-5.2 解析日志。

局限:这是个人观点,经过媒体二次转述,没有附带具体的政策或产品计划。The Decoder 也专门讨论了 Hugging Face 这个案例能说明什么、不能说明什么。

来源:有原始出处 Hugging Face 安全事件报告 · The Decoder

08/08

Elith 与英伟达发布日本金融合成人设数据集 Nemotron-Personas-Finance-Japan

这个数据集把日本官方人口统计与家庭财务、金融素养数据结合起来,生成合成人设,用于日本本地的金融 AI。

数据集由 Elith 和英伟达联合在 Hugging Face 发布,用 NeMo SDG-PGMs 工具生成,以日本政府官方统计数据为基础。按发布方的说法,它面向需要满足本地和行业要求的日本开发者;GitHub 项目说明把它和主权 AI 开发联系在一起。

局限:人设全部是合成数据,不对应真实个人。数据集规模和许可证要以 Hugging Face 数据卡为准,本文没有核实。

来源:有原始出处 Hugging Face Blog · GitHub: NeMo SDG-PGMs

本文由 AI 根据文中所附信源整理,经自动事实核查后发布,发布前未经人工逐篇审核;如与原文不一致,以原始出处为准。了解本日报的制作方式或报告错误:关于本日报

用 JIUFENG 自己生成一张

在浏览器里创作 AI 图片与带声音的视频:输入提示词、选择模型、直接下载成品。注册即送 5 积分,无需信用卡。

免费开始创作