Anthropic 自建代码系统日合并量半年增 12 倍，Grok Bot 与 Gemini 4 密集更新

要点速览

1. Anthropic 称其自建源代码控制系统 5 月日均合并约 2,500 项变更，9 月已超 30,000 项，并用五个月完成 monorepo 从 git 的完整迁移。
2. 马斯克集中转发 Grok Bot 的用户反馈与记忆转移功能，称其可替代搜索、自动化与云代理，并支持从 Claude/ChatGPT 迁移用户信息。
3. Google 与 BIDMC 合作的 AMIE 研究登上《柳叶刀》主刊，在真实急诊患者中鉴别诊断与医生最终诊断一致率为 90%。
4. Gemini 4 Argon 面向 Gemini App、搜索的 Ultra 与 Pro 订阅用户推出，并在 Antigravity 面向 Ultra 用户上线。
5. Mistral Large 4 在 sudo L7 基准测试得分 13.3%，高于 Muse Spark 1.3 与 Grok 4.7；Mistral 同时宣布参与首个 AI 卫星星座项目。
6. Hugging Face 的 transformers serve 新增决策端点，oQe 量化模型更新使代码任务 KL 散度降低 11.6–18.1%。
7. Perplexity 披露 Projects 文件系统按面向 agent 的 Git forge 构建，提交冲突率低于 2%。

一、AI 模型与基础设施

1. Anthropic 称近几个月在降低针对 Claude 的蒸馏攻击有效性方面取得显著进展，并发布文章说明具体做法。其工程博客同时披露，自建源代码控制系统 5 月日均合并约 2,500 项代码变更，9 月日均合并超过 30,000 项，原有面向人类而非智能体规模设计的开发者基础设施因此成为瓶颈；该公司用五个月构建新版本控制系统，并将 monorepo 从 git 完整迁移。1 2
2. Google 与 BIDMC 合作的 AMIE 研究在《柳叶刀》主刊发表，被称为首个在真实诊所中面向患者的对话式诊断前瞻性研究，AMIE 是供患者在就诊前对话使用的研究系统。在真实急诊患者中测试显示：临床医生报告 AMIE 摘要帮助其在 75% 的病例中为就诊做准备，并在超过一半的病例中影响了诊疗方式；AMIE 的鉴别诊断与医生最终诊断的一致率为 90%。该账号称这是 Google 首次在《柳叶刀》主刊发表论文。1 2
3. Gemini 4 Argon 被 Demis Hassabis 称为在知识工作和编程方面表现出色，并提到让其创建巫师棋游戏以展示物理理解与 3D 建模能力。Argon 当天面向 Gemini App 和搜索的 Google Ultra 与 Pro 订阅用户推出，并在 Antigravity 面向 Ultra 订阅用户推出。Ethan Mollick 称其在发布前花了不少时间使用 Gemini 4，认为其较前代 Gemini 大幅跃升，是首个通过 Fable/Mythos/Astra 门槛的非 OpenAI/Anthropic 模型，也比 Gemini 3 系列更讨喜、更具 agentic 能力且没有怪异人格问题；但他认为它在复杂多智能体工作等方面落后，且倾向对结论过于确定、有些懒惰，Antigravity harness 也不如竞争对手。1 2
4. Mistral AI 的 Mistral Large 4 已加入 sudo L7 基准测试，得分 13.3%，高于 Muse Spark 1.3 的 12.2% 和 Grok 4.7 的 10.6%；该基准测试面向资深软件工程能力，考察编码代理在混乱系统中导航、识别隐藏风险以及判断技术上正确但不应发布的代码等能力。Mistral 同时表示其模型已进入轨道，参与 Orbitworks Space 与 Loft Orbital 的首个 AI 卫星星座项目，并与 NVIDIA AI Infrastructure 合作；被引用推文称 Orbitworks Space 数周前发射了由 50 颗卫星组成的 AI 星座中的首颗 Altair，目标让用户在数分钟内收到 AI 生成的警报。1 2
5. Hugging Face 的 transformers serve 新增 /v1/systemone 端点，可将任意 LLM 或 VLM 转为决策模型：用模型 logits 对一组决策打分，无需生成文本；转发称该能力覆盖 250 个 LLM 与 VLM 模型，并称决策模型标准化即将在 transformers 中推出。基于 EmbeddingGemma 2 的新模型 Typed Decision 输入状态加任意问题 schema，输出类型化、校准的答案（choice、score、noul），无需文本生成或输出解析；在 typed-decisions 上得 76.4%，参数量约为 27B LLM 的 1/100，落后约 6 个百分点。1 2 3
6. oQe 量化模型更新：全部 oQe 模型采用改进的 oQe Quantization，需 oMLX 0.7.1 及以上；相比旧版，代码任务 KL 散度降低 11.6–18.1%，散文任务降低 10.2–13.8%。具体如 Qwen3.8-27B oQ4e 代码 0.0143→0.0117（-18.1%）、散文 0.0696→0.0600（-13.8%）；Qwen3.8-Flash-Next oQ4e 代码 0.0877→0.0776（-11.6%）、散文 0.1909→0.1713（-10.2%）。改进模型共 69 个，已下载旧版 oQe 的用户需重新下载。1

二、Agent 与开发者工具

1. 马斯克集中转发多条关于 Grok Bot 的用户反馈并附简短评论，称“Grok @Bot rocks”“Try @Grok @Bot It gets better every day”“Give Grok @Bot your hardest tasks”等。被引用内容称 Grok Bot 可替代搜索、Hermes 自动化和 Cursor 云代理，能审 PR、合并代码，连接器最多，VM 接入 tailscale 并可经 ssh 访问所有机器，能在终端启动 Claude Code 或 Codex 代理、按需创建其他 bot；有用户称其规划并预订里斯本行程、用其银行卡完成支付，有用户称与 bot 进行 30 分钟“电话”处理约 20 封邮件、安排日历、写提案、订午餐、订并支付酒店、安排去机场的出租车，有用户称 Grok Bot 修复客户 bug 并自主发布，有用户称已把 71 个大型客户带到 Grok Bot，有用户称 Grok Bot 让其取消 7 个 SaaS 订阅，有用户称运行 62 个代理、29 个定时例程。1 2 3 4 5 6 7 8 9 10
2. 马斯克转发关于 Grok Bot 记忆转移的内容称，该功能可将 Claude 或 ChatGPT 了解的用户信息迁移过来，方式为向旧聊天粘贴一条提示并发送回答，或导入完整 ChatGPT/Claude 数据导出；所有条目需逐条共同审核，只有保留的才保存，并标注来源和时间，其他 AI 的猜测不会成为事实，已保存内容除非用户同意否则不被覆盖。1
3. Perplexity Projects 的文件系统被构建为面向 agent 的 Git forge：每个 agent 在独立沙盒中工作，并提交到共享仓库，供人和其他 agent 跨会话在其工作基础上继续构建。Aravind Srinivas 称每个 Perplexity Project 都是 Git 仓库，因无需人工审批而省去 GitHub 的臃肿；每个 agent 获得短生命周期沙盒并提交到 S3 上的共享仓库，提交冲突率低于 2%。他还称 agent 用普通 ls 和 grep 搜索，在金融文档分析的答案准确率上以 63% 对 37% 胜过语义搜索。1 2
4. Anthropic 的 @cjav_dev 与 @HarrisonStall 在 AIE NYC 演讲，借鉴 Unix 和 Linux 的经验，讲解 agent 如何在不给开发者造成过重负担的前提下处理更大规模的项目。Bridgewater 的 Aaron Linsky 与 Sam Green 在 AIE NYC Day 2 介绍其构建的 Vault：面向“investor agents”的非结构化与结构化数据存储库。AIE NYC 设有“Compute Trading Microtrack”，主讲者包括 SFCompute CEO @evanjconrad、@dylan522p 团队的 Oliver Kennon、Jump 新任 Compute Trading 负责人 @affaan 与 @absurdistphil、Compute Exchange + Silicon Data CEO @carmenli；该场次已售罄，仅提供直播。1 2 3
5. Hamel Husain 转发内容：其 CTO 兼联合创始人 @benhylak 与其讨论了用 Raindrop Simulations 测试 agent 的方法，并提出“我的改动会改变什么”这一测试思路。新博客文章介绍 Quail 如何用 LLM 分类文档，速度约为基线的 1.8 倍；多数系统让推理引擎以自由文本生成标签再解析，而 LLM 逐 token 生成、每步解码受内存带宽限制，导致 GPU 大部分时间空闲。Amp 现在可在编写代码的线程中接收 GitHub 评审、评论和 CI 结果；从 Amp 线程创建 PR 后会自动订阅，无需离开 Amp 应用。1 2 3

三、航天、算力与产业动态

1. 马斯克转发一篇长文，作者称让 @bot 仅用 SpaceX 官方素材梳理从 Flight 1 到 Flight 14 的 Starship 发射原始影像，醒来得到 11 分钟视频；作者按 14 次飞行逐条回顾，包括 2023 年 4 月 20 日 Flight 1 升空约 24 英里后解体并损坏发射台，2023 年 11 月 18 日 Flight 2 全部 33 台助推发动机点火成功并首次热分离，2024 年 3 月 14 日 Flight 3 首次尝试从太空再入并在太空打开载荷门，2024 年 6 月 6 日 Flight 4 助推器受控溅落、飞船带受损襟翼返回，2024 年 10 月 13 日 Flight 5 首次空中捕获 Super Heavy 助推器，2024 年 11 月 19 日 Flight 6 首次在太空重启 Raptor 发动机，2025 年 1 月 16 日 Flight 7 新代 Starship 首飞并第二次捕获助推器但飞船解体，2025 年 3 月 6 日 Flight 8 第三次捕获助推器但飞船再次失联，2025 年 5 月 27 日 Flight 9 首次发射已飞过的 Super Heavy 助推器，2025 年 8 月 26 日 Flight 10 首次部署 8 颗 Starlink 卫星模拟器，2025 年 10 月 13 日 Flight 11 该版本最后一次飞行，2026 年 5 月 22 日 Flight 12 Starship V3 首飞，2026 年 7 月 24 日 Flight 13 首次部署 20 颗真实下一代 Starlink V3 卫星，2026 年 9 月 28 日 Flight 14 实现入轨并部署 26 颗真实 Starlink V3 卫星、马斯克后确认 26 颗均在运作；作者称马斯克周五表示 SpaceX 市值超过 1000 万亿美元是可能结果，而此前他并不相信，并称 $SPCX 目前约值 2.2 万亿美元。1
2. 马斯克转发 Falcon 9 从加州发射 27 颗 Starlink 卫星的消息，并转发确认 27 颗 Starlink 卫星部署完成。马斯克还转发称，Falcon 9 将 Dragon 发射至空间站，Dragon 定于美东时间当天早上 6:33 发射，为 Expedition 75 乘组运送超过 6300 磅科学物资、补给和卷式太阳能阵列。1 2 3 4 5
3. 马斯克转发 Starlink 相关消息：韩国庆尚北道政府将 Starlink 引入消防服务，用于偏远山区保护生命，庆尚北道消防本部在一辆指挥车上装备 Starlink 进行试点，帮助队伍在野火、洪水和台风期间共享画面并协调应急响应；另一条称 Starlink 帮助在海上救下五人，一艘名为 Magic Bus 的船在距北卡罗来纳海岸远处风暴中下沉，船长用无线电呼救无果后用 Starlink Mini 连接手机呼叫美国海岸警卫队，五人乘救生筏离开沉船，救援直升机将所有人安全带回。马斯克还转发称，尼日利亚拉各斯州政府向全州孤儿院和儿童之家分配 1500 套 Starlink 套件以加强儿童福利，BEB 正与州政府合作。1 2 3
4. 马斯克引用 Robotaxi 服务更新称“Robotaxi improvements”，被引用内容列出：运营时间现为早 6 点至晚 11 点；因供给增加和调度算法改进，等待时间缩短；行程结束时后备箱若被使用会自动打开；Grok @bot 现已在 Cybercab 中可用。马斯克还引用特斯拉在受飓风影响地区提供免费超级充电的消息，仅回复“Of course”。1 2
5. NVIDIA 宣布为 Windows PC 举办 RTX Spark 全球发布活动，覆盖北京、柏林、伊斯坦布尔、首尔、旧金山和台北六座城市，现场提供新笔记本演示、周边礼品，并有机会赢取黄仁勋签名的 ASUS ProArt P14 RTX Spark 笔记本；具体活动细节和参与方式将后续公布。NVIDIA 称法国开发者、研究人员和企业正使用其技术与开放模型将 AI 落地到从卫星到护肤等实际场景。黄仁勋到访巴黎 Build-A-Claw 活动，开发者与初创公司在此上手开放模型，构建自己的 AI 智能体。1 2 3
6. Fin 团队基于 NVIDIA Nemotron 3 Super 和 Nano 微调，推出新一代 Fin Apex 客服模型 2.0 系列。Fin 称这些模型运行快速高效，并观察到专用模型与通用前沿模型之间的性能差距在扩大而非缩小；其针对通用模型 Astra 的回测显示，Astra 在客服特定任务上仍不及 Apex，因此认为领域定制仍有较大空间。1

四、观点与行业观察

1. Ethan Mollick 认为，OpenAI 和 Anthropic 可能在“用不同能力层级的智能体组合来优化 AI 成本/智能比”上做得最好，前提是这些智能体经过专门训练、能在各自 harness 中良好协作。他提醒不要过度当真 Artificial Analysis Index 及其单项分数。他描述其 AI agent 主动客服案例：有人邮件反映订阅其 Substack 后被自动注册了其他订阅（本不应发生），其 Dot 在未被要求的情况下自行测试、尝试复现错误并查明了原因。1 2 3
2. Ethan Mollick 对比称，GPT-4 曾整整一年是全球无可争议的最佳模型，当时人们讨论是否有人能追上或 OpenAI 是否有秘方；如今已有 19 个可在现代智能手机上运行的 AI 模型优于 GPT-4。他引用 Anthropic 的提醒称，应关注 AI 能力阈值而非仅看平稳爬升；此例中的阈值是在非品牌电视等 IoT 设备上实现自我复制 AI 蠕虫所需的能力。1 2
3. Yann LeCun 转发 Francis Bach 的七段长文，核心观点：对“存在性风险”讨论占据公共话语主导地位感到不安，认为被忽视的关键问题是这类讨论对年轻人的影响，以及信息技术（始于十年前的社交媒体）对年轻人生活的广泛冲击。该长文引用 Jill Lepore 与一群大学生的讨论：学生称社交媒体彻底毁掉其童年、AI 正在摧毁其大学教育和就业前景，并追问“我们到底在干什么”；作者补充还听到过“因为存在性风险太高，我不打算要孩子”的说法。作者表示无意争论“超级智能”的定义或是否正在出现，承认解决极难数学问题等体现了令人印象深刻的能力，但主张这种智能无法与提供数据的人类集体相分离；作者将“超级智能出现后很可能想杀死所有人类”这类说法称为科幻，认为在缺乏严肃现实分析的情况下让其成为时代主导话语，对社会尤其对年轻人有害。1
4. 李开复 分享与 BCG Institute 的新播客，主张仅把 AI 当作降本工具是自我设限，更大机会在于放大营收、扩大利润率、加快规模化并打开新市场；其新书《AI Native: The Mandate to Transform Your Company》面向企业领导者提供相关思路。1
5. Aravind Srinivas 称，有单人公司每年在 Perplexity 上花费超过 100 万美元，该创业者通过为他人自动化新闻简报年入 300 万美元。他还称 Computer 能根据航拍照片对城市土地用途分类：在 Phoenix，它用 Perplexity 的 Decider API 分析了 203,883 块 USDA 公开影像瓦片，对照 OpenStreetMap 标注数据达到 98.8% 准确率，API 成本为 9.63 美元。1 2