刚刚，Gemini 4 Carbon全面超越Opus 5.5！首发Token半价
HOT
10月29日，谷歌发布 Gemini 4 Carbon，官方评测称其在多项基准上全面超越 Anthropic 的 Opus 5.5，并宣布首发期 Token 半价。据量子位报道，Carbon 主打长时任务能力，可连续数日自主排查并修复代码 Bug，同时针对提示词注入攻击做了专门加固。这意味着旗舰模型的竞争焦点从单轮分数转向“能否长时间稳定干活、是否安全可控”，直接决定企业敢不敢把它放进生产流水线；半价则把价格战从轻量模型烧到旗舰层，对正在选型的开发团队与云厂商的议价空间影响明显。
Introducing GPT-6.1 Terra: Bringing fast and capable computer use to everyone
NEW
OpenAI 发布 GPT-6.1 Terra，官方定位是把“快速且可靠的电脑操作能力”带给所有人，即强化 computer use 型智能体。这是 GPT-6.1 家族的新成员，同系列此前已有面向代码与安全场景的 Sol 版本，被 CodeRabbit、Terminal X 等厂商采用。Terra 的关键在于把看屏幕、点鼠标、填表单做成通用能力，而非单点演示，使 RPA、客服后台、运营对账等大量依赖人工点击的环节首次具备规模部署可能。对开发者而言，评测标准也随之从问答准确率转向任务完成率，集成与护栏设计门槛同步抬高。
Personal Agent走向真实任务，蚂蚁百灵开源 Ling-3.1-flash-1019
DEV
10月28日，蚂蚁集团旗下百灵大模型正式开源 Ling-3.1-flash-1019，主打面向真实任务的 Personal Agent 能力。与常见对话型开源模型不同，该版本把重心放在智能体执行链路——任务规划、工具调用与多步执行，flash 后缀也暗示其在延迟与成本上做了取舍，更适合高频、轻量的个人助理场景。蚂蚁选择开源而非只提供闭源 API，一面借助社区反馈打磨 Agent 鲁棒性，一面为国内智能体生态提供可自部署底座。对中小团队而言，不依赖昂贵闭源接口即可搭建个人助理产品，但真实工具链上的稳定性仍待验证。
0营收估值200亿美元，具身版OpenAI又融10亿美元
HOT
据量子位10月29日报道，一家被称为“具身版 OpenAI”的机器人基础模型公司完成 10 亿美元新一轮融资，估值达 200 亿美元，而其当前营收为零，贝索斯与红杉均参与其中，创始团队出自斯坦福与伯克利。零营收对应 200 亿美元估值的反差，说明资本押注的不是当下商业模式，而是“机器人通用大脑”这一入口——一旦基础模型在真实场景收敛，硬件厂商将被迫围绕其生态站位。风险同样明显：具身数据获取成本高、落地周期长，若两三年内无法证明可复用的泛化能力，高估值将面临回撤。
OpenAI models are coming to Google Cloud
HOT
OpenAI 与谷歌云达成合作，其前沿模型与 Codex 工作流将接入 Gemini 的 Model Garden，并通过 Google Cloud Marketplace 提供。长期互为对手的两家公司选择在企业分发渠道上互通：客户可在既有谷歌云账户与合同下直接调用 OpenAI 模型，无需另行签约。对企业架构师而言，同一模型多云可调用降低了锁定风险，也让采购谈判更有筹码；对谷歌而言，Model Garden 从“只卖自家 Gemini”转向“模型超市”，短期或分流 Gemini 用量，长期则把云平台做成 AI 时代的应用商店入口，算力之外的分发之争正式开场。
中国AI刷爆英伟达GPU性能榜，这家公司拿下88项第一
DEV
据量子位10月29日报道，一家中国 AI 公司在英伟达 GPU 性能评测榜上拿下 88 项第一，核心做法是让 Agent 参与 GPU 底层算子的自动优化。传统 CUDA 算子调优高度依赖资深工程师手工试错，周期以周计；把这一过程交给智能体搜索迭代，等于把优化从“手艺”变成可复制的流水线。意义不止于刷榜：在高端芯片供给受限背景下，同等硬件榨出更多有效算力，对中国团队近似于变相扩容。同时也提示 Agent 价值正从写业务代码下沉到系统软件层，编译器、算子库、调度器都可能被重做一遍。
19个项目18个成功，6个GPCR靶点全获命中！国产AI制药再破技术天花板
NEW
据量子位10月29日报道，国内 AI 制药公司分子之心在一项抗体与靶点研究中完成 19 个项目、18 个成功，6 个 GPCR 靶点全部命中，官方称精度达到 AlphaFold 3 的两倍，并借此拿下高难度抗体设计任务。GPCR 是最常见也最难攻克的药物靶点家族之一，构象灵活、实验验证昂贵，长期充当结构预测模型的试金石。若结果可复现，意味着 AI 从“能预测结构”迈向“能指导可成药的分子设计”，直接压缩临床前研发的时间与费用。对国内创新药企，这类平台能力可能成为管线差异化的新变量。
Working with academic communities to build scientific understanding
OpenAI 10月29日发文，公布其模型在 Kakeya 猜想、指数时间假设（ETH）与量子色动力学三个数学与物理难题上的计算结果，并说明研究者如何验证并在其基础上继续推进。与“模型做对了几道竞赛题”不同，这次强调的是可检验的研究产出：给出中间结论、暴露推理路径，让数学家判断哪一步可信、哪一步是幻觉。这实际上把大模型摆到“科研协作者”的位置，也把评价标准从答案对错换成是否提出有价值的问题。风险在于，若验证成本高于收益，学界对 AI 产出的信任很难建立。
Using thousands of AI agents to uncover new leads in biological data
AI
OpenAI 与 PerturbAI、Scripps Research 合作，用成千上万个分布式 AI 智能体分析来自数百万脑细胞的生物数据，以寻找新的研究线索。单细胞与扰动实验产生的数据维度极高，传统上依赖资深研究员逐条提出假设、逐个验证，瓶颈在人力而非算力。把任务拆给大量并行智能体，相当于给科研流水线装上可扩展的助手层：智能体提出假设、交叉比对、剔除明显不成立的组合，人再做最终判断。路径若稳定复现，生命科学发现的节奏可能从论文驱动转向数据驱动，但假阳性泛滥与可解释性仍是待解难题。
Democratic governance of frontier AI, part II: Empowering cyber defenders
OpenAI 10月29日发布《前沿 AI 的民主治理》第二部分，主题为“赋能网络防御者”，提出以四大支柱构建政策蓝图：让防御方优先获得前沿模型能力、强化模型侧安全护栏、推动网络安全现代化、提升公共机构韧性。其核心论点是攻防不对称——攻击者只需成功一次，防御者必须次次成功，因此监管不应简单限制模型能力，而应把能力定向输送给医院、电网、地方政府等薄弱环节。这一立场实质是在为开放更强模型争取政策空间，也把 AI 治理讨论从“是否暂停”拉回“如何分配防御红利”，对正在立法的各国监管者有参考价值。
OpenAI and Poland’s NASK partner to advance AI safety and security
OpenAI 宣布与波兰国家应用研究机构 NASK 建立合作，聚焦 AI 安全、安全防护与技术研究，目标是强化模型侧保障并提升数字生态韧性。这是 OpenAI 在欧洲主权 AI 议题升温背景下的一次落地式合作：不是泛泛的伦理宣言，而是与一国官方研究机构共同做技术评估与红队测试。对波兰而言，借外部前沿模型能力补齐安全研究短板，比自建基础模型更现实；对 OpenAI 而言，与成员国机构绑定有助于在欧盟 AI 法案执行细则中争取话语权。此类双边安排是否成为跨国 AI 治理模板，值得持续观察。
Broad access through consistent standards
OpenAI 10月29日发文说明其如何与分发渠道伙伴协作，以统一的安全标准保障广泛访问：一方面通过经销商、云市场等伙伴扩大模型触达面，另一方面在 Usage Policies 中明确伙伴责任、可接受使用边界与审核义务。这看似是合规说明，实则回应了监管最关心的问题——能力扩散与安全护栏能否同步。若渠道标准松紧不一，同一模型经不同伙伴到达终端用户时风险会显著分化。对云厂商与集成商而言，这意味着接入前沿模型不再只是商务谈判，还需承担可审计的合规责任，采购合同中的安全条款将随之加重。
Uber brings ChatGPT Work to all employees with OpenAI
HOT
OpenAI 10月29日披露，Uber 正把 ChatGPT Work 推向 3 万多名员工，用于资料调研、数据分析、制作演示文稿和处理复杂工作流。这不是小范围试点，而是全员级的企业软件替换动作，意味着 AI 助手开始进入大公司标准工具清单，与办公套件、协作平台平级。对 Uber 这类运营密集型公司，价值在于把分散在各系统里的信息整合成可执行结论；对 OpenAI，Uber 是可对外复用的样板，证明企业版能在超大规模组织里跑通权限、合规与成本控制。真正考验在于持续使用率，而非首月激活数。
OpenAI and ServiceNow expand partnership across enterprise workflows
OpenAI 与 ServiceNow 扩大合作，一方面把 OpenAI 的模型与智能体嵌入 ServiceNow 的工单、ITSM 与业务流程，另一方面把 ServiceNow 的工作流能力接进 ChatGPT 与 Codex。这是典型的双向嵌入：模型厂商不再只卖 API，而是把 Agent 直接放到企业流程发生的地方；平台厂商则借模型补上自动化能力。对企业客户，意味着以后可能在 ChatGPT 里直接触发一张 IT 工单，或在 ServiceNow 中由智能体完成跨系统排查。风险在责任边界——智能体自动执行并出错时由模型方、平台方还是企业担责，合同与审计链条需重新设计。
四川最牛便利连锁超市搞机器人售货，黄了
据量子位10月29日报道，四川一家知名便利连锁超市尝试用机器人做无人售货，项目最终停摆。报道称，机器人在实验室演示中尚可，来到真实货架前却显得笨拙无措：商品包装反光、货架被顾客挪动、SKU 频繁更换，都让抓取与识别频频失败。这个案例是具身智能热潮的一盆冷水——资本正为“通用机器人”支付数百亿美元估值，而零售这类低毛利、高波动的场景恰恰最难承受不稳定的自动化。它提醒从业者，落地顺序更可能先从结构化、高价值的工业与仓储场景切入，而非直接面对最混乱的消费终端。
今天最值得记的不是跑分，而是竞争维度切换：Gemini 4 Carbon 主打连肝数日修 Bug，GPT-6.1 Terra 把电脑操作做成通用能力，比拼焦点从单轮正确率转向长时任务稳定性。采购逻辑随之变化——企业不为榜单付费，只为能塞进流水线、出错率可控的“同事”付费，半价只是入场券。
渠道层面的信号更微妙。OpenAI 的模型进了谷歌云 Model Garden，ServiceNow、Uber 把智能体塞进流程深处。模型厂商在互相成为对方的货架，云平台从卖算力变成卖模型超市。护城河正从参数规模迁移到分发与集成深度，谁离企业工作流更近，谁就握有下一轮定价权。
具身智能需要一盆冷水。一边是零营收、200 亿美元估值与 10 亿美元新融资，一边是四川便利店机器人项目停摆。资本赌通用大脑的终局，商业现实却要求先在不那么混乱的场景证明稳定性。未来两年拿到订单的，不会是 Demo 最炫的公司，而是能把失败率压到客户容忍线以下的那批。