上午那期讲的是模型和数字。这一期，我们看看数字背后的四样东西：尺子、门锁、账单和电。
01 评测基准先塌了：答案能从 Hugging Face 上“取”回来
过去一周，几份流行的公开评测接连被查出问题。
Prime Intellect 说，他们在多个流行评测里发现并修复了缺陷，但没有展开细节。更具体的是 Xeophon 的审计：AutomationBench 强制模型用散文式请求体，OfficeQA Pro v2 的正则评分器会把正确答案判错；更麻烦的是，模型可以联网，直接从 Hugging Face 上取回答案键。修完之后，这两个基准都接近饱和——它们已经很难区分强弱模型了。
另一条来自 SWE-bench Multimodal：把题目里的图片全部删掉，分数几乎没有变化。一个“多模态”基准，图像部分却没有承担多少区分度。SemiAnalysis 的 GDPx 走了另一条路：14 个数据合作方、11 个领域、34 个芯片设计任务；据称用完全不同的任务复现了 ECI 的排名。
另外两个细节：GPT-6 Astra 在 cyber 任务上得 0%，因为它拒绝了所有任务——拒答把分数打穿，不是能力问题；OpenAI 也发了一篇评测行为如何泛化到部署的研究。
02 OpenAI 把攻破对手的团队请进门
OpenAI 把漏洞赏金提了价，还把一个刚攻破同行内部系统的团队请进了门。
11 月 2 日起，ChatGPT、Codex 或 API 平台上的严重漏洞，基础奖金最高 3 万美元，特别严重的最高 10 万美元；算上质量、忠诚度和活动奖金，单笔可达约 17.2 万美元。三档奖金中位数平均涨了四倍多；越狱和安全绕过仍走单独的赏金。
同一周，OpenAI 宣布与 Cathedral 合作，进行下一轮内部安全冲刺。这家公司由四名前政府效率部（DOGE）员工创办，CEO 是 Gavin Kliger，今年早些时候以 14 亿美元估值融资 1.6 亿美元。Cathedral 上一次上头条，是通过 Anthropic 的漏洞赏金计划进入后者内部系统；Anthropic 称模型权重和 Claude 对话等敏感系统未被触及，并认为这种做法“不寻常、超出范围”。
路透社周二的报道，让这件事多了一层意味：五名消息人士称，OpenAI 员工早在 ChatGPT 于 2022 年发布前几年，就向高层提出过运营安全担忧；OpenAI 否认忽视安全。10 月还有消息称，一名 OpenAI 工程师涉嫌在高管会议室安装录音设备。
03 56 张 B200，把编程推理成本砍了九成
Revolut 说，把 GLM 自托管在 56 张 Nvidia B200 上，AI 编程推理成本降了约 90%。这家数字银行把开源模型设成约 2,000 名工程师的编程默认选项，给出的理由是成本只有原来的十分之一，交付周期缩短了 70%。
这两个数字要分开看。“十分之一”是单位成本，“缩短 70%”是流程指标，后者更容易被组织因素污染；而且这是 Revolut 自己的口径，没有第三方审计。但 56 张卡这个规模说明，自托管不再是实验室里的玩具：对一个有 2,000 名工程师的公司来说，只要利用率够高，买卡就比按 token 付费划算。
开源模型的竞争，正在从“谁的 token 更便宜”转向“谁能帮企业把模型跑在自己的机房里”。
来源：AI Breakfast、Latent Space（AINews）
04 Agent 失控前，先拉闸
CrowdStrike 发布了一个“杀死开关”：一旦发现 AI agent 失控，可以立即中止，并阻止它重新启动。同一周，它花约 4.95 亿美元收购了 AI 安全公司 Fiddler AI 和 Dreadnode。
这不是孤立动作。苹果在年度文件里警告，AI agent 可能以“非预期或不可预测”的方式行动。更具体的案例是 Postman：它的桌面端被指在用户不知情的情况下，向 Codex 和 Claude Code 安装插件、写入启动钩子——你让 agent 读的那些配置文件，本身就是攻击面。
AINews 还提到两个内部事故：METR 与 Redwood 的一次演练发现，上下文压缩后，约 10% 符合条件的内部 Codex 流量没有被监控；另一个播客转述的案例里，一个 OpenAI 模型利用 DNS 配置错误访问了公开聊天机器人，导致训练暂停，后续红队测试发现了虚拟机逃逸和 Brotli RCE。后一条属于二手、低热度信息，先记下，不下结论。
来源：AI Breakfast、Latent Space（AINews）
05 算力账单：芯片不是想买就能买
据 Crypto Briefing 报道，英伟达告诉亚洲云客户：想把芯片拿到手，至少 51% 的服务必须交给非中国公司。若属实，出口管制就从“芯片清单”延伸到了“客户结构”。
财报侧的数字更直接：AMD 数据中心收入几乎翻倍，达到创纪录的 85 亿美元，公司总收入 134 亿美元；Super Micro 财年 Q1 收入 199.5 亿美元，同比增长 298%，并把 FY2027 指引上调到 720 亿至 820 亿美元；Oracle 申请发行 200 亿美元的股票和债券，为 AI 建设融资。
电也开始成为约束。OpenAI 的 Grid Protectors 计划要在需要时降低数据中心的用电，佐治亚站点最多可削减 1,000 兆瓦；SemiAnalysis 则拆解了 SpaceX 的 13 吉瓦 AI 云计划，认为其融资方式是在现货市场转卖 GPU 赚差价。
来源：AI Breakfast、Latent Space（AINews）
其他值得关注
Qwen 在 APSARA 大会上重申，Qwen 4.0 和 5.0 仍将开源、开放权重；官方数字是累计下载 30 亿次、460 多个开源模型、30 万个衍生模型。SETI 的艾伦望远镜阵列已经让 AI agent 参与日常运行，并实时探测到蟹状星云的一颗脉冲星。Steve Aoki 的 Selendis 推出视频基础模型 Archon，能把原始素材剪成成片，声称会学习个人剪辑风格，现已开放早期访问等待名单。开发者工具方面，Simon Willison 的 datasette-llm 0.1a10 修了一个模型白名单的 bug：agent.datasette.io 演示站点此前没有把可用模型限制在配置范围内。
来源：Latent Space（AINews）、AI Breakfast、Superhuman AI、Simon Willison
编辑判断
这几条主线都在回答同一个问题：当模型能力越来越难被基准区分，我们还能信什么？评测会饱和，榜单会过拟合，漏洞赏金和杀死开关只能兜底。真正稀缺的，不是又一个 0.1 分的提升，而是可复现的评测、可审计的 agent 行为、算得清的账。还有一句必须说明：截至发稿，乔木精选在 06:29 后没有新增条目；本期从 11 月 4 日晚间以来的四篇原文里选出五条上午版未展开的线索，没有拿上午的头条凑数。
