CoBuddy Pages Daily · Research · Deliverables

Daily

Follow 日报|Carbon 走向长程协作,机器人与商业入口同步推进

Gemini 4 Carbon 普及与限时价格;AlphaProof Code 验证 Signal 核心协议;GR00T 2 的能力与十二月权重边界;ChatGPT 商家入口、Resend 的 Agent 分发和真实任务成本。

2026 年 11 月 11 日 · 周三
观察窗口:11 月 10 日 08:00—11 月 11 日 08:00(北京时间)。依据 Follow List 的 active 行,优先 high:检查 30 个 X 账号(22 high、8 medium,Cadence 均为 weekly),并检查 2 个 Web 资源及相关作者、机构公开订阅。以下时间为北京时间;X 时间由帖子 ID 推算,官方文章采用 RSS 时间,只有日期的项目页不补造时分。

总览

今天最重要的不是又一张模型榜单,而是长程任务开始同时拥有更强的执行者、可核验的证明和新的商业入口。Google 将 Gemini 4 Carbon 从特定安全防御场景扩展到付费开发者、企业和 Ultra 用户;AlphaProof Code 把形式化验证推进到 Signal 核心实现;GR00T 2 则把人类视频、跨本体适配与推理模型规划连起来。与此同时,ChatGPT 商家入口与 Resend 的 Agent Experience 提醒开发者:产品不仅要被人找到,还要能被 Agent 正确理解、选择和调用。

但体验与商业结论不能混写:Carbon 的价格存在明确优惠期,GR00T 2 权重不是今天就能下载,公开评测与演示也不代表生产环境成功率。本期将可确认的发布、厂商自报、个人观点和编辑判断分开。

核心主题

一、从更会写代码,到能被验证的长程协作

Carbon 的多模型协作与 AlphaProof Code 的分工共同指向“规划—执行—验证”的结构,而不只是无限延长思考。前者仍需真实仓库验收;后者用 Lean 检查证明,但规范是否覆盖正确的安全目标仍要人负责。跨来源归纳:可检验的任务边界,比漂亮的单次演示更有复用价值。

二、计算便宜不等于任务便宜

Simon 的小模型价格对比、NaiveAI 的速度测试和 Chip 对 Codex /goal 的体验抱怨,从不同方向提醒同一件事:要一起记录 token、重试、工具调用、完成时间与人工返工。高吞吐和低单价都可能被更长推理抵消;一次用户失败也不足以证明整个功能失效。

三、Agent 是新的产品使用者,也是新的分发节点

Businesses in ChatGPT 提供信息维护和品牌对话入口;Resend 访谈强调机器可读价格、清晰工具和可用文档。这可能催生商家数据维护、Agent 接入和质量观测服务,但目前是产品假设,不把模型推荐频率直接解释成市场份额或可投资回报。

重要更新

1. Gemini 4 Carbon 开放:长程能力与优惠期同时进入决策表

Google DeepMind;Logan Kilpatrick @OfficialLoganK、Josh Woodward @joshwoodward、Demis Hassabis @demishassabis · 官方 11-11 00:03;三人发布分别为 00:05、00:06、01:41 · 官方全文 · API 发布帖

摘要:官方将 Carbon 开放到 Gemini API 付费层及企业渠道,并向 Ultra 用户推出 Gemini app、Antigravity 和搜索 AI Mode 等入口;不是全部免费用户已可用。其定位是更复杂的多步调试、知识工作与科研,会比 Argon 使用更多 token,同时预览 Antigravity 的 /swarm 协作。公开版本入门价为每百万输入/输出 token 2/10 美元,优惠截至 11 月 30 日,12 月 1 日起为 4/20 美元。官方列出的榜单名次和每任务成本优势只适用于对应评测,本轮没有独立复现。

为什么值得看:近期试用成本不能代表长期预算;模型更强也不意味着所有日常任务都该迁移。官方仍把 Argon 定位为多数软件和知识工作的合适选择。

后续行动:用固定仓库任务比较 Carbon 与现用模型的成功率、人工分钟和总账单,分别按优惠价、正常价计算。多 Agent 只在任务真正可独立分解时评估,不以代理数量判断效果。

2. AlphaProof Code:证明 Signal 核心实现的指定安全性质

Google DeepMind / Pushmeet Kohli、Swarat Chaudhuri · 11-10 20:02 · 官方研究说明 · 验证产物入口

摘要:研究者先与多种模型协作定义安全规范,并由人类逐项审查,再让 Carbon 驱动的 Agent 生成由 Lean 检查的证明。团队报告四周内生成超过六百万行 Lean,并将需要人工二次查看的部分集中到约 1%;这些是团队披露的过程数据,不是所有软件的通用节省比例。研究还在隔离版本中重新引入两个已修复的历史漏洞,并产出机器检查的不安全证明。验证对象是 Signal 核心密码学代码的指定安全性质,不是整个应用、所有依赖或设备都已被证明绝对安全。

为什么值得看:它把设计层证明推进到实现层,显示 Agent 与确定性验证器结合的价值;真正稀缺的能力也可能转向制定正确规范、连接代码语义和审计可信基础。

后续行动:先检查公开证明产物、假设、覆盖的代码版本和可信计算基础,再挑选内部小型关键模块复现。不要用“形式化验证”替代测试、运行时防护和供应链检查。

3. GR00T 2:有跨本体与少样本进展,但权重和配方要等十二月

Jim Fan @DrJimFan / NVIDIA GEAR · 11-11 00:07(本轮新帖);项目页标注 2026 年 11 月 · 完整发布帖 · 研究与评测页

摘要:GR00T 2 联合预测未来视频和机器人动作,研究页展示人类视频、手持夹具与机器人数据混合训练,并通过 WAM API 接受推理模型的计划与视觉标记。官方在 50 项目标机器人未示范任务上报告零样本平均成功率 40%,每项五次示范后提高到 95%,适配为单张 RTX 5090 上约 30 分钟微调;这些有具体任务与硬件条件。轻量 Turbo 变体在 G1 的 Jetson Thor 上每次预测 124ms,不能把这个延迟外推为所有 GR00T 2 模型的端侧指标。Jim 的完整帖明确模型权重和 X-Adapt 配方在十二月,现已提供相关框架、仿真/标注工具、硬件设计与 10 万小时开放人类视频入口。

为什么值得看:今天的增量是更清楚的能力、数据与发布边界,不是再次复述昨日直播预告。数据采集、仿真、控制接口与适配成本,比“所有会动的东西都将自主”的口号更值得追踪。

后续行动:先审查 Human-1M-100K 数据授权和设备要求,等待十二月权重与许可证。复现时区分任务至少成功一次、平均成功率和完整长流程成功率,保留失败、接管与复位记录。

4. Businesses in ChatGPT:商家信息、洞察与品牌 Agent 分层上线

OpenAI 官方;Greg Brockman @gdb · 官方 RSS 11-10 18:00;Greg 11-11 02:30 · 官方产品说明 · Greg 转发

摘要:Businesses in ChatGPT 以 beta 推出,合资格企业可在 Business Hub 认领并验证组织、维护信息,添加含价格和库存的自助产品 feed。平台提供满足阈值后的聚合提及、网站点击和发现主题洞察,不把个人对话或 Business Agent 聊天交给商家。Business Agents 则先面向美国合资格电商与在线服务企业,品牌对话与 ChatGPT 原始对话及独立回答区分展示,赞助展示也另行标识。认领企业的可用范围与 Business Agent 的可用范围不同,不能写成全球商家都可立即开通完整功能。

为什么值得看:它是 AI 分发渠道向可管理商家资料与对话承接的推进,而不只是模型新增问答能力。信息正确性、更新延迟和转化归因将成为运营问题。

后续行动:先核对企业地区、品类和资格,准备结构化商品数据及更新责任人;若试点,观察有效点击、咨询质量与最终转化,不把提及数当收入。本日报不代为认领或开通业务。

5. Resend 访谈:Agent Experience 从文档和价格表开始

swyx @swyx / Latent Space;Zeno Rocha · 访谈 11-11 04:05;swyx 05:00 · 节目、时间轴与全文 · 讨论入口

摘要:节目讨论为何编码 Agent 经常选 Resend,以及 React Email 如何先进入开发者仓库再形成 API 分发。具体做法包括让价格页提供 .md 机器可读表格、检查工具调用结果大小,而不是只增加 MCP 工具数量。节目引用的一项研究中,Claude Code 在 102 次可提取的邮件推荐中有 64 次首选 Resend,但更新研究的部分模型首选 Postmark,说明结论依赖样本与版本。用户和付费客户数字来自 CEO 访谈自报,本期不将其当审计财务数据。

为什么值得看:它给开发工具创业者提供可执行改进:让 Agent 能准确读价格、完成接入并处理失败,比单纯追求推荐榜排名更可控。

后续行动:选择自己产品的三个真实接入问题,测试 Agent 是否选对方案、看懂限制、成功跑通;固定模型版本与提示,记录失败和错误推荐,别仅优化品牌出现次数。

6. NaiveAI 速度实验:吞吐宣传要拆成延迟、长尾与正确性

Latent Space / Gabriele Beltramo · 11-11 02:56 · 实验方法与结果 · 实验代码

摘要:文章比较 Naive-N0.5-Flash、DeepSeek V4.1 Flash 1017 与 GLM 5.3 Flash,每个模型每档难度抽取 10 题,共 30 题,记录吞吐、token 和端到端时间。开启思考的 NaiveAI 中位响应时间为 3.1 秒,另外两者为 10.1 与 5.3 秒,但均值分别为 45.3、45.0、86.9 秒,长尾显著改变排序。作者明确不同模型的吞吐采集来源不同,而且这组速度实验没有评分答案正确性;标题中的 2100 tokens/s 是产品宣传,不是本轮可直接比较的所有场景实测结果。

为什么值得看:平均值和中位数的差距,意味着交互体验、批处理预算和失败重试需要分别评估。没有正确性评分的速度实验不能决定生产选型。

后续行动:可复用其代码思路,但加入业务正确率、超时、P95/P99 和每个通过任务的总成本;将服务端吞吐与用户端完整等待时间分开记录。

7. 专家工作的价值:Nathan 的观点与 Upwork 的平台观察

Nathan Lambert @natolambert;OpenAI × Upwork · Nathan 11-11 00:09;研究 11-10 15:00 · Nathan 完整帖 · 研究说明

摘要:Nathan 认为知识工作的复杂关系、上下文和人类专长,使 AI 收益的普及比“全面替代”叙事更慢,并明确披露自己担任 Mercor 顾问。OpenAI 与 Upwork 的分析发现,63 类工作中有 43 类呈现“ChatGPT 使用较常见的类别在 Upwork 份额下降,反之上升”的模式,但其余 20 类不同,不能据此认定单一替代关系。研究还称 AI 相关任务组合更广、固定价预算更高、工时更多,而发布时薪相近,提示预算增长可能来自项目范围扩大。平台份额变化不等于全社会岗位净减少,相关性也不是 AI 导致变化的因果估计。

为什么值得看:交付完整业务成果可能比售卖单个提示更有空间;专家数据、工作流整合与验收服务值得观察,但必须保留利益相关披露与平台样本边界。

后续行动:跟踪客户任务组合、单项目毛利、人工交付时间和复购率;融资估值与年化收入转述单列待核,不从这些材料推导买卖建议。

人物 / 机构动态

Simon Willison,11-11 04:09:llm-gemini 0.36 跟进 Carbon,并用同类 Three.js 提示尝试生成结果;视觉示例是体验材料,不是标准编码胜率。为什么看:CLI 工具接入可作为小规模验证入口。下一步:检查版本、用量和可重复产物,而非仅看截图。

Simon,11-10 13:34:新增 Fable 提示指南摘录称,赋予模型代码所有权的描述会影响是否主动去重重构;他转述的 Anthropic 小任务测试中,加入一句所有权说明后约半数尝试合并重复代码,未加时不足一成。为什么看:任务措辞可能改变代码改动范围。下一步:仅在允许重构的仓库副本试验,不把“代码归你”当真实业务授权,也不把小测试比例外推所有代码库。

Chip Huyen,11-11 06:56:反映 Codex /goal 消耗过多时间与 token。这是未附复现实验的个人体验,不是已确认全局缺陷。为什么看:自主执行的成本与停止条件是产品质量指标。下一步:在非生产任务复现时记录版本、预算、目标、停止条件与验收,不据一帖更改既有生产配置。

Clem Delangue,11-11 01:32:自报 Hugging Face 达到 2000 万 AI builders、托管 300PB 资源,且上周新增 9PB,并称十月 DAU、MAU 和收入创新高。为什么看:开放生态从模型延伸到数据、Agent 轨迹和 RL 环境。下一步:核对用户口径、存储结构和付费渗透;未披露具体收入,不用存储量推算营收。

值得跟进项目

  • 长程 Agent 成本与验收台:用同一组任务比较强模型规划、轻模型执行和确定性验证;同时看通过率、人工接管、长尾成本与停止时间。这是内部实验方向,不是本轮已完成评测。
  • 机器可读商家与开发者资料:从价格、库存、权限和失败处理文档入手,结合 ChatGPT 商家 feed 与 Resend 案例测量真实接入和转化;不要承诺优化文档就一定获得推荐。
  • 非生成式路由:Hugging Face 的 Decision Models 新文(11-10,RSS 标记 08:00)介绍 choice、score、noul 和概率输出,以及 Transformers 与 llama.cpp 接口。适合客服分流、质量门控小样本试验;概率集中度不等于校准后的正确率,需可靠性曲线与域外样本验证,相关 TRL 支持文中仍标为进行中。
  • 机器人数据与适配服务:围绕 GR00T 2 的公开视频、仿真任务和十二月权重做准备;先核算采集、硬件、安全接管及部署成本,再判断是否有客户需求。

待验证信息

Muse Ember:Simon 的 11-10 15:28 分析称其短提示定价为每百万输入/输出 0.10/0.50 美元,超过 200k 上下文后上涨,并展示思考档位不单调对应 SVG 品质。本轮核实到 Simon 完整文章,但未读取 Meta 原始公告及当前价目表,因此价格与效率定位按二手分析记录,采购前必须回原始平台确认,不写成已实测成本最优。

Mercor 融资:Nathan 引用的创始人帖自述新融资、估值及 run-rate 收入,本轮未核验投资方确认或财务口径。尤其不能把年化运行收入等同已实现年度收入或利润;不纳入确定性投资线索。

数学与安全高光:AlphaProof Code 本期仅核实官方说明,未完整审计论文与证明;Carbon 宣传的提示注入阻断和研究成果也有特定测评条件。都不推出“安全问题已解决”或“模型可以无人审查科研”的结论。

低优先级噪音与去重

Logan 的单词“Gemini”预热不单独算重要新闻;swyx 的会场照片、宗教式玩笑和“停止本地开发”的绝对化转述保留在原始索引,不作为架构建议。Simon 的 Yonkers 动画和定位蜂鸣声趣味帖属于探索示例,不等于通用工程生产率证据。Fei-Fei 的 BEHAVIOR Challenge 转发是机器人评测入口,但本轮未核查完整榜单,不写排名。昨日 Fable 5.2、Quail 与 Control Room 发布不重复报道;今日只保留新的提示指南讨论。同一 Carbon 事件合并机构稿与多位账号,不重复计算四条新闻。

覆盖、限制与原始链接

30 个公开 X 主页均返回 HTTP 200,解析得到窗口内 21 条本人条目;其中截断的 Jim Fan 与 Nathan 帖已补查公开详情。主页仅为部分可见时间线,不保证回复、转发与历史完整;没有解析到新帖不等于账号未发帖。所有账号均按清单 active/priority 排序检查,Cadence=weekly 被用作优先级而非强行判断每天必有更新。未使用 Folo、私密 cookie/token,也未绕过 CAPTCHA 或付费限制。

公开订阅解析得到 18 项窗口内条目,重点筛选与清单主题相关的内容;教育活动、Adobe 合作、医疗产品和手机功能等本轮未逐项核验,未写作详细推荐。Simon、Latent Space、Google、DeepMind、OpenAI 与 Hugging Face 有窗口条目;所查 Interconnects、Chip、Lilian、Hamel feed 未解析到窗口内条目。LangChain 所试 RSS 返回 HTML,仍存在覆盖缺口。explainx sitemap 可访问,但未以 lastmod 直接冒充新闻发布时间;播客目录 updatedAt 仍为 2026-07-02,不作为今日新内容。

OpenAI 两篇正文直接请求遇到 403,随后通过可用公开 web_fetch 成功读取全文;没有尝试规避验证。搜索仅用于发现 GR00T 2 官方研究入口,核心结论以公开原始帖与项目页为准。本文只做中文转述、克制短引及链接,不公开内部认证信息。

窗口内本人帖原始索引

公开资料整理;发布事实、团队自报、观点和编辑推断分别标注。非投资建议,未大段转载原文。