AI 日报 · 2026 年 11 月 4 日 · 星期三
千机新闻
Anthropic称Message Threads缩短长对话首 token 时间约35%
Anthropic 公测 Message Threads，通过仅传输新增内容，将超长请求的首 token 时间缩短约35%。斯坦福研究人员发现，检验的50项广泛引用的LLM结论中，44%已过时，另有34%明显减弱。
产品发布/更新
The DecoderAnthropic 在 Claude 平台公测 Message Threads，长对话首 token 时间缩短约 35%
Anthropic 在 Claude 平台推出 Message Threads 公测功能，通过只传输上条消息之后的变化，将 500,000 至 1,000,000 tokens 请求的首 token 时间缩短约 35%。
The Verge · AIApple 在 watchOS 27.3 开发者测试版中加入常开 Audio Intelligence 功能
Apple 在 watchOS 27.3 开发者测试版中加入 Audio Intelligence 功能，Siri 可使用 Apple Watch 麦克风提供对话摘要和最近 15 秒音频的文字转录。
Google DeepMind一手Google DeepMind 为 Google Antigravity 推出 Cheminformatics Skills
Google DeepMind 为 Google Antigravity 推出 Cheminformatics Skills，用于加速药物发现工作流。演示中，智能体从文献检索并整理数千种化合物，开展匹配分子对分析和预测建模，并提出带有合成路线的新型刚性化大环分子；这一流程约用时一小时。相关技能现已可用，但文中指出，计算设计仍是需要合成和实验验证的假设。
AWS Machine Learning Blog一手Amazon Bedrock 为 Kimi K3 增加印度境内推理
Amazon Bedrock 现支持通过 in.moonshotai.kimi-k3 推理配置，在印度孟买和海得拉巴区域处理 Kimi K3 请求，以满足数据必须留在印度的工作负载需求。文章提供了调用配置和代码示例，演示如何识别印地语文档、抽取结构化字段并用 Hinglish 进行后续问答；示例文档均为虚构内容。
论文研究
The Decoder斯坦福研究发现，快速发展的LLM正使既有研究结论迅速过时
斯坦福研究人员对照20个模型检验了50项广泛引用的LLM结论，发现44%已过时，另有34%明显减弱。在有估算过时日期的22项发现中，平均有效期仅15.7个月；推理相关结论消退最快。研究建议将实证发现限定于特定模型和时间，并记录模型版本、日期，公开提示词与分析代码，以便未来复测。
CWE-bench v2 扩展漏洞修复基准覆盖并提升评测透明度
Hugging Face Blog 发布 CWE-bench v2，开放包含 100 项任务的公开基准，用于评估智能体发现并修复真实开源仓库安全弱点的能力。任务覆盖 91 类 CWE，评分由程序化检查完成，数据集、评分器和运行框架均已开放。已评测的 11 个模型中，Gemini 4 Argon 以 67.8% pass@1 领先；基准可通过 Harbor 从 Hugging Face 仓库运行。
IBM Research 介绍 Palette：按 IBM Design Language 制作幻灯片的 20B 模型
IBM Research 介绍 Palette，一个经过微调、按 IBM Design Language 制作幻灯片的 20B 开放权重模型，在 PresentBench 的三个领域中位列第二。Palette 将工作拆为设计师生成结构化 JSON 简报、编码器并行编写逐页幻灯片代码，并通过检查与修复框架处理重叠和溢出；该框架在 131 个演示文稿上平均提升 3.5 分。
StateBench：测试语言模型追踪长文档状态变化的能力
Hugging Face 发布 StateBench 基准，用于评估语言模型在长序列中追踪实体状态变化的能力，并比较不同架构在四种复杂度任务上的表现。预训练模型和前沿模型在输入变长时都可能在较难任务上失准；直接用任务训练时，Gated DeltaNet 和混合架构在部分任务上可泛化至训练序列长度的数万倍，而 Transformer 未能学会最难的通用有限状态追踪任务。
技巧与观点
CUGA、Hermes 与 Deep Agents 对比：何时选择 CUGA？
IBM Research 团队使用同一开源权重模型 GLM-5.3-flash，在 AppWorld 的 90 项任务上比较 CUGA、Hermes 和 Deep Agents；任务完成率分别为 81.1%、46.7% 和 30.0%。
Hugging Face 提出 Transformers Model Integration Contracts 测试标准
Hugging Face 提出 transformers-mic（Model Integration Contracts，MIC），用缩小后的模型夹具、可运行用例和人工审核的基线，为 Transformers 模型建立可复现的集成测试。
AWS Machine Learning Blog一手如何用 EDB Postgres AI 和 Amazon Bedrock AgentCore 为智能体构建语义层
文章演示如何用 EDB Postgres AI 在 Postgres 数据库内构建语义层，并让运行在 Amazon Bedrock AgentCore 上的 Strands Agents 智能体通过 MCP 查询 C360 数据。
AWS Machine Learning Blog一手AWS 教程：通过 Bedrock AgentCore Gateway 为 ServiceNow 配置 OBO 令牌交换
AWS 介绍了如何配置 Amazon Bedrock AgentCore Gateway，通过 Microsoft Entra ID 的 OBO 令牌交换，让 AI 智能体调用 ServiceNow REST API 时保留发起请求的用户身份。