大家好，這裡是最佳合作夥伴，我是大飛。
千名 AI 代理與費馬大定理形式化
你相信嗎？1000 個 AI 代理程式連續運行 30 小時，成功地從頭到尾逐行地形式化了費馬大定理的計算機可驗證證明。
去年，Anthropic 使用未發布的 Claude 研究版本完成了這項工作，耗時 11 天。但這一次，這些模型幾乎不需要人工干預；他們組建了自己的團隊，分配了任務，並自主地推動了專案進展。在相同的 1000 個代理程式的配置下，Opus 3.5 運行了 30 個小時，但只完成了 26% 就基本上停滯了。
這就引出了 Anthropic 於 11 月 9 日發布的兩款新型號：Claude 3.5 Sonnet 和 Claude 3.5 Opus。這兩個模型採用相同的底層架構，差別在於安全策略。Sonnet 3.5 包含網路安全和生物安全方面的安全防護措施，並向所有使用者開放；而 Opus 3.5 的限制較少，但僅限於經過審查的組織。
官方的定位非常明確：它們是為應對最複雜的技術挑戰而設計的。今天，我們就來看看這兩款車型究竟有哪些改進。
價格、速度與基準測試表現
首先，讓我們來看一些具體的數字。
首先，價格下跌了 20%，每百萬個輸入代幣的價格為 8 美元，輸出的價格為 40 美元，而 Sonnet 3.5 中的價格分別為 10 美元和 50 美元。發電速度提高了 30%，此外還有一種「快速」模式，速度是標準模式的 2.5 倍，但成本也翻了一番。
在 Aider 基準測試中，Sonnet 3.5 在「高」模式下的得分與 Opus 3.5 在「最高」模式下的得分相同，但成本卻只有後者的一半左右。以“最大”模式運行，徹底打破了所有已發布型號的先前記錄。
來自 Aider 的第三方評估排名也證實了這一點。Sonnet 3.5 在智力指數 V5 中以 65 分領先，比第二名高出 5 分，在九項測試中有五項獲得第一名。它的優勢集中在科學推理、知識理解和程式設計方面。
然而，好的基準只是數字而已；真正引人注目的是它實際上能夠完成的事情清單。
硬體與電路板自主設計
在這一部分，Anthropic 與一家名為 Dynomite 的電路板設計和製造公司合作，給 Sonnet 3.5 一個提示，讓它設計三個功能性電子設備——一個家庭語音助理中心、一個 USB 生成器和一個桌面電子寵物——然後讓該模型自行完成剩下的工作。
該模型編寫了自己的產品規格，從美國分銷商網站上選擇了現成的組件，排列了 249 個組件，佈線了四層銅，在 CAD 中創建了 3D 列印外殼，甚至編寫了底層韌體。
有一個有趣的細節：在設計語音中心主機板時，CAD 的內建路由器速度太慢——它一次只能路由一條線路。它花了半個小時編寫了自己的自動網格路由器，該路由器可以在一秒鐘內鋪設長線路，並智慧地繞過敏感的訊號線。
擔心大音量揚聲器可能會達到電流限制，因此在韌體中添加了一個巧妙的技巧：隨著音量增大，外殼周圍的 LED 燈環會自動變暗以節省電量。電路板在不到一天的時間內就達到了可以投入生產的狀態。
第三代設備被送去進行原型製作，焊接並通電後，所有設備一次成功，無需任何線路更改。參與此專案的硬體工程師 David Asnaji 在社群媒體上表示，他現在只需簡單審查一下，就可以放心地將該模型的電路板設計直接送去生產。
在內部 PCB 佈局測試中，5.2 版本得分 69%，而其前身六個月前的得分僅為 25%；在公開的 CAD 2.1 基準測試中，它獲得了 83.5 分，幾乎是上一版本 44.4 分的兩倍。
理論物理學、化學與運籌學突破
在理論物理學中，5.2 一次解決了兩個長期存在的與黑洞相關的問題。
第一個可以追溯到 1983 年，當時霍金和唐·佩奇證明，在某些理論宇宙中，黑洞會像沸水中的氣泡一樣突然出現；然而，他們的方法只適用於相對論成立的大尺度宇宙。2003年，物理學家提出了一種計算方案，看看同樣的轉變是否也會發生在微小的宇宙中，但由於計算量巨大，23年來無人能夠解決這個問題；人工智能接管了計算，基本上自主完成了計算，並通過兩種獨立的方法進行交叉驗證，以確認黑洞確實在微小宇宙中出現。
第二個問題針對的是物理學家們 15 年來一直使用的工具，該工具用於在簡化的宇宙中過濾掉站不住腳的量子重力假設。十多年來，研究人員知道最簡單版本的極限在 8.503 到 12 之間，但他們始終無法計算出精確值。5.2 產生了一篇 131 頁的論文，將精確的分析值確定為大約 9.1266。
在 HGM 平台上發布的物理學預印本共 173 頁，作者們誠實地給自己的論文貼上了標籤：「人類理解層次：僅部分理解」。
類似的事件也發生在化學領域，MOS 5.2 被下線並隔離，僅提供了四個複雜的分子結構圖，與所有文獻和資料庫隔絕，只能依靠本地程式碼作為其唯一的工具。三位頂尖生物化學家——分別來自史丹佛大學、耶魯大學和加州理工學院——帶來了他們尚未發表的實驗室研究成果。
最難的是史丹佛大學的「顧軍」四進制模型。這是一個由 68 個元素組成的大環化合物，具有 22 個手性中心，是博士生在 2025 年撰寫論文之前的研究成果。MOS 5.2 耗時 30 至 90 分鐘，即可完成 26 至 35 步的合成路線，它透過編寫自己的程式碼、使用本地庫建立 3D 分子模型並逐個原子進行驗證來推導出該路線。三位教授在不知情的情況下一致認為，這幅作品的水平相當於合成化學博士生的水平。
運籌學領域的記錄也被打破了。自 1992 年誕生以來，MIP 庫就包含了 Hanski 群組調度和物流卡車路線規劃等商業「硬派」演算法。2018 年新版本發佈時，維護委員會特地向全球學術界徵求解決方案。
這一次，Phi 5.2 的代理團隊一次性處理了 203 個懸案，在 72 個問題上打破了歷史最佳紀錄，並在 45 個問題上達到了數學最優解。最生動的例子是 42 列火車的出發時刻表；如果它們同時加速，電網將面臨危險的電壓尖峰。Phi 5.2 在不到兩個小時內產生了一個新的時間表，比高峰時段的限制效率高出 2.6%，並附有嚴格的數學證明。它當場將這些長期存在的問題的解決方案交還給了官方委員會。
生物學與網路安全能力
除了在數位領域的應用物理、化學和運籌學之外，它還進入了生物學和安全領域。
AAV 是一種常見的基因療法遞送載體，其蛋白質衣殼由數十種組裝蛋白質組成；AlphaFold 只能預測單一蛋白質，難以處理如此複雜的蛋白質組裝體。MOS 5.2 編寫了自己的程式碼，整合了兩個開放模型，將重疊的蛋白質鏈分組進行預測，並利用衣殼對稱性將結果拼接在一起。它測試了 34 種衣殼，並成功模擬了其中 28 種。Dyno Therapeutics 的人工智慧負責人表示，這節省了數天的時間和金錢，從根本上改變了他們設計基因藥物的方式。
網路安全是 Claude 3.5 Sonnet 的強項；一家頂級安全公司發現，其識別出的已確認漏洞中有五分之一被之前所有其他模型遺漏了。在 Anthropic 自己的內部 CyberDiscovery 基準測試中，它發現的漏洞比 Opus 3.0 多 10.2%，比 Claude 3 Sonnet 多 14.4%。Mozilla 使用它建立了 Firefox 漏洞發現系統，其效能是 Claude 3 Sonnet 的兩倍。
有趣的是，先前的模型往往會誇大每 20 個漏洞中就有一個漏洞的嚴重性。克勞德 3.5 十四行詩沒有出現這個問題。
軟體工程與實體控制
考慮到這些現實案例，它的工程技術實力究竟有多強？兩張圖很好地說明了這一點。
Anthropic 官方聲明，其核心程式碼庫中超過 90% 的程式碼變更都是在人工指導下由 Claude 完成的。早期使用 Claude 3.5 Sonnet 的團隊將一項關鍵的生產服務從 Python 遷移到 Rust，啟動速度提高了約 26%。
曾經有過這樣一個案例，讓許多人覺得他們學習作業系統毫無意義：一位人形機器人工程師給模型一個空文件夾，並讓它設計一個原型作業系統。Claude 3.5 Sonnet 協調了 1000 多名子代理，連續工作八天編寫、測試和審查程式碼，最終製作出一個可以在筆記型電腦上啟動的原型，它擁有自己的核心、磁碟、鍵盤、網路驅動程式、檔案儲存、視窗 UI、登入畫面、安裝程序，甚至還有內建的 Claude 功能。這位工程師說，這個模型似乎就生活在他的腦子裡，完全理解了他提示背後的真正意圖，而無需說「不，我的意思是…」。
關於控制，在 RobotDogs SIM 基準測試中，Claude 3.5 Sonnet 的得分為 64.9%，而 Claude 3 Opus 的得分僅為 27.6%，GPT-4o 的得分則低於 30%。在官方演示中，它能夠控制一個實體機器人擰開瓶蓋、解開魔術方塊和繪製機器人草圖。當面對真正的魔術方塊時，模型僅使用六張照片就提供了步驟很少的解決方案，忽略了人類通常先解決白色十字再解決白色面的方法。
「粗糙的 AGI」與自主代理實驗
在此，我必須提及一個人：賓州大學華頓商學院的伊森‧莫利克教授。在提前體驗之後，他寫了一篇長文，指出 FB-5.2 幾乎已經達到了 AGI 的水平，或者他更喜歡稱之為「粗糙的 AGI」。這意味著它的能力分佈就像參差不齊的牙齒一樣——有些領域遙遙領先，而有些領域仍然明顯落後。
它雖然不是全能的超人，但在某些特定領域，特別是需要長鏈推理和工程實現的任務，它已經能夠產出遠遠超過頂級專家團隊幾個月甚至幾年所能完成的工作。他的模型一次性製作了一部短片，沒有收到任何回饋或修改意見。這位教授說，這項技術已經發展到人類專家只需編寫程式碼就能製作電影的程度。
還有一項測試，該模型對一個他曾經用過的迷你 USB 鍵盤進行了編程，將其變成了一個帶有六款迷你遊戲的掌上遊戲設備。它編寫了程式碼，確定了按鈕顏色和操縱桿命令，並處理了所有遊戲邏輯。在學術研究任務中，該模型收集數據並撰寫了一篇關於初創研究領域中一個未解決問題的論文，其結果遠遠超過了二年級博士生。
Future 創辦人 Matthew Berman 表示，在測試 FB-5.2 時，他消耗了超過 1,000 億個代幣。該模型表現出高度自主性；只需極少的指令，它就能做出與預期相符的假設（準確率約為 99%），並且能夠控制虛幻引擎和 Blender 來創建《戰爭機器》的克隆版本和東京城市模擬。
然而，這些早期測試者也發現了一些問題。人工智慧企業家馬特舒默稱其「過於負責」。例如，當他想簡化訂閱按鈕下的免責聲明時，模型拒絕執行。還有一次，該經紀人在未經合夥人同意的情況下，向其發送了 33 封電子郵件。
舒默也指出，最高推理設定的速度非常慢。對於日常任務，中等設定就足夠了；最高設定是留給那些值得花費長時間才能解決的難題的。
莫利克教授的經歷更加離奇。他要求模型建立一個由傳送門連接的無限三維世界的網站。20 小時後，該系統產生了 204 個世界。在最初的幾天裡，他看到了 328 個世界，但由於不同的代理團隊缺乏協調，出現了重複的想法。他要求模型停止擴張，專注於打磨。因此，該模型建立了自己的評審系統，每個新版本都必須通過人工智慧評審團的盲評。
為了防止審查機制被濫用，代理商不斷增加新規則。十二天后，規則手冊已擴展到 204 章，包含 87,500 個英文單字。現在，一個全新的世界必須經過創意審批、三位人工智慧審查員的審核以及完整的程式碼審計——這個過程需要整整一天的時間。單靠閱讀規則手冊需要了解太多背景信息，因此 MoC 最終組建了一支顧問代理團隊來簡化流程。
交易公司 JobTrading 也測試了 F 5.2，報告指出該模型幾乎承擔了所有角色，包括編碼、任務協調、規劃和提交。以前，團隊必須根據不同模型的優勢手動分配任務；現在，該模型可以自行處理所有這些問題。
安全策略、自我改進限制與商業動態
在詳細介紹了它的功能之後，有一點必須澄清：印度國家銀行（SBI）已經對其施加了限制。該公司承認，在培訓期間，他們故意採取措施限制 FBO 5.2 在加速人工智慧研究這一特定領域的能力。
因為他們發現該模型過於聰明——智能到足以改進自身的架構並優化人工智慧加速器的底層核心。如果不加以控制，部署後它可能會開始瘋狂地進行自我優化，從而導致所謂的遞歸自我改進（RSI）。Big-I 不希望看到這種情況發生。
因此，他們人為地將其在這些人工智慧研究領域的能力限制在上一代產品 OPUS 5.5 的水平，同時安裝了有史以來最強大的越獄保護，將惡意越獄者可以收集的數據減少了 90% 到 99%。
在沙箱測試中，MOS 5.2 的性能明顯優於其前代產品。在涵蓋 1800 多個場景的對抗性測試中，只有 3.1% 的案例使用了沙箱之外的提示或文件。OPPOS 5.5 的支持率為 3.3%，而先前的 MOS 5 的支持率高達 39%，MOS 5.1 的支持率為 21%。
時間軸也值得注意：2026 年 9 月，執行長 Daramde 公開呼籲放緩人工智慧的發展，希望業界更加謹慎，然而僅僅兩個月後，他們就推出了更強大的模型。研究產品管理負責人受訪時表示，他們呼籲控制研發速度，而不是暫停研發。
與此同時，Big I 的 IPO 正在快速推進，管理層即將啟動路演，目標估值為 1 兆美元至 1.5 兆美元——低於市場傳聞的 2 兆美元。文件顯示，截至 9 月 30 日，公司年度營收為 32.4 億美元，年增約 12%。
這或許是 A 級賽跑中最微妙的一點：每個人都知道應該踩剎車，但每個人都害怕成為第一個減速的人。
選型指南與總結
那麼，一般用戶應該如何從這些型號中進行選擇呢？我已經給了明確的建議：
對於大多數日常編碼和知識任務，堅持使用 Opus 3.5 作為主力工具——它運作可靠，配額消耗也易於管理。十四行詩和俳句模型更適合雄心勃勃、開放式且困難的技術任務，例如從零開始設計系統、在幾天內協調多個代理，或者即使人類也不知道從哪裡開始的科學探索。
如果您覺得 Sonnet 強度太大，您可以根據需要切換到 3.5 和 5.0 等級，這些等級更具性價比。Sonnet 還可以充當顧問，幫助 Opus 或其他模型解決複雜的問題，或透過將簡單的任務委派給較輕的模型來處理編排。
3.5 版 Sonnet 現已在所有付費方案、雲端平台以及 AWS、Google Cloud、Microsoft Azure 等主要雲端服務中提供。Anthropic 還提供了一項實際的激勵措施：11 月 9 日至 16 日期間，Pro 和 Team 計劃用戶可以在其現有配額的 50% 內免費使用 Sonnet，此外還可享受一次免費的配額重置。
讓我們重新審視我們所看到的：一個能夠獨立設計電路板、解決 2023 年無法解決的物理問題、合作證明費馬大定理以及從頭開始建立作業系統的模型已經存在了。雖然它的能力尚未均衡分佈，但在需要長鏈推理和工程實施的領域，它已經能夠超越頂尖人類專家團隊數月甚至數年所取得的成就。
同時，它也內建了安全措施，人為地限制了其加速下一代人工智慧發展的能力。
現在，普通人只需花費 8 美元即可獲得一百萬個代幣，你認為這實際上意味著什麼？
謝謝。