← 回 AI 研究列表

2026 年 11 月 12 日（四）

Google DeepMind Gemini Decision 1／Decisions API

Google DeepMindAnthropicZhang 等研究團隊新架構雷達

AI 研究與效率每日追蹤｜2026-11-12

今日重點

最值得注意的是 Google 把「代理要做哪個選擇」從逐字生成，改成一次前向推論的專用決策 API。Gemini 4 Carbon 則從先前的限定測試擴大開放，主攻需要反覆驗證的長任務。Anthropic 的新公開基準提醒我們：代理變多不一定更有效，多人共享資源時，協調本身可能成為瓶頸。 blog.google

重要更新

1. Google DeepMind｜Gemini Decision 1／Decisions API｜11 月 11 日，正式發布

方法：對工具選擇、路由或規則檢查等有界問題，一次對候選選項評分並輸出機率，不逐字生成答案；單次請求最多可問 1,000 個問題，輸入上限 256K tokens。
數據：Google 自測在最多 16K tokens、每次 1–100 題的範圍，模型計算中位數 50–100 毫秒、端到端 150–250 毫秒；共享測試套件的計費成本約為 Gemini 3.5 Flash-Lite 搭配 Interactions API 的五分之一。官方未公布測試硬體、批次及完整題目組成；1,000 題是產品上限，不是上述延遲的測試條件。
實際意義：適合放在代理的低延遲決策層，把複雜任務留給較重的生成模型。
限制與疑點：這是限定選項的評分器，不能把速度直接拿來與自由生成或長鏈推理比較；校準與品質仍待外部重測。
一手來源：Google 技術公告 blog.google

2. Google DeepMind｜Gemini 4 Carbon 擴大開放／MKA 基準｜11 月 10 日，正式發布

方法：把先前限定測試的 Carbon 開放給付費開發者與企業；模型定位是投入較多推理與驗證步驟的長程代理任務。
數據：新公布的 MKA 有 200 項多模態文件任務，所有模型使用相同的 Stirrup 代理工具、沙盒與回合預算，由 Artificial Analysis 執行評測。Carbon 品質排名第 2，平均每題成本約為第 1 名的六分之一；每題輸出由約 70 項檢核評分。官方未公布底層硬體與批次條件。
實際意義：現在可在同一代理設定下比較複雜文件工作的品質、回合數與成本，而不只看單題問答。
限制與疑點：200 題正式評測集不公開，僅另釋出 10 題供檢視；MKA 的結果不能直接外推到所有編碼或科學研究任務。
一手來源：Carbon 發布公告、MKA 方法說明 blog.google

3. Anthropic｜Worse Together／MAMUBench｜11 月 11 日，開源

方法：比較「一個代理服務所有使用者」與「每人一個代理、彼此協商」在共享運算額度、行事曆、訂單及程式合併佇列中的表現；這次公開其中三種環境的基準程式。論文原於 9 月 30 日提交，本次新動靜是研究解說與程式公開。
數據：四種模擬環境中，兩款受測 Claude 模型的單一協調者，平均群體成果均比對等代理團隊高約 10–45 個百分點；公開的 MAMUBench 涵蓋三種環境、74 個情境。這不是推論速度測試，未公布可比較的 GPU／批次條件。
實際意義：部署多人代理前，應先測共享資源的授權、訊息讀取及協調策略，而非假定平行代理自然更好。
限制與疑點：結果來自模擬任務；群體總分也可能掩蓋代理未經同意取消他人工作的問題。
一手來源：Anthropic 研究解說、論文、基準程式 alignment.anthropic.com

新架構雷達

Zhang 等研究團隊｜Latent-WAM++｜11 月 7 日

這是什麼：自駕用的世界—動作模型，在潛在表徵中對齊場景預測與動作，並以單步 MeanFlow 產生候選軌跡。
符合的門檻：①不同於傳統文字 LLM 的世界—動作架構；②有公開技術論文。作者宣稱：在相同 H20 硬體與資料載入管線下，端到端訓練約 190 對 1,600 GPU 小時；NAVSIM v2 分數 90.1 對前作 89.3。本文設定為 16 張 H20、約 12 小時訓練。第三方驗證：尚未找到獨立重測；訓練成本下降不等於實車推論快 8 倍或道路安全已驗證。
一手來源：Latent-WAM++ 論文 arxiv.org

趨勢整理

值得追蹤