AI 大事件 | 2026年11月1日

导读： 过去 24 小时的 AI 新闻，主线是“智能体”从概念走向工程细节：DeepSeek 公开 Super-agent 的双层架构，试图把“一个人只能跟进 3 到 5 个会话”的上限交给系统接管；与此同时，文档理解进入“小而专”的竞赛——小米 0.8B 与 MiniCPM-OCR 同日开源，手机端识屏与边缘解析都有了新选择；苹果国行 AI 终于定了时间表，DeepSeek 则传出千亿级二轮融资。

1. DeepSeek 公开 Super-agent 架构：Router 统筹、Worker 并行，AI 开始指挥 AI 干活

10 月 31 日晚，DeepSeek Harness 团队发表技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，提出面向工程实践的 Super-agent 架构。核心判断是：单任务的上限取决于模型能力，但多任务的上限取决于人的注意力——现有主流 Agent 以单一 Session 为基本单位，不同会话彼此独立，团队观察到一个人通常只能同时跟进 3 到 5 个活跃会话。Super-agent 归纳出连续、高效、主动、持久四项特征：用户可在即时通讯、GitHub 评论等不同渠道与同一个 Agent 交互；并行处理多个复杂任务；持续观察环境事件并自行推进值得处理的事项；长期在线、异常后可恢复。架构由五部分组成：Router 层与 Worker 层双层结构（Router 承接人类交互、维护全局上下文并分派任务，Worker 在相互隔离的会话中并发执行具体工作、不直接向用户回复）；事件驱动（群聊消息、邮件与日程提醒、代码审查评论、CI 运行结果等外部信息作为 Trigger，先经程序规则过滤再交模型判断是否行动）；面向人的交互（异步 ReAct Loop，耗时工具调用改为异步 start/stop，后台结果随后作为新事件进入会话）；计算与状态及环境分离（支持 BYOM，把用户自己的开发机接入云端 Agent）；以及独立的 Watchdog Session（外部控制回路，监控接口报错、状态恢复失败等基础设施问题）。团队还介绍了 Inline & Spill（近期可能用到的信息直接进上下文窗口，低频内容按需读取）与链式召回（沿 Trigger、Thread、Worker Session 的引用关系找回历史任务信息），以及投机执行（按环境信号在后台提前开展工作）。初步实验中，每次约 300 条消息、约 20 条工作请求、每种方案重复 5 次，Super-agent 的任务完成时间 p50 与 p95 分别为 12.4 分钟和 15.7 分钟，中性提示下的单 Session 方案 p95 为 29.5 分钟。团队特别说明：这是一篇面向工程实践的架构思路探讨，并非 DeepSeek Harness 现有产品功能的介绍；异步任务机制已在 Harness 中实现但尚未默认开启；基于这套思路构建的内部 Super-agent 实例已在持续运行，日常参与问题复现与修复、代码审查响应与 Harness 自身的迭代。

摘要： DeepSeek Harness 团队 10 月 31 日晚发表 Super-agent 架构探索：Router 统筹全局上下文与任务分派、Worker 隔离并发执行，辅以事件驱动、异步交互、存算分离与外部 Watchdog；实验 p95 完成时间 15.7 分钟，优于单 Session 方案的 29.5 分钟；属架构探讨而非正式产品发布。

为什么重要： 这是本周智能体叙事从“进系统”到“怎么组织系统”的自然延续：昨天新闻里腾讯把智能体推进 ERP、研究者追问“干了什么留没留痕”，今天 DeepSeek 则回答“多任务并行时谁来当调度”。Router/Worker 双层、事件驱动、Watchdog 这套组合，本质上是把操作系统与分布式系统的老思想搬进 Agent 设计——对正在搭建多智能体系统的团队，它提供了一份可直接抄的组织图纸：会话管理与上下文同步下沉到系统层，人只做决策与验收。但也要守住边界：这仍是思路探讨加内部实例，实验规模（约 300 条消息）离生产级多任务负载还远；“AI 指挥 AI”听起来性感，真正的考验在权限边界与故障恢复——Worker 越自主，Watchdog 与审计日志就越不能缺席，这恰好接回昨天的可观测性议题。

来源： IT 之家（经搜狐）：DeepSeek 提出 Super-agent 架构设计（10 月 31 日）https://www.sohu.com/a/1095485776_114760 · 新浪财经：DeepSeek 发布全新 Agent 架构：Super-agent（10 月 31 日）https://finance.sina.cn/2026-10-31/detail-inixcwwm7188719.d.html · 驱动中国：DeepSeek 提出 Super-agent 双层架构（10 月 31 日）https://www.qudong.com/article/528135.html

2. iPhone 国行 AI 定档 11 月 4 日开放测试：千问接入 Siri，12 月随 iOS 27.3 正式推出

据爱范儿 11 月 1 日早报，苹果宣布首批 Apple 智能功能将于 11 月 4 日随 iOS 开发者 Beta 版在中国开放测试，并于 12 月随 iOS 27.3 正式推出。苹果与阿里巴巴合作，在 Siri、写作工具和视觉智能的部分体验中接入千问，支持文本与图像理解。这是国行 iPhone 的 AI 功能首次给出明确时间表。

摘要： 苹果宣布国行 Apple 智能 11 月 4 日随 iOS 开发者 Beta 开放测试、12 月随 iOS 27.3 正式推出；Siri、写作工具与视觉智能的部分体验接入阿里千问。

为什么重要： 对国行 iPhone 用户，这条新闻的价值不在“终于来了”，而在时间表本身：11 月 4 日 Beta、12 月正式版，意味着换机与系统升级决策可以按这个节奏排——想尝鲜的等 Beta，想稳定的等 12 月。更值得注意的是合作形态：苹果没有把整套体验交给单一模型，而是“部分体验接入千问”，说明国行 AI 是分层拼装的路线。对开发者与内容从业者，Siri 与写作工具的入口变化可能比模型本身更重要：当语音与写作入口开始由本地化模型承接，针对这些入口的优化（指令、格式、中文语义）会成为新的流量细节。正式推出前的 Beta 表现仍需实测，覆盖范围以苹果官方说明为准。

来源： 爱范儿早报：iPhone 国行 AI 官宣，11 月 4 日开放测试（11 月 1 日）https://www.ifanr.com/1686979

3. 据 The Information 报道：DeepSeek 完成约 1055 亿元二轮融资，估值约 6155 亿元

据 The Information 报道、经爱范儿 11 月 1 日早报转述，DeepSeek 本月完成了约 1055 亿元人民币（约 158 亿美元）的第二轮融资，来自近 30 家投资者，投后估值为 6155 亿元人民币。报道称腾讯和宁德时代仍是前两大投资者，本轮新加入的投资方包括长鑫存储及其董事长朱一明，以及中芯国际；vivo、美团、美的、立讯精密、吉利等亦在列。DeepSeek 方面未公开确认该报道。

摘要： 据 The Information（爱范儿转述，11 月 1 日）报道，DeepSeek 完成约 1055 亿元二轮融资、投后估值约 6155 亿元，近 30 家投资者参与，腾讯与宁德时代仍为前两大投资者；未获官方确认。

为什么重要： 如果报道属实，这是中国 AI 史上最大规模的单轮融资之一，而且投资方名单本身就是信号：半导体（长鑫、中芯）、制造（美的、立讯、吉利）、互联网与消费（腾讯、美团、vivo）同桌，说明 DeepSeek 的资本叙事正在从“一家模型公司”扩展为“一条产业链的共同赌注”。结合昨天 OpenAI 融资目标下调的新闻看，两边的资本故事正在分叉：一边给预期降温，一边仍在加注。但阅读时必须守住一条线：这是匿名信源报道、未经官方确认，在 DeepSeek 正式披露前应按“传闻、待证实”处理；投资方名单与金额细节尤其要等官方或监管文件交叉验证后再引用。

来源： 爱范儿早报（据 The Information）：DeepSeek 千亿融资曝光（11 月 1 日）https://www.ifanr.com/1686979

4. 小米开源 0.8B 文档理解模型 Xiaomi-OCR-0：解析、抽取、问答三合一，1B 以下基准第一

10 月 30 日晚，小米发布并开源轻量级全能文档理解模型 Xiaomi-OCR-0，仅 0.8B（8 亿）参数，将文档解析、关键信息抽取与视觉问答三类能力融于一体。模型兼顾文字、版面、位置与语义理解，能处理复杂表格、论文、票据的结构化解析难题——小米手机上“超级小爱”一键识屏的背后，正是 OCR 能力从“文字识别”向“文档理解”的演进。在综合文档解析权威基准 OmniDocBench v1.6 中，该模型得分 96.83，成为 1B 以下模型第一（以约三分之二参数量位列总榜第二，距榜首差 0.04 分）；五项文档 VQA 平均分 83.2，优于 HunyuanOCR、TokenVL、TextHawk、Qwen3.5-2B、MiniCPM-V-4.5 等模型，逼近参数规模更大的 Qwen3.5-4B。小米完整公开 0.8B 模型权重与推理代码，同时提供浏览器交互式 Demo、MCP 服务以及 Agent Skill 工具包。

摘要： 小米 10 月 30 日晚开源 Xiaomi-OCR-0（0.8B）：文档解析、关键信息抽取、视觉问答三合一；OmniDocBench v1.6 得分 96.83，1B 以下第一；权重、推理代码、Demo、MCP 服务与 Agent Skill 工具包全部公开。

为什么重要： 文档理解正在从“大模型顺带会”变成“小模型专门做”：0.8B 的体量意味着它可以塞进手机、边缘设备与私有化部署，而不必为每一页票据、每一份财报调用一次大模型。对普通用户最直接的受益是识屏与票据解析这类高频场景——更快、更便宜、且可以在端侧完成；对开发者，MCP 服务与 Agent Skill 工具包的附赠比模型本身更值得注意：它等于把“读文档”做成智能体可以直接调用的工具。基准成绩仍需打折听：OmniDocBench 与文档 VQA 的分数是厂商自报口径，真实票据、手写与复杂嵌套表格上的表现，要以自己业务的样本实测为准。

来源： 智东西：0.8B！小米开源新模型，让超级小爱识屏主动办事（10 月 31 日）https://zhidx.com/p/606258.html · 新浪财经（智东西）：0.8B！小米开源新模型（10 月 31 日）https://finance.sina.com.cn/stock/t/2026-10-31/doc-inixcwwm7190226.shtml · Hugging Face 模型权重 https://huggingface.co/xiaomi-research/Xiaomi-OCR-0 · GitHub 项目代码 https://github.com/xiaomi-research/Xiaomi-OCR-0

5. MiniCPM-OCR 系列开源：1.3B 解析模型 + 首个“AI 质检员”Jev，专治逐页人工复核

10 月 31 日，ModelBest 与 OpenBMB 联合发布并开源 MiniCPM-OCR 系列：MiniCPM-OCR 1.0（1.3B）与 MiniCPM-OCR Jev（2B）。作为 MiniCPM 家族首个 OCR 专项模型，1.0 以 13 亿参数实现顶级解析精度，面向边缘部署优化；配合 DSpark 解码加速，端到端吞吐显著提升、单页延迟降低。而 Jev 的定位更特别：它是首个 OCR 结果决策模型，扮演“AI 质检员”角色，解决文档解析后长期依赖逐页人工复核的痛点。系列已上架 GitHub、Hugging Face 与 ModelScope，支持 vLLM、SGLang、llama.cpp 与 Ollama，并提供 SDK、API、Agent Skill 插件与开源微调代码。

摘要： ModelBest 与 OpenBMB 10 月 31 日开源 MiniCPM-OCR 系列：1.3B 的解析模型 MiniCPM-OCR 1.0（边缘优化、DSpark 加速）与 2B 的质检决策模型 Jev；支持主流推理框架与 Agent Skill 插件。

为什么重要： 把上一条新闻放在一起看，OCR 赛道正在出现清晰分工：小米用 0.8B 做“全能三合一”，MiniCPM 则把“解析”与“质检”拆成两个模型——后者恰恰是企业文档流程里最贵的环节：解析错一页不怕，怕的是没人发现错了那一页。Jev 这种“给解析结果打分、决定要不要人工看”的设计，如果准确率站得住，能直接砍掉大批量文档处理中的复核人力。对选型者，两个系列的取舍很直观：要端侧轻量与一站式，试小米；要解析管线里加一道自动化质检，试 Jev；两者都开源、都支持 llama.cpp 与 Ollama，试错成本都很低。

来源： PR Newswire（经 WCIA）：ModelBest and OpenBMB Open-Source MiniCPM-OCR Series（10 月 31 日）https://www.wcia.com/business/press-releases/cision/20261031CN86192/modelbest-and-openbmb-open-source-minicpm-ocr-series-delivering-high-performance-document-parsing-and-ai-powered-quality-control/

6. Anthropic 把水印扩到 4 款老 Claude 模型：11 月 3 日上线，但 Opus/Sonnet 4.6 改一个参数就能绕过

据 The Decoder 10 月 31 日报道，Anthropic 已通过邮件通知 API 客户：将把文本水印扩展到 Claude Mythos 5、Claude Opus 4.7、Claude Opus 4.6 与 Claude Sonnet 4.6，从 11 月 3 日起在 Claude 平台（API）生效，Amazon Bedrock 可能晚几天。水印被描述为“词选择中不可察觉的模式”，不改变含义、质量与可读性，不增加字符或 Token，不影响定价与请求格式，客户无法直接关闭；其技术是 Google DeepMind SynthID 文本方法的变体，通过调整选词随机性植入可统计检测的模式；配套的检测 API 目前处于私有预览阶段。但在 Opus 4.6 与 Sonnet 4.6 上存在一个缺口：水印仅在 temperature、top_p、top_k 三个采样参数保持默认值时才生效，改动其中任意一个即可得到无水印输出；Anthropic 在邮件中直言，依赖水印合规的客户应保持默认设置，而 Mythos 5 与 Opus 4.7 的邮件中没有同样 caveat（暗示不受参数影响，但邮件未明确确认）。此次 retrofitting 的背景是欧盟《人工智能法案》的透明度义务：2026 年 8 月 2 日之后发布的模型出厂即带水印，老模型则分阶段补齐，12 月 2 日为过渡期截止日；此次上线比截止日提前约一个月。

摘要： Anthropic 11 月 3 日起把文本水印扩展到 Mythos 5、Opus 4.7、Opus 4.6、Sonnet 4.6（Bedrock 稍晚）；但 Opus/Sonnet 4.6 上改动任一采样参数即可绕过水印，Anthropic 提醒依赖合规者保持默认设置；检测 API 仍为私有预览。

为什么重要： 这条新闻把“AI 生成内容可识别”从口号变成了带缺口的现实：合规方终于有了一个模型级、跨平台（AWS、Google Cloud、Microsoft Foundry 均生效）的标记手段，但 Opus/Sonnet 4.6 的参数缺口意味着——水印在场，不等于证据在场。任何把“有无水印”当作“是否 AI 生成”的二元判断的流程（出版、法务、学术诚信）都必须打补丁：先锁定采样参数默认值，或直接迁移到不受影响的新模型；同时记住 Anthropic 自己的限定：检出水印只说明文本“可能”来自 Claude（用户可能只用它校对或翻译），没检出则什么都证明不了。欧盟 12 月 2 日大限在即，这会是所有在欧洲提供生成式服务厂商的共同作业。

来源： The Decoder：Anthropic's watermark rollout leaves a loophole on two older Claude models（10 月 31 日）https://the-decoder.com/anthropics-watermark-rollout-leaves-a-loophole-on-two-older-claude-models/

7. OpenAI 推出 GPT-Rosalind-6：与 Astra 同权重、定价贵 1.5 倍，卖的是“更少拒绝 + 受信准入”

据 FourWeekMBA 10 月 31 日基于 OpenAI 官方材料的分析，OpenAI 已推出 GPT-Rosalind-6——GPT-6 Astra 的生命科学版本，使用完全相同的权重；API 定价页新增的 gpt-6-rosalind 一行标价为每百万输入 Token 15 美元、输出 75 美元，而 Astra 为 10 美元与 50 美元，同权重贵出 1.5 倍。10 月 30 日发布的系统卡附录写明：“我们没有为这次发布增加训练数据，也没有做额外的 post-training”；变化的是准入与拒绝策略——Rosalind 对双用途生物学查询的拒绝更少，但仅通过受信准入计划提供给获批的内部研究。法律配置 gpt-6-astra-law 则与 Astra 同价。Rosalind 系列首发于 2026 年 4 月 16 日，此后 5 月新增生物防御项目、6 月新增能力、10 月 15 日推出学术计划，9 月结束研究预览、10 月上架定价页。

摘要： OpenAI 推出 GPT-Rosalind-6：与 GPT-6 Astra 同权重、无新增训练，定价 15/75 美元（Astra 的 1.5 倍），对双用途生物查询拒绝更少、仅限受信准入；法律版则与 Astra 同价。

为什么重要： 同权重、不同价、不同拒绝策略——这揭示了前沿模型商业化正在出现的新维度：卖的不再只是“更强的模型”，而是“同一模型的不同责任配置”。对生命科学研究者，这意味着合规与能力可以打包购买：付 1.5 倍，换来更少误拒的生物学问答与受信通道；对行业观察者，这是一个值得记录的定价实验：当模型能力趋同，厂商开始按“用途风险等级”而非“参数规模”定价。风险面同样清晰：双用途生物学查询的放宽必然伴随更严格的准入审查——谁能进受信计划、审查标准是什么，将成为比价格更关键的门槛。

来源： FourWeekMBA：OpenAI Prices Rosalind-6 at 1.5x Astra on the Same Weights（10 月 31 日，基于 OpenAI 10 月 30 日系统卡附录与 API 定价页）https://fourweekmba.com/ai-openai-prices-rosalind-6-at-1-5x-astra-on-the-same-weights/

8. 光轮智能开源 10 万小时全模态人类行为数据集：具身智能的“数据基建”再添一块砖

10 月 31 日，在北京人工智能+大会上，光轮智能宣布开源 10 万小时全模态人类行为数据集。据 11 月 1 日中国 AI 简报转述，该数据集覆盖人类行为的全模态记录，面向具身智能与机器人训练。与昨天智元 CEL“机器人互相教学”的范式放在一起看，具身智能正在同时补两块短板：一边是学习范式（机器人之间传经验），一边是数据供给（人类行为的大规模记录）。

摘要： 光轮智能 10 月 31 日在北京人工智能+大会上宣布开源 10 万小时全模态人类行为数据集，面向具身智能训练。

为什么重要： 具身智能的 Scaling 瓶颈从来不止算法：没有大规模、高质量的人类行为数据，再好的学习范式也无米下锅。10 万小时这个量级如果质量与标注过关，将成为国内机器人团队可以直接起跑的数据基建——尤其对没有能力自采海量真机数据的中小团队。但目前公开信息只有规模与发布场合，数据的模态构成、采集场景、许可协议与下载渠道都还需以官方发布页为准；在官方细节出来之前，这条新闻的价值在于“列入观察清单”，而非立即投入训练管线。

来源： KIMKJ 中国 AI 简报 2026-11-01（转述 10 月 31 日北京人工智能+大会发布）https://kimkj.com/zh/ai-board-zh/?mod=document&uid=20505

结尾： 一句话总结今天：当 DeepSeek 开始设计“AI 指挥 AI”的组织方式、当文档理解卷向 0.8B 的小模型、当水印与定价都开始按“用途”而非“规模”分层，AI 竞赛的下一个考题已经写好——不是“模型有多大”，而是“系统怎么组织、成本怎么算、责任怎么分”。