今日要点
- DeepMind — DeepMind 用 AI 对 Signal 的关键密码学保证做了形式化验证 Google DeepMind 的研究人员用智能体 AI，对 Signal 协议的若干项关键密码学保证做了数学证明。
- Meta AI — Meta 称它是自家最小、也最高效的模型，主要面向智能体反复要做的工具调用、编码子任务、路由、抽取和长文档解析。
- Blender 5.3 发布 — Blender 5.3 发布，加入高斯泼溅支持 Blender 5.3 已经发布，新增了 Gaussian Splatting，也就是高斯泼溅的支持，并且扩展了 Geometry Nodes 的 Bundle 能力。
DeepMind 称已用智能体 AI 对 Signal 的关键密码学保证完成形式化验证，Meta AI 发布面向智能体短任务的 Muse Ember 1.0，独立游戏奖评委则拒绝为使用生成式 AI 的游戏投票。这里是由Robin为你带来的咸话咸说之每日AI乱炖。
《Big Walk》开发商补披露少量 AI 使用，独立游戏奖评委公开拒投
《Big Walk》开发商补披露少量 AI 使用，独立游戏奖评委公开拒投
过去几年，游戏开发里用 AI 工具的情况越来越多，要不要向玩家说明，也一直有争论。这个星期，这场争论在独立游戏圈公开爆发了。《Big Walk》的开发商 House House 公开承认，这款颇受欢迎的合作解谜探索游戏里用过很少量的 AI，而且是事后才说。这场争议在幕后已经酝酿了好几个月。有名望的独立游戏节奖 Independent Games Festival Awards，它的评委和评审团成员，在私人讨论组里谈过这件事。周一，五十多人的评审团里有 19 人发出一份联署声明，立场是「拒绝给任何以任何方式使用生成式 AI 的游戏投票」。他们指出，「用生成式 AI 工具开发的投稿游戏显著增加」，并点名生成式 AI 在生态、经济、心理和劳动上的危害，以此拒绝这些工具。他们说，这类工具的使用「在我们这个行业里还不是既定结局」。
这一条真正的内容是评委和开发者之间的关系在变：工具可以私下用，但要不要说、什么时候说，开始影响到别人的投票和生计。19 人联署不等于奖项改规则，可它把一个原本靠默契的问题变成了公开立场。接下来值得看的是奖项方会不会提出披露要求，以及事后补一句说明以后是被当成失误，还是被当成惯例。
DeepMind 用 AI 对 Signal 的关键密码学保证做了形式化验证
再说一件更需要耐心的事：给密码学做数学证明。
DeepMind 用 AI 对 Signal 的关键密码学保证做了形式化验证
Google DeepMind 的研究人员用智能体 AI，对 Signal 协议的若干项关键密码学保证做了数学证明，也就是形式化验证。报道把这称为广泛使用的密码学和 AI 本身的一项标志性进展。工作在大约四周里完成，算是一次概念验证，有两方面意义。一方面，是再独立核验一遍保护大量通信的密码学，这些通信跑在 Signal 应用、Google Messages 和 WhatsApp 上。另一方面，是展示 DeepMind 用新的 AI 框架 AlphaProof Code 做形式化验证的能力。更广地看，AI 辅助的形式化验证正受到关注，但它能不能广泛用起来，能不能守住大量代码，仍然不清楚。支持者长期把形式化验证说成软件安全里近乎理想的办法，因为它用数学检查软件是不是按预期在工作，按他们的说法，也就是有没有关键漏洞。
这一条的意义在方法上：把「没有漏洞」从靠人反复审阅，变成可以用机器检查的命题。真正难的部分不在第一次证明跑通，而在往后的每次改动都要重新证一遍，否则证明会随代码一起过期。所以接下来值得看的是这套流程能不能变成提交前的常规步骤，而不只是一次对外展示的概念验证。
DeepMind 发布 Gemini Robotics 2.5，并公开安全基准 ASIMOV-jailbreak
换到机器人这边，这次的重点不是演示视频，而是真的进了车间。
DeepMind 发布 Gemini Robotics 2.5，并公开安全基准 ASIMOV-jailbreak
Google DeepMind 发布了新一代 AI 机器人平台 Gemini Robotics。Google 说，到了 2.5，这套机器人 AI 完成真实世界任务的水平，已经接近人类。一部分 Gemini 机器人已经在梅赛德斯-奔驰的工厂里做了实际的工作。团队同时公开了开源安全基准 ASIMOV-jailbreak，为以后机器人和人一起工作做准备。用户的指令和机器人的动作之间分了几层。视觉语言模型 Gemini Embodied Reasoning 根据指令和实时画面规划任务；负责生成动作的，比如移动一个执行器，是视觉-语言-动作模型，也就是升到 2.5 的 Gemini Robotics。DeepMind 说，2.5 在需要很高灵巧度的任务上好了不少。评估覆盖 200 多项活动，包括用夹子分发食物，以及像在实验室里那样使用移液器。Google 还展示了 Apptronik 的人形机器人 Apollo 2。装上 Gemini Robotics 2.5 之后，它能用五根手指的手打出一个蝴蝶结。丝带这种会变形的物体，机器人一向很难操作。
机器人这条真正变化的是分工：规划交给语言模型，动作交给专门的动作模型，人只需要给一句话。这种拆法让能力提升可以分别发生，也意味着出问题时更容易定位在哪一层。要观察的是公开基准能不能挡住针对性攻击，以及工厂之外那些没人预先布置过的环境里，这套东西还能不能维持同样的水平。
Meta AI 发布 Muse Ember 1.0，面向智能体里的短任务
接下来是一道偏工程的选择题：小模型到底便宜在哪。
Meta AI 发布 Muse Ember 1.0，面向智能体里的短任务
2026 年 11 月 10 日，Meta AI 推出了 Muse Ember 1.0。Meta 称它是自家最小、也最高效的模型，主要面向智能体反复要做的工具调用、编码子任务、路由、抽取和长文档解析。不过材料里的独立验证仍然有限。这个模型最多支持 100 万个输入 token。提示不超过 20 万 token 时，输入、缓存输入和输出的价格，分别是每百万 token 0.10 美元、0.004 美元和 0.50 美元。超过 20 万 token 之后，升到 0.30 美元、0.012 美元和 1.50 美元。
在各自的短提示区间里，Ember 与 GPT-6 Luna、Claude Haiku 5.5 的输入和输出单价相同，都是每百万 token 0.10 美元和 0.50 美元。Claude Fable 5.2 则是 8 美元和 40 美元。Ember、GPT-6 Luna 和 Claude Haiku 5.5 的长提示加价阈值，分别是 20 万、27.2 万和 10 万 token。后两者在长提示下的输入和输出价格，分别是 0.20 美元与 0.75 美元、0.50 美元与 2.50 美元。Ember 提供从 minimal 到 max 一共六档推理强度。Simon Willison 引用的 Artificial Analysis 图表显示，xhigh 和 max 两档每项任务大约 0.12 美元和 0.14 美元，Intelligence Index 大约 34 和 36，并且落在帕累托前沿上。这只是特定基准上的结果。同一次观察里，high 档做 SVG 生成时没有返回完整图形，推理档位也没有和视觉质量清楚地对上。
这次发布同时给出了百万 token 的上限、20 万 token 的定价阈值，以及六档推理强度。做智能体的人可以把短提示和长文档任务的成本分开算。现有证据只覆盖官方定位、一张特定基准图表，以及一次 SVG 生成观察，还不能断言它在实际工作负载里一定更省钱。
这条对做智能体的人有实际用处：把短提示和长文档分开算账，成本结构会清楚很多，也更容易决定哪些任务交给哪一档模型。但现在的评测证据还很薄，只有官方定位、一张基准图表，和一次生成结果没画完整的观察。所以别急着把它写进预算表，先拿自己真实的调用模式跑一周，再看省下来的钱够不够抵消效果上的损耗。
Glasswing 七个月报出 37966 项漏洞，公开标记修复的只有 217 项
还有一条不太好看的数字，关于发现问题与解决问题之间的距离。
Glasswing 七个月报出 37966 项漏洞，公开标记修复的只有 217 项
Anthropic 的 Glasswing 实验跑了七个月，一共报告 37966 项漏洞发现。其中进入公开状态的只有 7349 项，占 19.4%；被标记为已经修复的只有 217 项。AI 代理在发现漏洞和推动修复之间的落差很明显。大量报告还可能加重开源维护者核验、去重、撤回和修补的负担。公开的只是全部报告的这一部分，里面还有撤回项和重复项，其余处在禁运期，或者还没公开，是否真实、是否有效都不明确。因此现有数据还不能断言，AI 对软件安全的整体净影响到底是正是负。
Project Glasswing 是一项多方参与的漏洞研究计划，要用 Anthropic 的前沿模型 Mythos，在攻击者利用之前发现并修复软件漏洞。公开披露台账会记下公开、重复、撤回和修复这些状态。所以已经公开的 CVE 数量，只是全部调查结果的一部分，不能直接当成已经确认或者已经修复的总量。对开源维护者，以及依赖这些项目的机构来说，从发现到修复的这段缺口，会变成验证、去重、制作补丁和发布的负担。截至 2026 年 5 月 22 日，Anthropic 已经向 281 个开源项目披露了 1596 个漏洞。不能因为大部分报告还没公开，就说其余发现都没修复，或者都无效。
评论者认可发现数和修复数之间的这个比例值得关注，但质疑它的解释力：公开样本里有撤回和重复，没公开的部分可能还在禁运，不能把公开结果外推到全部发现。也有人担心修复这一侧投入不够，或者旧版本的补丁覆盖不全，并拿 PHP2shell 的维护情况说明落地有多难。还有人觉得，文章的结论和 VulnCheck 的商业利益贴得太近，因此对这个立场保持警惕。
这一条戳的是自动化披露链条里最脆的一环：发现漏洞的成本被压得很低之后，压力会全部堆到维护者那一侧。评论里的分歧也值得听，有人怀疑公开样本的代表性，有人担心补丁覆盖不到位，也有人提醒发布方的立场和商业利益有关。接下来要看的不是发现了多少，而是发布节奏和修复投入能不能跟上，不然报告只会变成没人处理的库存。
Blender 5.3 发布，加入高斯泼溅支持
再说一条工具更新，这次受益的是做三维场景的人。
Blender 5.3 发布，加入高斯泼溅支持
Blender 5.3 已经发布，新增了 Gaussian Splatting，也就是高斯泼溅的支持，并且扩展了 Geometry Nodes 的 Bundle 能力，处理 splat 数据和比较复杂的可视化编程会更直接。一名早期测试者在 M4 上试用了从 Spirula Studio 导出的、包含 400 万个 splat 的场景。他说跑得很快，集成也成熟，没有发现和 Blender 其他界面不一致的地方。这说明 5.3 对大型单场景有实用潜力，但现有反馈还不足以证明它已经带来广泛的行业影响。
高斯泼溅用一组带位置、尺度、朝向、颜色和透明度的三维高斯椭球来表示场景，投影叠加之后生成图像，不必先变成传统的三角网格。官方开发文档显示，3D Gaussian Splats 接进了导入、点云和 Geometry Nodes，也接进了 Workbench、EEVEE 和 Cycles 这几条渲染流程。Geometry Nodes 是 Blender 里用节点做程序化几何的系统。Bundle 把多个相关的值收成一个单元，可以和列表、闭包这类结构化数据一起用。有了原生支持，用户可以在 Blender 里直接导入、查看和渲染由真实照片或视频重建出来的高细节三维场景，接到原有的创作流程里。
早期体验者大体认可它的速度和成熟度。也有开发者认为，Bundle、列表和闭包能明显加强复杂工作流，不过要花时间理解这套编程模型。另有评论者提出用三角面片来做泼溅，认为 GPU 本来就擅长处理三角形，也许更适合实时游戏。
对做三维的人来说，这条的价值是省掉一段导出和转换的折腾，把真实拍摄重建出来的场景直接接进原有流程。但一条早期试用的反馈撑不起行业级结论，面数多、场景复杂的活还得自己压一遍。真正值得盯的是插件生态会不会跟着迁移，以及在实时渲染这种更苛刻的场合，三角形和这种表示法到底谁更划算。
今天这几条放在一起看，模型能力在往上走，定价、信任和修复的成本也被一并摆上了台面。这些账怎么算，接下来几周会陆续有答案。
🎧 本期已同步制作为播客节目，点击收听《每日AI乱炖 · 2026-11-11》。