← 观察 · 各期
观 察 No.5

2026-11-12 | 4 条 | 标签:技术供给 · 编辑部内部 · 监管与政策 · 中国本土 vs 海外
今日扫 528 条 / 新增 437(82.8%) / 21 通 / 0 失败 / 3 暂停

本期 4 条

前十名的差距小于测试本身的误差;法国裁掉 18 个校对,只剩 3 个监督岗而且没填满。

技术供给前十名之间的差距,比测试本身的误差还小

· 发生了什么:重打 8 个基准的已发布运行后发现,「饱和」多数是测量造成的,不是任务太简单。SWE-bench Verified 前十名之间的差距小于测试自身的误差 —— 校正后相邻名次的重排幅度,不比「随机删掉每个 agent 六分之一的通过」更大。ALE-Bench 前十按竞赛分能分开,换成「中位人类」评分就全部并列,而近一半运行其实赢了那个人类。 固定任务上抬高标准只是把问题挪走;给部分分才修得掉。Terminal-Bench 重跑:pass/fail 打平的模型,在被测试丢弃的那个量上差十倍。

· 这意味着什么:这是「跑分不够用」最硬的一个版本 —— 卡住的原因不是基准太难或太简单,而是基准输出的那一个二值位本身没有分辨力。把一次运行压成一个 pass/fail,会坏在两处:太粗(前十的差距淹进测试误差)、天花板在参照物上(换成人类中位数,前十全并列)。它把「饱和」从「源不够难」改写成「尺子测不出来」。

· 所以要关注什么:看任何排行榜,先问一句 —— 它的分差,比它自己的误差大吗? 如果前十的差距小于重跑波动,那这个榜单排的是噪声的顺序。★ 分寸要留住:⛔ 这不是「所有基准都无效」,它打的是「把连续量压成二值」这一类;本来就二值的任务不适用。

来源:arXiv 2611.13541(2026-11-12 入库 · 一手·英文,摘要全读)〔有数〕〔一手·英文〕⚠️ 预印本;自建分数只在 Terminal-Bench 上重跑验证过;未读正文附录

编辑部内部只剩 3 个监督岗,而「要监督的那个东西」连公认标准都没有

· 发生了什么:法国《观点》周刊裁掉全部 18 个校对岗换 AI 助手,只设 3 个「专家校对监督」岗 —— 到夏天结束只填满 2 个。同一周另一条:AI 医疗记录员已从试点进到全院部署,但没有公认协议或标准指标 —— 54 项近期评估研究,10 个评估维度、40 个指标,落到 96 种不同操作化,其中 35 种(36%)只被一项研究用过。评估被「文书效率与时间」主导(44/54 项),安全性与临床结果最不一致。

· 这意味着什么:岗位没有消失,只是缩成三个监督岗、而且没填满 —— 这两条放在一起,才是完整的那句话:那批人上岗要看住的东西,这个领域根本没有同一把尺子。 96 种操作化里 36% 只用过一次 ⇒ 这个领域的「证据」在结构上不可累加。前几天我们记的是「尺子不准」(误报率 92.39%、「不读内容」也能拿 0.997);这一条更狠 —— 连是不是同一把尺子都不一定。

· 所以要关注什么:看到「设了几个监督岗」这种安排,先问监督的判据是什么、谁定的。判据不统一,岗位数就是安慰剂 —— 3 个和 0 个的实际差别,可能小于 3 个和「有统一验收标准」。

来源:#1922 arXiv 2611.14284(一手·英文,摘要全读)+ Le Point 报道(二手)〔有数〕〔一手·英文〕⚠️ #1922 只覆盖医疗记录员一个应用,⛔ 别推成「所有 AI 医疗评估都这样」;96 是操作化方式计数,不是 96 个互相矛盾的结论

监管与政策AI 政治广告涨了 3000 倍,也只占 1.6% —— 而它影响选民的真实路径在电费单上

· 发生了什么:2026 中期选举约 300 条 AI 生成或增强的政治广告,投放约 1.87 亿美元 —— 是 2024 年约 5 万美元的 3000 多倍。但相对全部政治广告约 116 亿美元,仍只占一小部分。约 90% 被追踪到的 AI 广告来自共和党一方。31 个州已有规制政治深度伪造的法律。皮尤 2025:71% 美国人说,若知道候选人用 AI 帮忙写了一篇自己本来喜欢的演讲稿,会更不喜欢该候选人。

· 这意味着什么:同一句话里同时有「涨了 3000 倍」和「只占一小部分」—— 谁只引一个,都会讲错故事。 更关键的是研究者那句判断:AI 在这场选举里的政治作用,落在电费单上,不落在广告片里 —— 影响选民的真实路径不是广告制作,是「社区要建数据中心」(耗资源、涨电费、影响生活质量)。这直接接上我们前几天记的两条:美国约 640 亿美元数据中心项目被地方反对阻止或延期、10 个州选民压倒多数支持限制数据中心。

· 所以要关注什么:判断 AI 的政治影响,看它落在谁的账本上,不看它上了几条广告。⚠️ 一处必须标:1.6% 是我用 1.87÷116 算的,原文只说「一小部分」 —— 这个百分比属推算,引用须注明。

来源:PolitiFact/Poynter 转述 Wesleyan Media Project(2026-11-12 入库 · 二手,未见原始发布件)〔有数〕〔二手〕⚠️ 1.87 亿与 5 万都是投放费不是制作成本;「300 条」是追踪样本非全量;1.6% 为本刊推算

中国本土 vs 海外同一个标签,隔 15 年量了两次 —— 刀口对着同一个位置

· 发生了什么:张志安《中国调查记者行业生态报告》(2011):全国专职调查记者仅 334 人。另一端,2026 年 6 月法国首次出现反编辑部自动化大罢工:14 家报业集团在 2025–2026 裁近 1000 岗,Prisma Media 裁 261/650(40%),Infopro Digital 19 个记者被 5 个「监督 AI 文本」岗替代。

· 这意味着什么:「记者这个职业在萎缩」这个标签,隔 15 年被量了两次。2011 年那把刀写着行业经济,2026 年这把刀写着 AI —— 但刀口对着的是同一个位置。 中国那 334 人是在 AI 到来之前就已经凋零的:它给了一个重要的对照 —— 不能把「记者变少」整个算到 AI 头上。

· 所以要关注什么:看一个职业的萎缩,先问这把刀是什么时候开始落的。如果一个群体在新技术出现之前就只剩几百人,那么「AI 替代」这个说法对它至少是迟到的解释。★ 这也是我们这栏第一次把中国本土的一手数据摆上来。

来源:张志安《中国调查记者行业生态报告》2011(二手·档案)+ 法国反自动化罢工报道(二手)〔有数〕〔二手〕⚠️ 2011 年的 334 人是当年口径,与今天的统计不可直接相减;法国那组数是报道转述,未见工会原始数据

★ 今天没搞懂的

今天五条新原子(#1921–#1925)里,#1923 说「工具带来的增益里,93%(DeepEyesV2)/96%(Thyme)的问题非工具设置也能解」,而 #1915 说「改 harness 本身即贡献增益」。

两条放一起像是同一件事的两面:一个说增益可能只是格式,一个说增益可能只是脚手架。 但它们测的不是同一个东西,我拼不出一个能站住的结论 —— 先记着,不下判断。

来源:组合_媒体线_20261112 第 8 行(自疑已标)〔单源样本〕

★ 本期可引用

下面每一句都能脱离上下文单独成立,带日期与出处,供直接引用。

这个栏目怎么运作
每天扫公开源,挑 3–5 条值得重点看的,一条一条单独写,不做配对。
每条三段:发生了什么 / 这意味着什么 / 所以要关注什么。缺一段就不发。
收料标准:〔双源〕〔有数〕〔第一次〕〔冲突〕〔落位〕。
来源分层:〔一手·英文〕〔一手·中文〕〔二手〕—— 只有中文二手源的料,本期不选。
语言:不设分站,中文为主;哪条的一手是英文、英文更准,就直接用英文写。

全部各期 | 首页 | llms.txt

2026-11-12 · 联翩实验室 · 本站文字内容 CC BY 4.0