Claude主导Anthropic 26%研发：Meta开源816B模型，Gemini 4 Argon回归

AI实验室们又度过了一个密集发布周。Meta带着Muse系列重新杀回前沿，Google终于推出Gemini 4 Argon，Anthropic则一口气放出四条消息加一个传闻。而最让AI工程师们意外的一个事实是：Claude正在深度参与Anthropic自己的研发工作。

Claude开始主导Anthropic的研发方向

State of AI Report 2026的报告中有一页数据值得反复看：Claude目前引导了Anthropic核心模型研发中约26%的研究方向，而这一数字在2026年2月时还不到1%。

Nathan Benaich在播客中分享了更具体的实验：一条研究路径分叉，模型继续一个分支，人类走另一个分支，再由人类评判结果。旧模型大约只有10%的时候能赢，而Mythos级别的模型胜率约为60%。他用"科学品味"来形容这种能力。

这背后是RSI（递归自我改进）的叙事在加速——AI正在参与构建AI本身，而且比例在快速上升。

RSI（递归自我改进） 是AI安全与能力演化讨论中的核心概念，指AI系统能够参与改进自身的架构、训练流程或研究方向，从而形成"能力提升→更好改进能力→进一步提升"的正反馈循环。一旦这种循环启动，能力增长速度可能远超线性外推的预期，因此常被视为通向超级智能的关键路径之一，也是AI安全领域高度警惕的临界点。文章提到的数据之所以引人注目，是因为它把RSI从思想实验变成了可观测的工程现实：Claude引导研究方向的占比在数月内从不到1%跃升至约26%，意味着Anthropic的模型研发已经在相当程度上由AI本身参与塑造。Nathan Benaich的分支实验则提供了能力层面的证据——在人类评判的对照实验里，新模型"选对研究方向"的胜率达到约60%，远超旧模型的10%。

Meta重新回到前沿：Muse Wonder与816B开源模型

据B站UP主和YouTube频道的分析，Meta这次的动作堪称"双线出击"。

Muse Wonder：Arena第二位的闭源模型

Muse Wonder在Arena Text上排名第二，得分1513，距离Gemini 4 Argon仅差12分。API定价为$4输入/$20输出每百万tokens，基本对标Opus 5.5。而更强的Muse Wonder Full只对Muse Code订阅用户开放，月费$50或$200。

Meta的营销巧思也被Peter Gostev点出：别人叫"Max"，Meta叫"Full"，组合起来就是"Wonder Full"。

但Peter也发现了隐忧——Arena文本排名第2说明人们喜欢和它对话，但在Agent Arena上只排第12。他用Muse Wonder建网站时评价"相当糟糕"。他的推测是：Meta在宣传的可能和API里实际拿到的是不同的模型。

他还发现了一个规律："benchmark在发布材料中的半衰期大约是一次发布。引用一次，因为它好看，然后再也不见。"

Muse Spark Open：816B开源权重

节目最后几分钟，LDJ带来了突发消息：Meta刚发布了Muse Spark Open。816B总参数，42B激活，1M上下文，多模态输入、文本输出。Meta称其为"美国迄今最强的开源权重模型"。

对比来看，它比Kimi K3小约3倍，更公平的对比对象是GLM 5.3（753B，40B激活）。运行需要约700GB显存（NVFP4格式），或者按扎克伯格的说法，两台新的M5 Ultra Mac Studio。

编码能力上有个需要留意的细节：Terminal-Bench 2.1得分76.4，低于GLM 5.3的83.9和Kimi K3的85。强于其他美国开源模型，但还没到中国头部开源模型的水平。

许可证要求产品中展示"built with Muse Spark Open"，且年收入上限$20M。Nisten的评价是：非常适合生成数据，"可能是最好的computer use模型之一"。

后续分析发现，Spark Open在编码上更接近Spark 1.1/1.2而非1.3，也就是说它不是最新版Spark直接开放权重。

总参数与激活参数是理解MoE（混合专家）模型规模的两个关键指标。"总参数"指模型全部权重数量，决定显存占用与部署成本；"激活参数"指单次前向推理实际参与的权重子集，直接关联算力消耗与速度。Muse Spark Open的816B/42B意味着它虽然体量庞大（约需700GB显存以NVFP4格式运行），但每次推理只调用约42B参数的专家路径，因此单次延迟和算力开销远低于同等总参数的稠密模型。这也是当前开源大模型的主流路线：用稀疏化在"知识容量"与"推理成本"之间取得平衡。对照GLM 5.3的753B/40B和Kimi K3，可以看出这几款模型处在同一量级，竞争焦点已经转移到训练数据质量、后训练和具体任务表现上，而非单纯的参数规模。

Google回归：Gemini 4 Argon

Peter指出，Google已经8到10个月没有发布完整的Pro级模型了。Gemini 4 Argon在Gemini API、AI Studio、Gemini Pro/Ultra应用以及Antigravity for Ultra中全面可用，Arena Text排名第一，Roboflow视觉评测也排第一。

定价方面，到11月30日前$2输入/$10输出，之后$4/$20。Artificial Analysis的智能指数显示Argon与GPT-6 Astra并列53分，约为Astra每任务成本的60%，Opus 5.5仍以58分居首。

Google DeepMind的Geneviève Huskens展示了她用Argon做的Desk Racer——一个基于她真实办公桌构建的赛车游戏。她的工作流程值得学习：提供参考图片，让模型用规划问题"拷问"你，然后设定一个大目标：生成子代理，需要跑多久就跑多久。关键是一个"对抗性子代理"，它给输出打分（满分10分），不够高就打回重做。3D部分先渲染粗略版本，让Nano Banana"让它看起来真实"，再把图片交回Argon说"做成这样"。

Geneviève称这是他们最大的一次训练运行，而Argon作为早期检查点，已经在帮助训练下一代模型。

Anthropic的大周：防御、可观测性、订阅与财报

蒸馏防御将数据收割降低90-99%

Wolfram注意到了一个微妙的时机：在呼吁对蒸馏进行监管之后，Anthropic自己动手做了。通过锁定Claude的推理追踪、分类器和数万个封禁账号，蒸馏者可获取的数据下降了90-99%。

副作用是：用户频繁遇到Claude断连要求重新登录。Nisten还发现，如果在写LLM代码时提到"reasoning"，Claude Code现在会直接中断。

蒸馏（Distillation） 指用强模型的输入输出作为训练数据来训练新模型，使其以较低成本逼近教师模型的能力，是当前开源模型快速追赶前沿的重要途径。围绕它的争议在于：模型厂商投入巨额算力与数据训练出的能力，可能被第三方通过大规模调用API"采集"后复现，而这一行为往往触及服务条款甚至引发监管讨论。Anthropic的做法——锁定推理追踪（reasoning traces）、部署分类器识别采集行为、批量封禁账号——属于主动防御手段，把可提取的高质量信号大幅削减了90-99%。副作用是正常用户也被波及，例如登录会话被强制中断、代码中出现特定关键词触发断连。这反映出蒸馏攻防的核心矛盾：防御越严格，误伤正常使用的概率越高，如何在两者间取得平衡是厂商需要持续调优的工程问题。

OpenTelemetry追踪

Claude的Messages API、Managed Agents和SDK现在可以向任何OpenTelemetry栈发送代理轮次、工具调用、MCP调用、延迟和token数据（公开测试版）。Ramp表示这让某些陷入循环的代理token使用量降低了10-20%。

Agent SDK恢复使用订阅额度

经过帮助页面一天内多次修改后，最终确认：Agent SDK、claude -p和第三方应用仍然使用订阅额度，Max和Team用户现在每月获得API credits。

168亿美元季度营收

Anthropic在IPO前的闭门投资者日上透露，Q3营收约$16.8B，环比增长约45%，连续第二个季度调整后盈利，现金流为正。IPO据报道在11月。

开源生态与AI Engineer NYC

NVIDIA在节目中发布了Nemotron 3.5 Super VL：120B总参数，12B激活，支持图像、文档和视频，面向长时间运行的代理。NVIDIA声称吞吐量可达同规模开源模型的5倍。

OpenBMB的MiniCPM-V 4.7能在iPhone上用约3GB运行35B视觉MoE。Liquid发布了面向本地代理的最大模型LFM2.5-24B-A2B。

AI Engineer NYC大会上，Capital One的Max Kanat-Alexander提出了一个被广泛引用的观点：代码质量的重要性与软件的持久性成正比。AI将让"一次性软件"变得更加普遍——给自己用的计算器、派对结束后就丢弃的策划工具，能用就行。但持久性软件比以往更需要严谨，因为"理解的难度不是线性增长，而是随时间复合增长"。

Nathan Benaich还指出了一个巨大的使用差距：大约90%的人最多用模型处理邮件，而Ramp数据显示人均月支出约$12，前1%用户约$7,500——差距达580倍。

背景补充

Arena排名与Artificial Analysis智能指数是衡量模型能力的两种不同范式，读数据时需要理解其差异。Arena（LMArena）基于用户盲测投票，本质上是"人类偏好"的聚合，因此更反映对话体验、表达流畅度和讨喜程度；它在文本任务上权威，但容易被风格化输出影响，未必与真实工程能力挂钩。Artificial Analysis智能指数则是一套标准化基准的组合评分，强调可复现的任务表现，并同时报告每任务成本，便于做性价比权衡。文章里Muse Wonder"文本第2、Agent Arena第12"的落差，以及Gemini 4 Argon"智能指数53分并列、成本仅为Astra的60%"，正是这两套体系互补的典型例证：偏好榜高不代表代理任务强，绝对值相同的智能指数也可能对应截然不同的成本结构。