谷歌Gemini 4 Carbon登顶，Anthropic首次季度盈利

谷歌发布 Gemini 4 Carbon：安全能力与长程任务成核心卖点

谷歌正式推出新一代前沿大模型 Gemini 4 Carbon，主打业界顶尖的网络安全能力与长程任务处理能力。在 Artificial Analysis Intelligence Index B5.0 中，该模型综合得分 59，排名第一。

据谷歌方面披露，这是其迄今最强的模型，生成安全代码的成功率较 Argon 提升超过两倍。配合美国政府的自愿测试流程，谷歌先向部分网络安全防御人员开放了该模型。这一发布节奏显示出前沿模型在安全敏感领域的落地路径正在成形：先经过政府框架下的受控测试，再逐步扩大访问范围。

Artificial Analysis Intelligence Index V5：基准评测的一次大幅重构

Artificial Analysis 发布了 Intelligence Index V5，这是自 2026 年 1 月 V4 上线以来幅度最大的一次基准重构。新版本中，60 个百分点的评测权重首次建立在私有测试集或隐藏答案之上，目的是减少跑分注水。

这一变化的行业含义不小。长期以来，公开基准被模型厂商针对性优化，榜单分数与实际能力之间的偏差越来越大。把大部分权重转向私有测试集，意味着评测体系开始从“可刷”走向“难刷”，对模型的真实泛化能力提出更高要求。

同一评测体系下，DeepSeek^广告 V4.1 Flash 1017 在 Frontier Code 2.0 上录得 28 个百分点，是所有已发布权重模型中得分最高的一个。开源模型在代码类任务上逼近闭源前沿模型，正在改变整体评测格局——据多家来源交叉印证，开源与闭源的差距在特定细分能力上已明显收窄。

私有测试集与“刷榜”问题：公开基准（如 MMLU、HumanEval）的题目和答案长期公开，模型厂商可以在训练中有针对性地纳入相似数据，导致榜单分数虚高、与实际泛化能力脱节，即所谓“跑分注水”。私有测试集指不对外公开、答案隐藏的评测题库，模型无法提前针对性训练，因而更能反映真实能力。代价是评测的透明度和可复现性下降，社区难以独立验证，且私有集可能随时间被间接泄漏。Industry Index V5 将 60 个百分点权重转向私有测试集，是评测机构在“可刷”与“可信”之间的一次权衡，也意味着厂商难以再靠公开榜单做营销。

Anthropic 首次实现季度盈利，Claude Code 成商业引擎

Anthropic 本周向投资者分享的财务数据显示，其 AI 编码工具 Claude Code 取得了巨大的商业成功。该公司在第二季度录得营业利润，净收入留存率达到 900 个百分点。

这是 Anthropic 首次实现季度盈利，对一家以研究起家的 AI 公司而言具有标志性意义。编码工具成为其商业化突破口，也印证了开发者场景是当前付费意愿最强的 AI 应用方向之一。

Anthropic 周三还宣布推出一套全新的报告工具，帮助客户更深入地了解代币花销带来的具体价值。该功能利用内部 Analytics 和员工调查，帮助企业评估团队的工作成果与成本。在企业采购越来越关注投入产出比的背景下，把“代币消耗”转化为“价值度量”是留住客户的关键一步。

净收入留存率（NRR）：净收入留存率衡量同一批客户在一年后贡献的收入相对一年前的比例，计算时通常剔除新客户，只统计老客户的增购、降级与流失。NRR 超过 100% 说明老客户在扩张使用、收入自然增长；达到 900 个百分点（即 9 倍）意味着现有客户群在一年内的支出膨胀到原来的九倍，通常出现在用量计费、快速渗透的早期产品上。对按 token 计费的 AI 编码工具而言，NRR 高企既反映开发者使用深度增加，也提示收入高度依赖少数重度客户，需关注其可持续性。

NVIDIA 开源 Parakeet 系列语音转录模型

NVIDIA 周三发布 Numitron 3.5 Transcribe，这是一个支持多达 40 种语言的免费开源语音转录模型。该模型可处理长达一小时的录音，并能区分多达 8 个不同的说话人。

开发者可以结合该模型与 Granary 数据集，构建面向业务会议和医疗转录等场景的定位应用。这个参数量达 300 亿的模型能直接在单张芯片上运行，全面覆盖各类主流硬件。对需要本地化部署、且对数据隐私敏感的企业来说，单卡可跑的语音模型降低了落地门槛。

说话人分离（Speaker Diarization）：语音转录不仅要识别“说了什么”，还要判断“是谁说的”。说话人分离通过声纹聚类把音频切分为不同说话人的片段，并为每段标注说话人编号。它与语音识别联合使用时，可输出带说话人标签的会议纪要，是医疗转录、多人会议等场景的关键能力。能区分多达 8 个说话人，意味着模型需在重叠语音、短发言和音色相近的情况下保持稳定的聚类效果，这对长录音（如一小时）尤为困难，也是该模型面向企业场景的主要卖点之一。

蚂蚁百灵开源 Ling 3.1 Flash：面向 Personal Agent 场景

蚂蚁集团旗下百灵大模型正式开源 Ling 3.1 Flash 1019，在 Intelligence Index V4.3.2 中获得 44 分。新版本面向 Personal Agent 场景，在复杂知识工作 DA Briefcase 中的得分提升至 1524 ELO。

百灵同步开源了总参数量约 560 亿的基础模型 Ling 3.1 Flash Base，采用混合线性 MoE 架构。该基础模型在 8 个领域的 47 项 Benchmark 测试中有 32 项取得最高分。

Personal Agent 是近期开源模型竞争的新焦点：相比通用对话，个人助理类场景对长上下文、工具调用和多步任务规划的要求更高，也更贴近实际使用。百灵在这一方向上的布局，与 DeepSeek 在代码任务上的突破形成呼应——开源阵营正从“跟跑”转向在细分场景“卡位”。

混合线性 MoE 架构：MoE（混合专家）把模型拆成多个专家子网络，每次前向只激活其中少数几个，从而在总参数量很大的情况下控制推理算力。传统注意力机制的计算量随上下文长度呈平方增长，长上下文场景成本高昂；线性注意力用近似方法把复杂度降到接近线性。混合线性 MoE 即在部分层使用线性注意力、部分层保留标准注意力，兼顾长上下文效率与表达能力。这解释了为何 560 亿参数的基础模型仍能面向个人助理这类长上下文、多步工具调用场景落地。

谷歌财报与 Chrome 更新：AI 搜索广告出海，浏览器更懂表单

Alphabet 第三季度营收达到 1276 亿美元，同比增长 25 个百分点，但核心搜索广告业务的增长速度持续放缓。谷歌周三在财报电话会议上宣布，将 AI 搜索体验中的广告业务试拓展至国际市场。谷歌首席业务官表示，高质量广告正逐步规模化落地于 AI Mode 的 AI Overviews 中。另一边，谷歌服务部门营收达到 963 亿美元，同比增长 11 个百分点。

搜索广告增速放缓与 AI 搜索广告加速出海，构成了一组值得关注的对照：谷歌正在把广告库存从传统搜索结果页迁移到 AI 生成的答案界面中，以对冲旧模式的增长压力。

Chrome 浏览器也迎来一项重要更新，利用 AI 技术大幅提升自动填充表单的智能水平。更新后的 Chrome 可以从用户的 Gmail 中提取航班确认号、订单号和地址等资料，自动推荐关键信息。该功能是谷歌 Personal Intelligence 的进一步扩展，敏感数据会经过加密处理，用户也可在 Chrome 设置中自主选择是否开启增强自动填充。

行业观察：评测重构、开源崛起与商业化验证

把几条消息放在一起看，三条主线浮出水面。

其一，评测体系的可信度正在被重建。Artificial Analysis 将大部分权重转向私有测试集，Artificial Analysis Intelligence Index 的重构本身就是对“刷榜文化”的回应；而 DeepSeek 在 Frontier Code 2.0 上的领先，说明真实能力的比拼已经开始。

其二，开源模型在细分场景持续突破。百灵面向 Personal Agent、DeepSeek 主攻代码、NVIDIA 押注多语言语音转录，开源阵营不再追求全面对标，而是选择单点做强。

其三，商业化路径逐渐清晰。Anthropic 靠编码工具首次季度盈利，谷歌则试图把 AI 搜索变成新的广告载体。技术能力之外，谁能先把 AI 嵌入用户的付费习惯，谁就能更早跑通商业闭环。