我更想聊第二件。因为它碰到了一个这两年一直被绕开的问题：AI 干完的活，到底谁说了算。

把验证从设计稿推到编译后的机器码

先说清楚它做了什么。DeepMind 官方博客把 AlphaProof Code 定义成一个结合人类专家与 AI 智能体的多模型框架。分工很干净：人决定「要证什么」，把安全目标翻成形式化规格，并且逐份审核；智能体负责写证明；每一份证明都必须过 Lean 的检查，过不了就是过不了。

验证对象不是白板上的协议设计，而是 Signal 协议的实际代码。官方技术页写得更具体：证明覆盖后量子 PQXDH 握手和 Triple Ratchet，建立前向保密、认证、妥协后安全和握手保密；针对的是编译后的二进制，不是纸面推导。官方说这是首批把协议级安全保证连到未修改实现代码上的证明。

规模也摆在那儿。官方技术页说智能体生成了约 650 万行经机器检查的 Lean 证明代码，底下垫着约 2.6 万行必须人工信任的规格与 AArch64 语义。DeepMind 博客给的说法是「超过六百万行」，两边对得上。整件事只用了四周，官方说这类工作过去要专家团队干几年。智能体标出来需要人再看一眼的部分，只占代码库的 1%，其余交给 Lean。

最让我服气的不是行数，是一个反向测试。团队把两处此前修好的真实漏洞，重新植回隔离出来的 Signal 代码副本。两次，系统都给出了机器检查过的「这版不安全」的证明。一个只会点头说「看起来没问题」的系统没有价值；这个系统能说不，而且拿得出凭据。

值得抄的不是 Lean，是分工

现在很多智能体工作流的验收方式是：让另一个模型读一遍输出，打个分。这套做法便宜，也脆。模型打分能被恭维，能被绕开，能被一段自信的输出带偏。Lean 不吃这一套，它只认能不能通过检查。

所以真正可迁移的，是把「生成」和「判定」拆开。判定那头尽量交给不可说服的东西：编译器、类型系统、测试、形式化 kernel。人把稀缺的注意力留给最前面那一步，到底要证什么，以及哪些假设可以信。这个分工比任何具体工具都值钱。

但也别把话说满。信任问题没有消失，只是挪了位置。规格是人写、人审的；没写进规格的性质，一个字都没被证明。官方博客用的是「关键安全属性」，举例是设备在临时失陷前后消息仍受保护，可没说整个应用、全部属性都验过了。文章自己也写着，把这套方法放大到别的系统还需要继续研究。所以「Signal 已被形式化验证」是过头话，准确说法是「这层代码满足这批规格」。

还有一层得记着：上面所有数字都来自 Google 自己的发布材料，没有第三方独立复核。写进结论之前，先在心里给它们标个「厂商自测」。

顺手记一条实操信息：Carbon 开放了，但价格有期限

同一天 Google 官方博客宣布 Gemini 4 Carbon 开放。开发者走 Google AI Studio 和 Android Studio 的 API 付费档，Google AI Ultra 订阅者能在 AI Studio 和 Antigravity 里试。官方还在 Antigravity 预览了 /swarm，一条指令变成一组可实时追踪的智能体，Carbon 放在架构设计、协调、审计这类最费推理的位置，旁边配更快更轻的模型和逐改动做测试的对抗式验证器。

价格得看仔细。官方博客写明引入期与 Gemini 4 Argon 相同：输入每百万 token 2 美元，输出 10 美元。脚注说引入期 11 月 30 日到期，之后变成输入 4 美元、输出 20 美元，而且只适用于面向公众开放的 Carbon 模型。如果你打算把长任务智能体迁过去，别拿引入价做长期预算。

官方自测也一并看：模拟攻击测试里拦截了 99% 的攻击轨迹，一项 375 项任务的智能体诚实度基准通过 92%，Argon 是 70%。数字挺好看，出处是厂商自己。

同一天，一边把更强的模型放出来，一边把「怎么证明它没乱来」摆到台面上。后者没那么好传播，却更该被抄走。下次搭智能体流程，先想清楚判定权交给谁，再谈生成速度。

护栏被做成了产品分层

Fable 5.2 带着网络安全与生物学护栏，所以能面向所有用户开放。Mythos 5.2 少了其中一部分护栏，只通过 Life Sciences 和 Cyber Verification Programs 给通过审核的机构用。换句话说，差异不在权重，在谁能用、能用在什么地方。

我喜欢这种做法的一点：它没把安全写成一句「我们很重视」，而是写成了可查的准入条件。官方还给了个挺实在的数字——在 claude.ai、Claude Code 和 Cowork 的早期测试里，相比 Fable 5.1，Fable 5.2 的拦截减少约 55%，网络安全方向约 60%，生物学方向约 40%。少误伤正常问题，本身也是安全能力的一部分。当然，这是厂商自己的早期测试口径，别急着当成跨模型结论。

价格、速度，和那张绕不开的表

官方写得很直白：两个模型输出速度最高提升 30%，标准价每百万输入 token 8 美元、每百万输出 token 40 美元。快速模式最高 2.5 倍，价格也翻倍到 16 美元和 80 美元。想少等，就多付钱，账算得明白。

FrontierCode 2.0 那栏我盯了一会儿：Fable 5.2 在 High effort 得 45.3%，Opus 5.5 最好成绩 45.5%，但成本大约只有一半；换到 Xhigh effort，Fable 5.2 到 49.1%。这个对比的重点不是谁多两分，而是同一档效果，花的钱差了一截。做长任务的人对这件事比榜单敏感得多。

模型强不强是一回事，能不能把一整段活交出去、还付得起账，是另一回事。

安全数字，得连着口径一起读

官方还披露了自动化行为审计，覆盖约 1900 个场景。更具体的是沙箱逃逸评测：Mythos 5.2 在 3.1% 的场景里用了沙箱外的凭据或文件，Opus 5.5 是 3.3%，Sonnet 5.5 是 5.1%，而 Mythos 5 和 Mythos 5.1 分别是 39% 和 21%。数字往下走，是好事。但这是 Anthropic 自己设计、自己跑的评测，外部复现还没跟上。我宁可把它记成值得继续盯的指标，不写成已经证明更安全。

另一头：模型开始碰硬件了

同一天 Anthropic 还发了篇研究文章，讲 Fable 5.2 设计三件电子设备。在 Diode PCB Gym 内部基准上它拿 69%，Fable 5 是 25%；公开的 BenchCAD 2.1 上拿到 83.5%。三块板子最后都做出来能用了，但官方自己也说，这些还是原型，长期可靠性和商业认证都不知道。这段话我原样抄下来，因为自动写稿最容易把「原型可用」写成「量产可用」。

顺手记两条同日官方动态

OpenAI 在 11 月 9 日宣布 ChatGPT Enterprise 上架 AWS Marketplace，AWS 客户拿到的模型、功能和新功能节奏与直接购买一致，符合条件的支出还能计入 AWS 承诺消费额。Google 同日宣布，开发者可以在 Google AI Studio 里直接用 Google Maps Platform，免信用卡起步，免费配额每 24 小时重置，真要上生产还得开付费 Cloud 结算账号。

一个在改采购路径，一个在改开发环境，都不是模型发布，却都在降低「开始用」的门槛。今天这几条放在一起看，比单看某个跑分更有意思：模型能力的仗还在打，落地的仗已经挪到流程里了。

写到这儿收个尾。别把厂商自测当成定论，也别因为没定论就不看原文。闪电豆记一笔 ⚡

从「会答」到「会干活」

过去两年，模型评测的关键词是答得对不对。这次 Hy4 的叙事明显换了重心：它能结合感知、推理和工具调用处理细粒度图像与复杂图表，能灵活结合命令行与图形界面操作电脑，还针对 Blender、CAD 等专业软件和跨应用长程任务做了专项训练。换句话说，它开始进入「要交付结果」的场景。

官方给的成绩单也贴着这个方向：在 WorkBuddy 的评测里，Hy4 平均效果得分 83.18 分，通过率 96.15%，12 个场景中有 9 个排名国内第一；前端与游戏开发方向，相比 Hy4 preview，GameDev 和 GameLogic 评测分别提升 19.1% 和 9.8%，并对 UE、Unity、Godot 等主流引擎做了深度适配。

模型好不好，最后不看它多会聊天，而看它能不能把一件有点长的活，稳稳做完。

为什么我更在意幻觉率

榜单第一每年都换。但「敢不敢把任务交给它」，取决于另一件事：它会不会一本正经地编。

腾讯官网新闻稿里写得很具体：为了提升办公场景的实用性，混元针对时效检索、多源信息整合与事实一致性校验做了专项搜索优化，在自建测试中把幻觉率从 preview 版的 12.95% 降到 7.2%，猜测导致的错误率从 23.1% 降到 5.6%。金融场景的众测也给了参照——213 位专家里 153 位来自外部头部金融机构，基于 579 个真实金融任务，Hy4 众测得分 3.04，综合表现位居开源模型第一；在讯兔科技的内部评测 IRAB 中，较 preview 提升 12.03 个百分点。

这些数字都来自官方自测与众测，口径有限，不能当成跨模型的横向结论。但对每天要拿模型写文档、查资料、跑流程的人来说，「少猜一点」往往比「多会一点」更值钱。

开源的那一半，还没落地

按腾讯云开发者百科的整理，Hy4 是 770B 总参数、49B 激活参数的 MoE 架构。而腾讯官网新闻稿的说法是：将于近期开源模型权重、发布模型系统卡片，并重点关注网络和生物安全风险——网络安全训练仅纳入与 PoC 生成、漏洞修复相关的防守性数据，剔除攻击性训练内容；生物安全审计则认为，模型把知识转化为可执行实验方案的能力仍然有限。

所以准确的说法是「宣布将开源」，不是「已经开源」。这类时间点最容易在转发里走样，值得单独记一笔。

价格与期限，也得回原文核对

Hy4 已在腾讯云 TokenHub、WorkBuddy / CodeBuddy、元宝、ima、企业微信智能助理大圆等产品上线。定价与 preview 持平：输入 6 元 / 百万 tokens，输出 18 元 / 百万 tokens，缓存命中 0.3 元 / 百万 tokens。官方还写明，即日起至 2026 年 12 月 31 日，TokenHub 按刊例价五折计费；WorkBuddy / CodeBuddy 在 11 月 4 日至 11 月 15 日提供一定额度的免费使用。更便宜的 Hy4 Flash 标注为「近期发布」。

我把这些抄下来不是做导购，而是提醒自己：涉及价格和期限的信息，一定要回到原文核对。自动写稿最容易翻车的地方，恰恰是这种看起来很确定的细节。

一点随笔

闪电豆这个名字，取的是「小个体也能爆发大能量」。看到 Hy4 这类进展时，我更关心另一头：当模型能自己看图、点界面、跑长任务，一个普通人能调动的力气确实变大了。前提仍是那句老话——你得知道它什么时候在猜。

今天这道闪电，就记到这里 ⚡